При поддержке:
logo
logo

Видеонаблюдение: вызовы и решения

Читайте также

Что общего у Сеула и Москвы? Результаты 10 лет работы Hikvision в России Уходящие в ночной дозор: как работает видеонаблюдение в темноте «РЖД Арена»: как внедрить видеонаблюдение, одновременно соответствующее российским стандартам и требованиям УЕФА

Что дает видеонаблюдение малому и среднему бизнесу

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.

Причины ложных тревог в системах видеонаблюдения

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.

Обучение: от поверхностного к глубокому

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.


Фильтрация ложных тревог на основании классификации объектов

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.

Ключевые факторы глубокого обучения

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.

комментарий эксперта

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».

Какие задачи помогает решать алгоритм Deep Learning

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.

Сферы применения систем на базе алгоритма Deep Learning

Розничная торговля

Традиционным розничным магазинам требуется точный анализ поведения клиентов для получения конкурентных преимуществ. Специальные модули подсчета людей помогают выявлять периоды максимальной загруженности, в соответствии с которыми можно выстраивать графики работы сотрудников.

Немаловажную роль в сокращении издержек играет также и предотвращение краж. Система распознает лица и информирует компетентных сотрудников торговой точки, когда на территорию магазина заходит «постоянный вор». Такие данные можно распространить по всей сети магазинов.

Строительство

Наиболее распространенные требования объектов строительства к системам безопасности – обеспечение надежного контроля доступа, а также охрана периметра. Системы на базе глубокого обучения позволяют обнаружить присутствие человека и проанализировать его поведение, оповестить службу безопасности при взломе, контролировать доступ в здание с помощью камер с функцией распознавания лиц, сообщая при этом обо всех подозрительных посетителях. Кроме того, система самостоятельно фиксирует время прихода на объект и ухода с него.

Умный город

Алгоритмы глубокого обучения уже сейчас используются в проектах «Безопасный город» для идентификации конкретных людей и анализа поведения людей и движения автомобилей. Эти данные могут быть использованы для поиска беглых преступников, пропавших людей, предотвращения преступлений, нарушений правил парковки и т.д.

Также алгоритмы Deep Learning могут применяться для обеспечения безопасности аэропортов, вокзалов, таможенных и пограничных пунктов, крупномасштабных объектов и многих других.