Эволюция видеокамер создаёт новые возможности
Искусственный интеллект и видеоаналитика или подмножества ИИ, известные как машинное и глубокое обучение, могут фундаментально изменить ценностное представление о роли физических камер безопасности в инфраструктуре для больших и малых организаций.
Современные сетевые видеокамеры с поддержкой искусственного интеллекта постепенно выходят за рамки своей первоначальной функции визуальной записи событий и превращаются в интеллектуальные датчики, способные обнаруживать и описывать объекты и поведение во все возрастающих деталях.
Более того, современные видеокамеры на базе искусственного интеллекта позволяют оперативным подразделениям и службам безопасности перейти от простого реагирования на прошлые события к проактивному реагированию на ситуации в режиме реального времени и предотвращению их эскалации.
Искусственный интеллект против аналитики – в чем разница?
В мире видеонаблюдения искусственный интеллект и аналитика часто упоминаются взаимозаменяемо, что может привести к путанице.
В контексте камер наблюдения искусственный интеллект, или, в частности, глубокое обучение, используется для визуального обнаружения объектов в поле зрения камеры. Камера на базе искусственного интеллекта была обучена, в научно-исследовательской лаборатории, распознавать человека или транспортное средство, а также фиксировать набор определяющих характеристик или атрибутов объекта. Характеристики могут включать цвет носимой одежды, приблизительный возраст и пол, а также дополнительные предметы, которые можно носить или переносить с собой, такие как шляпы, очки или сумки.
Аналитика нужна для определения того, что делает объект. Пересек ли он черту или вошел в зону? Не слоняется ли он без дела на одном месте сверх того, что мы могли бы ожидать? Может быть, машина едет не в ту сторону по улице с односторонним движением? Подсчет людей — еще один пример аналитического подхода. Затем эти данные преобразуются в данные, которые передаются вместе с видео, что делает поиск объектов с определенными характеристиками молниеносным по сравнению с тем, как человек вручную просматривает многочасовой отснятый материал. При желании аналитика также может запускать сигналы тревоги или уведомления, которые могут быть отправлены в службу безопасности.
Подводя итог, можно сказать, что в своей самой базовой форме алгоритмы машинного и глубокого обучения (они же искусственный интеллект) обнаруживают и описывают объекты, в то время как аналитика анализирует, что делают объекты, и сообщает о них.
Глубокое обучение и извлечение данных из визуальных образов
Когда мы говорим об искусственном интеллекте в индустрии физической безопасности, мы обычно имеем в виду подмножество более широкой области искусственного интеллекта. Машинное обучение и глубокое обучение — это оба типа искусственного интеллекта, которые позволяют компьютерам обучаться без явного программирования.
Машинное обучение — это широкий термин, который охватывает любой тип искусственного интеллекта, который учится на основе данных.
Глубокое обучение — это подмножество машинного обучения, которое использует искусственные нейронные сети для обучения на основе данных.
Искусственные нейронные сети основаны на человеческом мозге, и их можно использовать для выполнения широкого спектра задач, включая распознавание изображений, обработку естественного языка и распознавание речи.
Одним из ключевых преимуществ глубокого обучения является то, что оно может извлекать уроки из больших объемов данных и обрабатывать эти данные с их же помощью. Видео, по сравнению с чем-то вроде электронной таблицы с цифрами, представляет собой большой объем данных. В области искусственного интеллекта видео часто называют неструктурированными данными (изображения, аудио) в отличие от структурированных данных (числовых, категориальных), которые более организованы и их легче анализировать.
Несмотря на то, что алгоритмам глубокого обучения гораздо сложнее обрабатывать неструктурированные данные, алгоритмы могут удивительно хорошо справляться с распознаванием изображений при наличии достаточного количества обучающих данных. Это связано с тем, что искусственные нейронные сети могут изучать сложные закономерности в данных, которые были бы трудны для изучения традиционными алгоритмами машинного обучения.
Именно по этой причине глубокое обучение особенно эффективно при идентификации объектов на изображениях. Сегодня видеонаблюдение стало основным источником неструктурированных «больших» данных. Используя глубокое обучение, мы можем разобраться в горах отснятого видео, и это поможет нам найти пресловутую иголку в стоге сена.
Делать больше с меньшими затратами
Глубокое обучение позволило командам безопасности по всему миру лучше справляться с имеющимися у них ограниченными ресурсами. Использование камеры наблюдения с функцией распознавания объектов означает, что новые и уникальные криминалистические исследования могут быть проведены за ничтожную долю времени, которое потребовалось бы команде людей для выполнения вручную.
Аналогичным образом, поскольку результаты поиска могут быть сохранены, мы можем, например, отслеживать известные типы транспортных средств, которые подозреваются в совершении преступлений в каком либо районе. Когда некий красный фургон остановится у ювелирного магазина в 4 утра, мы хотим, чтобы службы безопасности получили сигнал тревоги. Если кто-то бродит по погрузочным докам в нерабочее время, сотрудники службы безопасности хотят знать об этом. Глубокое обучение — это то, что позволяет командам безопасности занять более активную позицию по отношению к потенциальным угрозам, а не только реагировать на прошлые события.
Наличие традиционной “пиксельной” камеры обнаружения движения в описанных выше сценариях привело бы к срабатыванию оповещения каждый раз, когда происходит резкое затенение или в поле зрения камеры попадает свет от фар автомобиля, вызывая непрерывные ложные срабатывания. Глубокое обучение и обнаружение объектов делают аналитику, основанную на движении, по-настоящему полезной.
Выход за рамки безопасности
В то время как преимущества глубокого обучения для рынка физической безопасности легко понять, камеры видеонаблюдения также используются организациями для анализа видеоматериалов и извлечения значимой информации о продажах и операционной деятельности. Используя алгоритмы глубокого обучения для анализа видеоматериалов в режиме реального времени, компании могут извлекать данные о поведении клиентов, такие как характер пешеходного движения (с помощью тепловых карт) и эффективность размещения продукта.
Собирая и анализируя эти данные, организации могут улучшить свою деятельность, оптимизировать планировку магазинов и улучшить качество обслуживания клиентов. Например, розничные продавцы могут использовать видеоаналитику для определения популярных торговых зон и корректировки планировки своих магазинов для увеличения продаж. Они также могут использовать данные для оптимизации численности персонала, сокращения очередей и улучшения управления запасами.
В здравоохранении видеоаналитика может использоваться для мониторинга передвижения пациентов и посетителей и улучшения общего качества обслуживания пациентов. На транспорте видеоаналитика может быть использована для улучшения транспортного потока и снижения аварийности. На производстве видеоаналитику можно использовать для мониторинга производственных линий и повышения эффективности. Новейшие инструменты искусственного интеллекта могут запоминать всю сцену целиком, отслеживать запасы на полках магазинов или на складе и уведомлять персонал, когда запасы заканчиваются.
В целом, видеоаналитика на основе искусственного интеллекта становится все более важной для организаций, стремящихся использовать возможности больших данных для улучшения своей деятельности и принятия решений, основанных на данных.
Глубокое обучение, улучшение изображения
Хотя глубокое обучение, безусловно, является благом для аналитики, эти алгоритмы также используются для повышения качества изображений и снижения пропускной способности сети. Например, глубокое обучение может информировать систему обработки изображений в камере о том, какие пиксели представляют человека или транспортное средство в движении. Таким образом, камера может автоматически уменьшать шум и призрачность в условиях низкой освещенности вокруг движущегося объекта, не влияя на статичные объекты и фон изображения.
Аналогично, знание того, какие пиксели представляют известный объект, может помочь кодировщику расставить приоритеты для этих пикселей по сравнению с фоновым изображением. Это повышает эффективность кодирования и экономит ценную пропускную способность сети и объем хранилища без ущерба для качества.
Поскольку технология глубокого обучения продолжает быстро развиваться, есть уверенность, что в ближайшее время мы увидим еще более инновационные и мощные приложения для обеспечения безопасности, бизнеса и оперативной аналитики.
Возможности и приложения, открываемые этим впечатляющим инструментом, ограничены только нашим воображением. Любая организация должна быть в состоянии быстро определить способы, с помощью которых эта мощная технология может помочь стимулировать рост и доходы, одновременно защищая активы и отдельных лиц.
Источник: по материалам сайта «securitytoday.com«