Видеоаналитика.
Что касается видеоаналитики, то здесь ситуация не из простых. Реальность (например, те же детекторы движения), едва появившись на свет, моментально обрастает мифами об их якобы неограниченных возможностях. Справедливости ради надо заметить, что некоторые мифы, в свою очередь, достаточно быстро становятся реальностью. В чем причина? Скорее всего, в том, что спрос на интеллектуальность видеосистем, самых, так сказать, доступных для массового понимания, очень большой. На сегодняшний день, он многократно превосходит возможности оборудования. Это, плюс поверхностное освещение в массовых СМИ и не всегда адекватное отображение в художественном кино (в том числе, и хорошем), отчасти и порождает мифы. Еще одно важное обстоятельство, порой вынуждающее экспертов употреблять формулировки типа «скорее да/нет, чем нет/да» состоит в том, что у многих разработчиков действительно существуют алгоритмы, позволяющие говорить об «интеллектуальности» систем. Но как они работают, причем не на выставочных стендах, а на реальных объектах?
Например, не так давно один из авторов ТЗ рассказал о системе, созданной на основе нейроалгоритмов. Это, если хотите, классический образец самообучающейся системы. Она показывала замечательные результаты в макетном варианте, вот только для ее обучения ей предположительно нужно было показать несколько тысяч роликов, снятых в различных условиях, и, что самое неприятное, половина из них должна была содержать целевую обнаруживаемую ситуацию – нарушителя. Представляете задачу: на конкретном объекте хотя бы тысячу раз снять имитирующего нарушителя человека, совершающего проникновение различными способами, желательно возможно шире перекрыть все возможные манеры и способы проникновения. А чтобы обобщить такую процедуру, нужно на тысячах объектов провести то же самое. Это миллионы экспериментов. Что еще хуже: экспериментальный образец, способный обработать всего несколько десятков примеров, относительно приемлемо работал на 3-ГГц пентиуме. А если расширить ее способности до освоения миллионов примеров, потребуется кластер хотя бы из тысячи компьютеров – и все для обработки одного-единственного видеосигнала.
Но – к делу. Слово дежурному эксперту рубрики – руководителю технического департамента Компании ISS Александру КОСОВСКОМУ.
Интеллектуальные системы видеонаблюдения обеспечивают распознавание человека по лицу и могут помочь в поиске преступника.
Это на сегодняшний день, скорее миф, чем реальность. По крайней мере, в том, что касается объектов с большой пропускной способностью людей (вокзалы, городские улицы, станции метро). Распознавание лиц вообще является, пожалуй, самой сложной из задач, для решения которых применяются технологии видеоаналитики. Для того чтобы система распознавания лиц работала, необходимо обеспечить целый ряд условий: правильно подобрать и установить оборудование, обеспечить в базе данных наличие качественных фотографий, используемых для идентификации. Также очень важна организационная сторона процесса: поток людей должен «правильно» попадать в поле зрения видеокамер, чтобы система могла «захватить» из толпы каждое отдельное лицо.
Поэтому, повторюсь, в условиях большого скопления людей, например, в потоке пассажиров на станции метрополитена в час пик или на стадионе во время крупного спортивного мероприятия сделать это практически невозможно. Зато оправдано и логично использовать систему распознавания лиц в зоне паспортного контроля аэропорта, где вполне возможно создать необходимые условия освещенности, корректно установить видеокамеры, обеспечить захват лица каждого пассажира. Идентификация осуществляется незаметно, физический контакт пользователя с системой отсутствует. Также это делает системы распознавания лиц незаменимыми для контроля доступа на особо охраняемые объекты с пропускным режимом. Всё это так, но давайте не будем забывать о таком условии, как наличие КАЧЕСТВЕННЫХ фотографий разыскиваемых. Таковые далеко не всегда найдутся даже в базах правоохранительных органов. Предположим, ищут рецидивиста, которого последний раз фотографировали десять лет назад. Тогда он был толстым и коротко подстриженным, а сейчас похудел, отрастил шевелюру, да еще усы отпустил. Идентифицирует его система? Вряд ли, не существует сегодня для этого необходимых алгоритмов. А по фотороботам подозреваемых можно смело задерживать треть населения России, — ориентируясь на них, свихнется любой искусственный интеллект.
Видеоаналитика – это преимущественно детекторы движения или детекторы оставленных предметов.
Все, что мы сегодня подразумеваем под обобщенным понятием «видеоаналитика», начиналось именно с детекторов. И сегодня детекторы движения являются непременной составляющей любой системы видеонаблюдения. Что представляют собой современные детекторы движения? Это устройства с неограниченным количеством зон детекции и индивидуальными настройками чувствительности по каждой из них, независимо от количества одновременно обрабатываемых видеоканалов, это настройка на детекцию объектов заданных параметров. Такой детектор движения является действительно эффективной современной технологией интеллектуальной обработки видеоинформации. Сегодня приоритетная задача разработчиков – «заставить» систему видеонаблюдения функционировать в максимальной степени в автоматическом режиме, без человеческого участия. Поэтому в различных системах присутствуют не только детекторы движения, но и детекторы поворота, засветки/перекрытия видеокамеры. Есть удачные попытки реализовать интеллектуальные механизмы для осуществления поиска в видеоархиве, чтобы оператору не нужно было отсматривать архив видеозаписей, а лишь указать параметр, событие, например, факт появления в видеокадре определенного лица, для просмотра соответствующего видеофрагмента.
Детектор оставленных предметов – это уже более сложная составляющая системы видеонаблюдения, он предназначен для установления факта нахождения объекта или объектов определенных параметров в поле зрения видеокамер. Такой детектор может использоваться для обеспечения безопасности мест большого скопления людей, технологических помещений, магистралей, где несанкционированные присутствие людей или каких-либо предметов представляет потенциальную угрозу. Детектор оставленных предметов имеет все основания применяться для видеоконтроля метрополитена, вокзалов, аэропортов, торговых, развлекательных, спортивных комплексов, мест проведения массовых мероприятий. Еще «неосвоенная» сфера применения этого модуля – предотвращение аварийных ситуаций за счет детекции несанкционированного перемещения людей, транспортных средств, обнаружения посторонних предметов в технологических и производственных зонах, на взлетно-посадочных полосах, магистралях.
Переход на IP-технологии передачи видеосигнала даст мощный толчок развитию интеллектуальных систем
Пока это – скорее миф, чем реальность. Дело в том, что алгоритмы сжатия служат причиной искажений и артефактов. Причем, они закономерно возникают именно в те моменты, когда происходит что-то интересное, важное с точки зрения обеспечения безопасности, контроля объекта.
То есть, пока имеются нерешенные проблемы, но совершенно очевидно, что применение технологий видеоаналитики в IP-системах – состоявшийся тренд. И это, на мой взгляд, логично: развитие IP-технологий дает толчок развитию видеонаблюдению в целом. И, следовательно, перед специалистами стоит задача реализации всех своих достижений, разработок теперь и на IP-платформе. IP- проекты становятся с каждым днем все более востребованными, увеличивается доля заказов на интеллектуальные системы, поэтому есть все основания, чтобы эти два направления активно развивались «рука об руку».
Технические характеристики IP-камер создают определенные трудности для видеоаналитической обработки поступающего от них видеоизображения. Так, например, в ночное время видеозапись от IP-камер невозможно использовать для распознавания номеров. Но я уверен, что эти проблемы носят временный характер, и в ближайшем будущем будут решены производителями IP- оборудования.
Интеллектуальные системы позволяют распознавать номера автомобилей
Это – реальность, в первую очередь, хотя бы потому, что системы с функцией распознавания автомобильных номеров являются самыми популярными и востребованными. Их средствами можно решить широкий спектр пользовательских задач. Спрос со стороны самых разных заказчиков действительно очень большой, естественно, что рынок сформировал и постоянно совершенствует технические предложения. Нынешние системы распознавания автомобильных номеров, как отечественные, так и импортные, разительно отличаются от своих предшественниц, скажем, пятилетней давности.
Разработчикам удалось решить немало сложных задач, и нынешним системам уже не страшны засветки автомобильными фарами, темнота, грязь на номерных знаках. Системы могут работать в широком диапазоне внешних условий, интегрируются с радарами, охранным и технологическим оборудованием, исполнительными устройствами и внешними базами данных. Они могут осуществлять учет автомобилей на паркинге, контролировать транспортный парк предприятия и регистрировать грузы, вести мониторинг транспортного потока целого города.
Вероятность безусловного распознавания (а это – главный показатель эффективности работы) у некоторых современных систем превышает 90 %.
Статьи по теме:
Видеонаблюдение
Советы домовладельцам по обеспечению безопасности
Три критических вопроса при выборе видеоаналитики для видеонаблюдения
FCC запрещает авторизацию оборудования для китайских телекоммуникаций и оборудования для видеонаблюдения, которое считается угрозой национальной безопасности
Перенос локального видеонаблюдения в облако
Hanwha Techwin переименовывается в Hanwha Vision
Перспективы использования цифровых систем передачи изображения по радиоканалу
Датчики нейроморфного зрения в смартфонах
Ambarella добавляет новую SoC с поддержкой искусственного интеллекта для камер безопасности
