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

НЕЙРОСЕТИ И ИНТЕРНЕТ ВЕЩЕЙ ВЫЗВАЛИ ПРОРЫВ В ВИДЕОНАБЛЮДЕНИИ

Хотя компьютерные и коммуникационные технологии, как и прежде, развиваются монотонно, подчиняясь закону Мура, тем не менее время от времени случаются синергетические переходы, когда возникают такие решения, которые выводят все составляющие отрасли на качественно новый уровень. В такие моменты открываются перспективы для самых разных приложений. Это правило в полной мере относится и к системам видеонаблюдения (Video Surveillance System, VSS). Здесь всего за несколько лет сложились условия для VSS нового поколения, которые стали называть «умными» (Smart surveillance). Появление Smart surveillance стало возможным благодаря двум основным современным трендам – интернету вещей и технологиям на базе нейронных сетей.

Революция интернета вещей

Хотя предпосылки к появлению интернета вещей (ИВ) можно обнаружить еще в конце 90-х прошлого столетия, когда британский технологический новатор и исследователь технологий радиоволновой идентификации (RFID) Кэвин Эштон предложил этот термин, и даже еще раньше – в написанных в 80-х годах работах американского электронщика Марка Вейзера по всепроникающему компьютингу (ubiquitous computing). Но реальностью ИВ стал только в начале текущего десятилетия. Интеллектуальные технологии намного старше, им более полувека, но их практическое внедрение стало возможным примерно в то же время, как и ИВ. Внедрение интернета вещей способствует совершенствованию сбора и возрастанию спектра и объема накапливаемых данных, а использование машинного интеллекта позволяет справиться с большим потоками информации и обеспечить более высокую эффективность аналитики.

Принципиальная новизна технологий ИВ состоит в возможности вложить в любую «вещь» невозможную прежде способность к поддержанию двусторонней связи с внешним миром. Ничего подобного раньше нельзя было даже представить, с ИВ радикально меняется представление не только о природе самих вещей, но и о возможностях трансформации окружающей среды. Этот тренд насколько силен, что он ведет к тектоническим сдвигам практически во всех областях человеческой деятельности. У интернета вещей колоссальное будущее. По экспертным оценкам, мировой объем рынка ИВ в 2020 г. достигнет $19 трлн. К этому времени к сети интернет будет подключено 50 млрд активных устройств, которые смогут получать и передавать данные. Это число будет увеличиваться со скоростью 250 устройств ежесекундно. Появление «вещей», способных «общаться» с миром, трансформирует многие сферы жизни и производства. Очевидно, что интернет вещей с неизбежностью изменит представления о системах видеонаблюдения.

Интернет вещей и видеонаблюдении

Миграция VSS на принципы интернета вещей является естественным продолжением эволюционного процесса. Ей предшествовали два шага, первый – создание цифровых систем на основе Internet Protocol (IP) в конце 90-х – начале 00-х годов, и несколько позже второй – внедрение методов межмашинного взаимодействия (Machine-to-Machine, M2M), которые, используя системы глобального позиционирования и мобильной связи, позволили осуществлять мониторинг удаленных и движущихся объектов. С технической точки зрения интернет вещей поддерживается тремя компонентами: мобильная связь 5G, облачный компьютинг (cloud computing) и периферийный компьютинг (edge computing). По совокупности они позволяют создавать целостные решения, где оконечные устройства, подключенные к интернету вещей, производят существенно больший, чем прежде, объем данных. При этом возникает известная проблема больших данных (Big Data). Эта проблема решается на двух уровнях – на нижнем уровне данные обрабатываются и фильтруются локально на интеллектуальных периферийных устройствах (edge computing), а оставшиеся передаются в облака (cloud computing), там они обрабатываются с применением современных аналитических средств.

В VSS, построенных на принципах интернета вещей, видеокамеры превращаются из устройств, лишь только фиксирующих изображения, в интеллектуальные датчики, способные собирать разнообразную информацию, предназначенную не только для систем безопасности. Они к тому же могут быть интегрированы в системы с более широкой функциональностью чем безопасность, например, в «умные города» – для комплексного слежения за освещением, транспортными потоками, работой светофоров, городского транспорта. В восточных странах эти комплексные решения (там они называются именно «Безопасным городом») уже используются в крупнейших мегаполисах: Сингапур, Янгон и Ханчжоу под завязку укомплектованы системами слежения. Они помогают фиксировать скопления людей и другие уличные процессы. Преимущество интеллектуальных камер состоит в возможности перепрограммирования и адаптации к динамически изменяющимся условиям.

Под влиянием интернета вещей функции VSS расширятся, они смогут стать органической частью самого широкого круга бизнес-систем. Средствами ИВ удастся объединить камеры с другими типами датчиков, что позволит создать единую систему слежения за сложными или опасными объектами. К числу таких потенциально опасных объектов относятся шахты и другие подземные выработки. Если интегрировать газоанализаторы, сейсмические и другие датчики с камерами, то удастся не только повысить безопасность труда, но и понизить эксплуатационные расходы.

Умные системы VSS помогут усовершенствовать работу здравоохранения, банков, ритейла и многих других. Нынешнее обеспечение физической безопасности останется одной из функций.

«Умное» видеонаблюдение

Системы VSS становятся «умными» в том случае, если их работа поддерживается smart-функциями. В основе работы VSS с элементами интеллектуальной системы служит машинное зрение. Под машинным зрением обычно понимают аппаратные и программные решения, позволяющие автоматически извлекать информацию из изображения, то есть отфильтровывать из потока ту часть данных, которая представляет интерес – это, например, могут быть лица людей, характерные позы или жесты. Машинное зрение не следует путать с обработкой изображения, в последнем случае результатом обработки является другое изображение, например, выделение номера автомобиля. Идея машинного зрения заключается в сравнении характеристик исследуемого изображения с заданной моделью. В виде модели может быть представлен облик человека или автомашины, поведенческие особенности и т.д. Чем точнее построена модель, тем лучше результаты машинного зрения.

комментарий эксперта

Юлия Ван, директор по развитию Hikvision Russia and CIS

«Мы являемся свидетелями драматической трансформации отрасли видеонаблюдения. Ее основным фактором выступает стремительное развитие интеллектуальных технологий и методов глубинного машинного обучения. Они позволили наделить видеокамеры «зрением», то есть возможностью не просто наблюдать действительность, но автоматически идентифицировать и фиксировать объекты и ситуации, а также анализировать их и даже принимать решения. Качество этого «зрения» будет быстро возрастать, как и сферы применения умного видеонаблюдения. Умное видеонаблюдение может повысить эффективность бизнеса, сделает повседневную жизнь человека гораздо комфортнее, а города – намного удобнее и безопаснее».

Большинство эксплуатируемых сегодня VSS с элементами интеллектуальных технологий относится к категории «rule-based», то есть в их основе лежат относительно несложные правила, сформулированные и заложенные в эти системы разработчиками. В правилах зафиксированы, например, признаки, по которым какой-то элемент изображения рассматривается как вызывающий тревогу. Программа, реализующая алгоритмы машинного зрения может размещаться на самой камере или на поддерживающем ее сервере.

Более перспективный подход к внедрению интеллектуальных технологий на базе алгоритмов глубокого обучения (Deep Learning) учитывает более сложные, не поддающиеся простой оценке признаки поведения (behavioral analytics). Схема решения любой задачи посредством машинного обучения состоит из двух этапов – собственно обучение модели и практическое использование этой модели, его называют «выводом» (inference). Обучение и вывод существенно различаются с методической и технической точки зрения. Для обучения требуются очень большие (чем больше, тем лучше) объемы «нормальных или тренировочных данных» (обычное поведение людей, автомобилей и т.д.), обучение модели выполняется на специализированных компьютерах. На данный момент в этом качестве обычно используются серверы на базе универсальных графических процессоров GPGPU. В процессе обучения данные нормализуются, классифицируются, подготавливаются к такому виду, чтобы на этапе вывода можно было обнаружить аномалии. В процессе эксплуатации обученной модели (на этапе вывода) не требуется такой высокой производительности, как в процессе обучения. Модель может быть загружена в компьютер с обычным процессором (CPU).

Использование методов искусственного интеллекта в VSS
обеспечивает целый ряд преимуществ:

  • Аналитика в режиме реального времени. При простой записи изображений анализ возможен только постфактум в режиме офлайн, то есть всегда с опозданием.
  • Неограниченная человеческим фактором производительность позволяет справиться с любыми потокам и данных.
  • Теоретически правильно обученная модель работает точнее, чем человек-оператор, но создание такой модели требует времени и усилий.
  • Исключается негативная роль человеческого фактора.
  • Включение методов искусственного интеллекта в технологии обработки изображений позволяет поднять качество распознавания.