Сегодня предприятия малого и среднего бизнеса выдвигают множество требований к системам безопасности. Необходимо в режиме реального времени идентифицировать угрозы и реагировать на нарушения периметра, выявлять ложные тревоги, автоматизировать поиск по архиву и многое другое. Для решения всех этих задач была разработана технология Hikvision AcuSense, которая обладает не только расширенной функциональностью по анализу видеоконтента, но и обладает способностью идентифицировать объекты и события, которые не представляют реальной угрозы.
Оператор видеосистем безопасности на объектах обычно сталкивается с такими помехами, как свет, дождевые капли, паутина, движение листьев, птиц или животных – все это может провоцировать ложные тревоги. Как результат, возникает целый ряд проблем, в том числе: большое количество ненужной информации, снижение эффективности тревожной сигнализации, увеличение стоимости эксплуатации за счет дополнительных проверок по ложным тревогам, снижение уровня удовлетворенности пользователя работой системы безопасности.
В настоящее время эффективность традиционных алгоритмов систем видеонаблюдения снижается. Происходит это по нескольким причинам. Количество устройств для видеонаблюдения стремительно растет, а вместе с ними и объем необработанных данных. Традиционные алгоритмы систем видеонаблюдения справляются с обработкой полученной информации только на поверхностном уровне, что вызывает такие недостатки систем безопасности, как низкая точность выявления угроз и распознавания объектов, более высокие требования к условиям окружающей среды, меньшее количество распознаваемых типов объектов.
Алгоритмическая модель глубокого обучения имеет значительно более сложную архитектуру по сравнению с традиционными моделями. При использовании технологий глубокого обучения исходный сигнал проходит через несколько слоев обработки, в результате чего алгоритм трансформирует частичное понимание (поверхностный уровень) в общую закономерность (глубокий уровень), на основе которой и происходит восприятие изучаемого объекта.
Глубокое обучение не требует ручного управления, вся информация считывается и обрабатывается при помощи компьютера. Чем больше необходимых свойств объекта находит алгоритм, тем более точными будут классификация и распознавание.
Объем данных. Развитие взаимодействия пользователей и большего вовлечения приводит к увеличению объема данных. Так создается большое количество материала для качественного обучения, а модели объектов для распознавания в системах видеонаблюдения становятся более точными.
Вычислительные мощности. Глубокое обучение стало возможным благодаря активному развитию графических процессоров, суперкомпьютеров, вычислений в облачной среде и других высокопроизводительных аппаратных платформ.
Сетевая архитектура. Алгоритмы глубокого обучения постоянно оптимизируются, что повышает качество и точность распознавания.
Фрэнк Чжан (Frank Zhang) , генеральный директор отдела международного маркетинга Hikvision: «Технология AcuSense является передовой на рынке видеонаблюдения. Сейчас мы доказываем пользу алгоритмов глубокого обучения для IP-решений. Наш следующий шаг заключается в том, чтобы предоставить эти инновационные технологии пользователям аналоговых устройств.
Еще недавно функции наблюдения, такие как видео высокой четкости, цветное ночное видео, автоматические стробоскопы и звуковые сигналы тревоги, были недоступны для многих небольших организаций. Теперь мы сделали их доступными для малого и среднего бизнеса, помогая их владельцам повысить уровень безопасности объектов».
Программное обеспечение для обнаружения лиц анализирует изображения и определяет присутствие на них людей. После этого система определяет положение, размеры и выражение лица. На основании видеопотока алгоритм глубокого обучения определяет, человек в кадре или нет, после чего фиксируется положение, размер и основные характеристики попавших в кадр людей. После сравнения изображения с лицами в базе данных, человек проходит идентификацию.
Фильтр ложных тревог позволяет системе производить повторное распознавание людей в рамках анализа поведения (обнаружение пересечения линии, вторжения). Таким образом система эффективно устраняет ложные сигналы тревоги, спровоцированные падающими листьями, тенями, бликами, животными и т.д.
Функция подсчета количества людей (входящих, выходящих или проходящих по определенной области) на базе алгоритма Deep Learning дополняется специальными фильтрами. Благодаря этому система безопасности может выявлять праздношатающихся людей, вести подсчет даже при нестандартном ракурсе, фильтровать объекты в кадре по высоте.
Структурирование данных об автомобилях становится более простым. Алгоритм использует для автоматического формирования базы такие данные об автомобиле, как регистрационный номер, цвет, модель, марка и т.д., что впоследствии может использоваться для поиска транспортного средства.
Поиск людей по чертам тела позволяет системе использовать фотографию человека в полный рост для поиска совпадений на других изображениях и по видеокадрам.