Видеоаналитика (ВА) находит все более широкое применение в системах видеонаблюдения для повышения уровня защищенности и безопасности различных объектов благодаря разработке алгоритмов искусственного интеллекта (ИИ), которые, к тому же, способны еще и обеспечивать эффективную бизнес-аналитику в интересах коммерческих организаций. Данная статья содержит информацию о том, что означает термин «видеоаналитика», как развивалась и как работает эта технология, какие преимущества она предоставляет конечным пользователям.
Переход от традиционных аналоговых технологий видеонаблюдения к цифровым решениям открыл специалистам в области безопасности доступ к гораздо более широким функциональным возможностям. IP-камеры создают оцифрованные потоки видеоданных, которые могут передаваться по сетевым кабелям или через Wi-Fi. Это коренным образом меняет назначение систем видеонаблюдения (СВН) и охранного телевидения (CCTV), превращая их из инструментов реагирования на случившиеся события в проактивные инструменты реального времени.
В последние годы под программным обеспечением для CCTV все чаще подразумевается именно видеоаналитика: обработка визуальных данных, поступающих от сетевых камер, обнаружение и анализ событий в режиме реального времени. Используя ИИ и огромную вычислительную мощность современных компьютеров, существующие аналитические платформы могут теперь выполнять подсчет людей, тепловое картирование, распознавание лиц и множество других функций, позволяющих операторам отслеживать подозреваемых лиц и выявлять важные детали на фоне помех, - и все это без постоянного контроля со стороны человека.
Это крайне важно, учитывая тот факт, что каждый сотрудник службы безопасности в среднем контролирует от 25 до 50 видеокамер. Согласно блогу компании 3S Security Systems, цитируемому электронным журналом «Security and IoT» (asmag.com), проведенные в США исследования показали, что персонал, наблюдающий за видеосистемами, начинает испытывать усталость «уже через 12 минут с момента начала мониторинга, пропуская до 45 % активности в сценах камер. Через 22 минуты этот показатель возрастает до 95 % пропущенной активности».
«Использование видеоаналитики позволяет одному человеку следить за большим количеством камер и сокращает число пропущенных критических событий», - говорится в блоге, - «что обеспечивает возможность быстрого принятия мер для предотвращения преступления, а не просто для обычного реагирования на последствия инцидента».
Существует три различных типа видеоаналитики: аналитика по фиксированным алгоритмам, аналитика обучаемых алгоритмов искусственного интеллекта и распознавание лиц. Все они связаны с обработкой цифровых видеосигналов специальными программными средствами для выполнения определенных функций, повышающих уровень безопасности.
Первые два типа ВА (аналитика по фиксированным алгоритмам и аналитика обучаемых алгоритмов искусственного интеллекта) обнаруживают подозрительное поведение объектов на изображениях, формируемых видеокамерами, и выдают предупреждения сотрудникам служб безопасности, следящим за этими камерами.
Аналитика по фиксированному алгоритму выполняет определенную задачу и ищет специфическое поведение объекта в кадре – например, когда человек движется против потока, оставляет или, наоборот, поднимает какой-либо предмет, бесцельно слоняется или выходит за пределы очерченной области.
Тем временем алгоритмы искусственного интеллекта обучаются «на работе» в результате постоянного взаимодействия с камерой в течение нескольких недель. За время обучения камера начинает «понимать», что является «нормальным», и выдает предупреждения, когда в кадре происходит что-либо, выходящее за рамки этого опыта.
Пример работы такого подхода был приведен в книге «Эффективная физическая безопасность» Томаса Л. Нормана: «В одном из ранних решений видеоаналитики, установленном в крупном международном аэропорту и предназначенном для обнаружения детей, взбирающихся на багажную карусель, система выдала предупреждение на человека, который взял небольшую сумку с карусели и поместил ее в пустую сумку большего размера. Мужчину задержали и допросили, в результате чего выяснилось, что багаж ему не принадлежал, а сам он состоял в преступной группе, которая таким образом регулярно совершала хищения багажа в аэропорту. До этого момента служба безопасности аэропорта даже не подозревала, что такое вообще возможно, и поэтому никак не могла приобрести для своей системы фиксированный алгоритм видеоаналитики, отслеживающий подобное поведение, даже если бы таковой и существовал (чего на самом деле не было)».
В свою очередь, системы распознавания лиц используются для контроля доступа и выявления субъектов угроз. Данные от систем распознавания лиц также могут быть использованы в рамках расследования, если в результате их работы было идентифицировано «лицо, представляющее интерес».
Алгоритмы распознавания сопоставляют определенные точки на лице человека, зафиксированного камерой, с образцом, хранящимся в базе данных системы. Если совпадения нет, система пытается создать новую запись (новый образец), используя наилучшее доступное изображение субъекта. Новые версии алгоритмов распознавания лиц могут обрабатывать в режиме реального времени трехмерные изображения, но при этом существенно возрастают и базы данных.
Субъект также может быть идентифицирован с помощью «безликого распознавания», когда некоторые физические характеристики, такие как рост, осанка и телосложение, могут быть использованы для идентификации человека в толпе.
Большинство камер, представленных сегодня на рынке, используют так называемую «аналитику на борту», при которой аналитическая обработка данных выполняется непосредственно на самой камере или на сетевом коммутаторе, вместо ожидания их отправки в централизованное хранилище (на сервер). Некоторые эксперты считают, что такие камеры лучше всего подходят для организации видеонаблюдения внутри помещений, но только с обязательным контролем уровня освещенности.
А вот проблемы наружного наблюдения, связанные с освещением, погодой, насекомыми и т.д., по их мнению, лучше решают технологии серверной видеоаналитики. Серверная архитектура позволяет быстрее получать обновления, производить модернизацию алгоритмов, а также обладает значительно большей вычислительной мощностью. Однако этот метод чреват накоплением большого количества данных, поэтому в системе необходимо устанавливать определенные лимиты на то, что является актуальным, а что нет.
С точки зрения производителей ВА серверная аналитика является более предпочтительной в силу того, что на ее базе быстрее и проще разрабатываются и внедряются различные усовершенствованные алгоритмы. Кроме того, серверные архитектуры способны обеспечивать гораздо большую вычислительную мощность, что позволяет использовать самые передовые методы обработки данных, основанные на глубоком обучении/искусственном интеллекте.
Несмотря на то что видеоаналитика открывает новые возможности в отрасли безопасности, ее успех не был достигнут в одночасье.
Поскольку видеоаналитика «первого поколения» работала по принципу обнаружения изменений пикселей в определенных частях видео, то открывающаяся дверь, развевающиеся на ветру ветки дерева или проходящее мимо животное могли вызывать тревогу – и поэтому ложные срабатывания были обычным явлением!
Своего «совершеннолетия» первое поколение ВА достигло к тому времени, когда интеллект камер стал позволять интерпретировать увиденное и обладать функциональностью в отношении таких параметров, как соотношение высоты и ширины, скорость объекта и повторяющиеся движения. В то же время усовершенствование CMOS-сенсоров помогло обеспечить получение четкого изображения в условиях недостаточного и меняющегося освещения.
В статье для Security Infowatch.com доктор Боб Банерджи, руководитель подразделения обучения и развития департамента безопасности компании NICE Systems, отметил следующее: «Если видеоаналитика первого поколения была нацелена на оповещение в реальном времени и минимизацию ложных тревог, то технология второго поколения сосредоточена на предоставлении криминалистических инструментов для поиска видео после события».
Банерджи выбрал следующий пример, чтобы проиллюстрировать разницу: «Если произошло ограбление, и кто-то видел, как подозреваемые скрылись на белом фургоне, вы можете поискать на камере все белые фургоны, которые проезжали мимо этого места за весь предыдущий день. Или, если ситуация была связана с разбойным нападением человека, одетого в красную одежду, вы можете поискать в камере за последние три часа всех людей в красной одежде».
«Видеоаналитика второго поколения помогала восстанавливать то, что произошло; однако она была разработана, скорее, как инструмент судебной экспертизы, а не как инструмент, который существует, чтобы сообщить вам, где находится фургон или человек прямо сейчас, всего через несколько мгновений после того, как вы о них услышали. Это чувство незамедлительности — вот что имеет решающее значение в реагировании и смягчении последствий».
Несмотря на важность аналитики после инцидента для выявления доказательств, отличительной особенностью аналитики третьего поколения стала возможность отслеживать текущую ситуацию и предоставлять информацию в режиме реального времени. Например, используя изображение нарушителя или даже просто его описание, можно быстро провести поиск по базе данных и, если нарушитель все еще находится в здании, определить его местонахождение.
«Видеоаналитика, которая отслеживает подозреваемых по мере их перемещения от камеры к камере – вперед и назад во времени, – обеспечивает гораздо большую осведомленность о ситуации и ускоряет расследование, чтобы власти могли задержать подозреваемых до того, как ситуация обострится», - отмечает Банерджи.
С развитием аналитики на основе искусственного интеллекта, машинного обучения и алгоритмов глубоких нейронных сетей (DNN) анализ, производимый камерой, стал более точным, получил возможности по обнаружению конкретных объектов и различий между ними.
Видеоаналитика используется для широкого спектра задач, включая, как упоминалось выше, распознавание лиц. Вот некоторые из наиболее распространенных:
Объект обнаруживается, после чего траектория его движения отслеживается в поле зрения одной камеры. Например, так может быть обнаружен объект, пересекающий заранее обозначенную виртуальную линию, а также установлено направление его движения.
Другой вариант - трекинг с несколькими камерами, при котором объект отслеживается от одной камеры к другой.
Это приложение ВА может обнаруживать и отслеживать движение транспортных средств и людей на улице и используется для управления дорожным движением, визуального наблюдения, криминалистики, взаимодействия человека с объектом, распознавания жестов и дополненной реальности. Аналитика отслеживания объектов на основе искусственного интеллекта позволяет определить тип объекта, например, отличить транспортное средство от человека.
Этот вид аналитики определяет появление и исчезновение статических объектов в определенной области. Этот тип обнаружения часто используется в аэропортах или метро, начиная с обеспечения безопасности пожарных лестниц и заканчивая выявлением потенциальных угроз взрыва.
Эта функция определяет, когда человек или транспортное средство надолго остаются в поле зрения камеры или в специально очерченной зоне. Некоторые системы в настоящее время также определяют признаки подозрительного поведения, что называется поведенческим обнаружением.
Приложение обнаруживает и подсчитывает людей в определенной зоне, позволяя осуществлять контроль заполняемости помещений, оценку пропускной способности, показатели продаж и конверсии, персонализированный опыт посетителей и измерение операционной эффективности. Этот процесс был особенно востребован во время острой фазы пандемии COVID, когда розничные магазины и супермаркеты могли легко отслеживать, сколько людей находилось в магазине в любой момент времени.
Для отслеживания людей требуется больше информации, включая данные по обнаружению движения и распознаванию лиц. Приложение может использоваться для обнаружения нарушителей, определения движения в неправильном направлении, подсчета людей, физического дистанцирования и анализа поведения клиентов.
Обнаружение толпы — это технология наблюдения в реальном времени, которая позволяет оценить плотность скопления людей для оценки вместимости или заполненности в пределах определенной территории. Области применения данного приложения включают подсчет людей, контроль поведения людей на общественных мероприятиях, управление людьми при стихийных бедствиях, мониторинг безопасности, военное управление и обнаружение подозрительной активности.
Эта функция ВА определяет момент и выдает предупреждение, если в поле зрения камеры произошли значительные изменения, например, появилось препятствие, отключилось питание, камера была перемещена, закрашена и т.д.
Видеодетектор движения VMD (от англ. Video Motion Detection) определяет наличие физического движения в заданной области в режиме реального времени. Аналитика обнаружения движения встроена в IP-камеры, сетевые видеорегистраторы, а также в серверные приложения ВА и системы управления видео (VMS). Функции VMD широко используется в приложениях, связанных с вооруженными силами, критически важными инфраструктурными объектами, робототехникой, а также в сфере развлечений, спорта и здравоохранения.
В настоящее время функции обнаружения движения также используются в системах охраны жилья, причем пользовательское приложение получает уведомление, если человек, находящийся в поле зрения камеры, начинает приближаться к объекту.
ANPR использует технологию оптического распознавания символов OCR (от англ. Optical Character Recognition) для считывания и идентификации номерных знаков автомобилей с помощью камер охранного телевидения, камер уличного видеонаблюдения, камер правоохранительных органов или специальных высокоскоростных камер ANPR, установленных на элементах дорожной инфраструктуры.
Видеоаналитика PTZ с автоматическим управлением позволяет камерам наблюдения осуществлять трекинг людей и увеличивать их изображение. Автоматический PTZ также позволяет сотруднику службы безопасности работать в режиме многозадачности.
Видеоаналитика служит не только для обеспечения исключительно задач безопасности, но и для управления движением транспорта и людских масс, анализа пешеходных потоков, социального дистанцирования или распознавания лиц, скрытых под масками.
Все чаще устройства видеонаблюдения интегрируются с другими платформами физической безопасности и управления зданиями в целях получения более интеллектуальных данных для руководителей служб безопасности и лиц, управляющих объектами.
Несомненно, ВА является привлекательным вариантом для многих объектов. Предотвращая потенциальные инциденты, владельцы этих объектов экономят на расходах, связанных с повреждением имущества и активов, кражами и нарушением общей непрерывности бизнеса.
В то же время, плохо или хорошо, автоматизированные системы позволяют управлять количеством персонала, необходимого для охраны. Если нарушения периметральных ограждений и т.д. обнаруживаются автоматически, требуется меньше персонала. Кроме того, видеоаналитика снижает вероятность рисков для сотрудников и клиентов.
Видеоаналитика может быть подключена к другим системам, таким как управление освещением или управление доступом, активируя их только в случае необходимости.
В отчете Европейской комиссии «Внедрение видеоаналитики: Ключевые соображения для конечного пользователя» отмечается, что «видео является актуальным способом доказательства невиновности или ответственности. Использование видеоаналитики для поиска ключевых инцидентов в качестве доказательств избавляет от необходимости вручную просеивать видео. Это напрямую влияет на юридические, судебные и страховые расходы, а также экономит время и деньги благодаря отсутствию необходимости вручную просматривать видео».
Видеоаналитика представляет собой универсальный инструмент, который может использоваться в самых разных сферах.
Помимо наиболее очевидных сценариев использования ВА для обеспечения безопасности, существуют и другие примеры ее эффективного применения:
Помимо экономии средств на обеспечении безопасности (например, за счет предотвращения краж в магазинах), видеоаналитика в долгосрочной перспективе может приносить и дополнительную прибыль. В секторе розничной торговли ВА используется для отслеживания опыта и поведения покупателей (например, направление взгляда и продолжительность нахождения), что позволяет определять более эффективные места для размещения товара и тем самым повышать продажи.
Помимо обеспечения безопасности персонала, пациентов и посетителей, больницы используют видеоаналитику для защиты от кражи лекарств и даже от похищения младенцев. Что касается ухода за пациентами, то алгоритмы ВА помогают убедиться в том, что медицинский персонал совершил все необходимые визиты и действия.
Когда уход за пожилыми людьми осуществляется на дому, видеоаналитику можно использовать для вызова помощи в случае их падения, а также для контроля своевременного принятия ими лекарств.
Видеоаналитика может управлять светофорами и контролировать пробки, следить за скоростью движения, а также выявлять такие опасные факторы, как несанкционированные остановки транспортных средств, неаккуратное вождение или ДТП с автомобилями. Функция автоматического распознавания номерных знаков ANPR (от англ. Automatic Numberplate Plate Recognition), как упоминалось выше, может выявлять угнанные или подозрительные автомобили.
Видеоаналитика используется в логистике и производстве для оптимизации управления запасами и выпуском продукции, повышения контроля качества и эффективности, а также для обеспечения безопасности. Функции ВА используются для раннего обнаружения инцидентов, когда время реагирования может иметь решающее значение, а распознавание поведения - автоматически определять наступление несчастных случаев на ранней стадии.
