Раздел: СТОП-КАДР Тема: CCTV (системы видеонаблюдения) Автор: Вячеслав ЛАТЫПОВ, проектно-технический инженер компании Dahua Technology
Автоматизация в настоящем и будущем систем видеонаблюдения
Технологии машинного обучения и глубокого обучения уже применяются в оборудовании для видеонаблюдения. Развитие компьютерных систем достигло такого уровня, что в ряде случаев участие человека уже не требуется. Использование автоматизации в системах машинного зрения предполагает, что компьютерная система сможет сама принимать сложные решения, выходящие за пределы узкоспециализированных алгоритмов, которые обладают весьма ограниченными возможностями и требуют участия человека. Возникает логичный вопрос: какую роль автоматизация играет в системах безопасности? Прежде всего стоит принять во внимание тот факт, что количество IP-видеокамер в мире (включая территорию России) быстро растет. По данным IHS Markit, только в Китае к 2020 г. ожидается увеличение количества видеокамер до 626 млн. Для эффективной работы такого количества устройств необходима автоматизация. Она используется для обработки поступающей от видеокамер информации и для ее хранения. Кроме того, сегодня видеонаблюдение используется не только для классических задач, но и для специализированных. Например, применение видеонаблюдения в области торговли предъявляет дополнительные требования к функциональным возможностям видеокамер: в этой сфере актуальны подсчет количества посетителей и генерация «тепловой карты». Требования к интеллектуальным функциям постоянно повышаются. Распознавание лиц становится все более точным, системы уже сейчас определяют пол, возраст и настроение людей. В сфере транспортной безопасности наряду с определением номера транспортного средства всё большую актуальность приобретает сбор дополнительной информации об автомобиле (цвет, марка и модель), определение факта использования ремня безопасности и разговора по телефону во время вождения. Применение автоматизации в системах машинного зрения требует использования машинного обучения (Machine Learning), в частности, «глубокого обучения» (Deep Learning). Машинное обучение (Machine Learning) основано на алгоритмах анализа данных, характерной чертой которых является возможность обучения в процессе решения множества сходных задач. Использование машинного обучения в сфере видеонаблюдения накладывает ряд серьезных ограничений на применение данной технологии. Например, для обнаружения разницы между объектами и фоном необходимо использовать множество классификаторов, таких как фильтры детекции градиентов, фильтры определения формы. Как результат долгое время при высоких требованиях к аппаратной части точность работы системы в ряде сценариев была низкой. Ситуация изменилась в середине 2000-х годов: с появлением высокопроизводительных видеопроцессоров компании Nvidia стало возможно использовать системы «глубокого обучения» в видеонаблюдении. Deep Learning («глубокое обучение») – это совокупность методов машинного обучения, основанных на обучении представлениям, а не на узкоспециализированных алгоритмах. В Deep Learning используется математическая модель нейронной сети. В основе лежит идея о том, что любой предмет состоит из других небольших объектов и более простых элементов. Таким образом, структура нейронной сети представляет собой определенное количество слоев. Благодаря быстрому увеличению производительности современных процессоров в плане соотношения «производительность на ватт» использование «глубокого обучения» в системах машинного зрения из возможности превратилось в реальность. За последние 10 лет производители процессоров и видеопроцессоров выпустили ряд решений, оптимизированных для работы с нейросетями, например, серию видеокарт Nvidia Tesla. Появились решения, предназначенные для применения в сфере машинного зрения, например, серия VPU Intel Movidius и Nvidia Jetson. «Глубокое обучение» расширяет возможности систем машинного зрения. «Классический» интеллектуальный алгоритм анализа видеоконтента основан на извлечении требуемых данных для их обработки с последующим сравнением и распознаванием. При этом на точность результата могут влиять различные факторы: изменение условий освещения, различные погодные условия. «Глубокое обучение» заменяет функции извлечения эффективными алгоритмами, которые способны работать в полуавтоматическом или автоматическом режимах, тем самым увеличивая точность обработки данных и уменьшая воздействие сторонних факторов. Таким образом, можно выделить следующие преимущества применения систем Deep Learning: • Новые функциональные возможности оборудования для видеонаблюдения. • Повышение производительности. • Увеличение точности отработки существующих интеллектуальных функций. Оборудование на базе технологии Deep Learning уже представлено на рынке. Среди них видеокамеры с функциями определения примет человека, которые способны определить пол, примерный возраст, настроение, наличие очков, маски. Кроме того, устройства распознают цвет одежды, наличие багажа и головного убора. Существуют видеокамеры с возможностью хранения базы лиц непосредственно внутри самого устройства. Со временем количество функций в таких решениях будет увеличиваться, а точность распознавания расти. Также уже сейчас доступны видеокамеры, определяющие не только номер транспортного средства, но и его детали: цвет, тип, марку и модель автомобиля. Новое поколение видеорегистраторов способно реализовать вышеперечисленные функции своими силами. Это означает, что заказчик может получить все преимущества интеллектуальных функций без необходимости замены существующих видеокамер – достаточно обновить видеорегистраторы. Существует и программное обеспечение, предназначенное для применения в проектах уровня «Безопасный город». Оно фиксирует скопления людей с последующей идентификацией участников. Будущее Эксперты в области систем машинного зрения признают преимущества технологии «глубокого обучения» и ясно осознают перспективы ее применения и возможности, которые получит индустрия распознавания образов. Например, для индустрии розничной торговли будет актуальным контроль выкладки и наличия товара на полках, распознавание лояльных покупателей, контроль очередей. Технология будет актуальна для медицины и управления автономными транспортными средствами, а также для контроля качества, выявления брака и сортировки материалов на производственных линиях. Новые технологии будут востребованы в крупных проектах уровня «Безопасный город», где необходимо обнаруживать и контролировать массовые скопления людей в режиме реального времени. Своевременное обнаружение большой группы лиц и передача всей оперативной информации о подозрительных лицах в ситуационный центр значительно увеличат уровень безопасности городов. Стоит отметить, что облачные системы значительно расширят свою функциональность. Видеонаблюдение превратится в услугу. Вместо регулярного использования интеллектуальной системы будет расти популярность разового обращения для получения анализа в связи с какими-либо событием. По просьбе заказчика провайдер загрузит видеоархив на облачный сервер, где и будет осуществлен поиск и анализ произошедшего с последующим формированием отчета.
Внимание! Копирование материалов, размещенных на данном сайте допускается только со ссылкой на ресурс http://www.tzmagazine.ru Рады сообщить нашим читателям, что теперь нашем сайте работает модуль обратной связи. Нам важна ваша оценка наших публикаций! Также вы можете задавать свои вопросы.Наши авторы обязательно ответят на них. Ждем ваших оценок, вопросов и комментариев!

Добавить комментарий или задать вопрос

Правила комментирования статей

Версия для печати

Средняя оценка этой статьи: 0  (голосов: 0)
Ваша оценка: