Раздел: СТОП-КАДР Тема: Системы видеонаблюдения Автор: Сергей Кульбака, директор по корпоративным продажам ITV Group
ИИ-видеоаналитика на разных платформах: сервер, камера, облако
Использование видеоаналитики в системах видеонаблюдения стало обычной практикой. В одних случаях она решает узкую задачу, например, обнаружение людей в определенной области. В других ситуациях видеоаналитика может применяться на всех камерах, например, для быстрого поиска в архиве. Так или иначе, она обеспечивает серьезное конкурентное преимущество в большинстве проектов. Детекторы, основанные на искусственных нейронных сетях, заслуживают особого внимания. Искусственный интеллект обеспечивает более высокую точность, чем классический алгоритмический подход. И хотя он требует больших вычислительных ресурсов, с развитием аппаратных нейроускорителей ИИ-видеоаналитика быстро набирает популярность. Это один из самых «горячих» трендов в современном видеонаблюдении. Видеоаналитика может работать на разных платформах: на видеокамерах и периферийных аналитических устройствах, на видеорегистраторах или серверах, в облаке. Какая архитектура лучше всего подходит для интеллектуальной системы видеонаблюдения? Однозначного ответа нет, правильным решением будет индивидуальный подход к каждой задаче. Рассмотрим особенности использования видеоаналитики на разных платформах. Видеоаналитика на сервере С серверной видеоаналитикой можно использовать любую камеру, главное, чтобы она обеспечивала достаточное качество изображения. Какое именно, зависит от задачи, но для многих стандартных задач, таких как обнаружение людей, огня и дыма, достаточно даже 360p. Важно, чтобы детектируемые объекты были четко отделимы от фона. В некоторых случаях предпочтительно применять цветную камеру, в других цветность не играет роли. Серверные решения предлагают самый большой выбор интеллектуальных детекторов. Любой вид аналитики – от распознавания номерных знаков и обнаружения возгораний до идентификации определенных объектов (люди, автомобили, велосипедисты) и распознавания поз (лежащий человек, поднятые руки) – может быть реализован на сервере с помощью соответствующего программного обеспечения. Еще одно преимущество серверных решений – возможность обучения ИИ-аналитики для решения нестандартных задач или достижения максимальной точности в конкретных условиях наблюдения. Вот некоторые распространенные примеры из нашей практики: • обнаружение нестандартных объектов, например, мешков с цементом и газовых баллонов (используется для подсчета продукции на конвейере), колесных пар вагонов (для контроля процесса обслуживания); • контроль применения средств индивидуальной защиты и экипировки на производстве; нестандартные ракурсы наблюдения, например, сверху (камера, установленная под крышей здания, используется для подсчета автомобилей на парковке); • сложные условия наблюдения: темнота, осадки, туман или высокая запыленность; применение тепловизоров для преодоления этих трудностей. Серверная видеоаналитика требует серьезных аппаратных ресурсов: мощный сервер, большой объем оперативной памяти, соответствующее охлаждение. Поэтому данное решение обычно используется в системах со средним и крупным бюджетом. В то же время применение аппаратных ускорителей нейронных сетей помогает создавать более экономичные решения. Если использовать менее дорогие камеры, общая стоимость системы с серверной аналитикой не обязательно будет выше, чем у решения с интеллектуальными камерами. Видеоаналитика на камере С развитием мобильных ИИ-чипов камеры становятся умнее, а цены на них снижаются. Видеоаналитика на камере позволяет исключить часть «лишних» вычислений и связанные с ними накладные расходы при одновременном повышении качества работы детекторов: видео может анализироваться перед сжатием, а на сервер могут передаваться только важные видеофрагменты, а не все подряд. Кроме того, серверу не придется декодировать видеопоток, что необходимо при использовании серверной видеоаналитики. Проще решается и вопрос охлаждения, так как источники тепла рассредоточены в пространстве. За счет всего этого общая стоимость владения системой с интеллектуальными камерами зачастую оказывается ниже, чем у традиционной системы, состоящей из обычных камер и мощного сервера или видеорегистратора. При использовании аналитики на камере важно выбрать модель, подходящую для задачи. На рынке уже представлен широкий спектр устройств, которые хорошо справляются со стандартными задачами, такими как обнаружение и подсчет людей и распознавание номерных знаков. К тому же в этой области идет быстрый прогресс. Еще один момент, который следует учесть, это поддержка аналитики камер на стороне сервера. Ранее все производители камер использовали свои собственные протоколы для передачи событий и метаданных, поэтому требовалось или интегрировать каждую линейку / модель устройств с программной платформой видеонаблюдения (VMS), или использовать камеры и регистратор одного производителя. Упростить ситуацию призван протокол ONVIF. Самым большим достижением в этой области на данный момент стал ONVIF Profile M, который предоставляет стандартный метод обмена метаданными и событиями между устройствами и сервисами, поддерживающими видеоаналитику. Этот относительно новый стандарт пока поддерживается ограниченным набором камер и VMS, но их количество растет. Периферийные устройства видеоаналитики Специализированные периферийные устройства видеоаналитики устанавливаются между камерой и сервером. Обычно они представляют собой недорогие компьютеры с низким энергопотреблением, способные обрабатывать несколько видеопотоков. Как правило, одно такое устройство может превратить 3–4 обычные камеры в умные. В то же время периферийные устройства предлагают расширенные функции, которые редко можно встретить в интеллектуальных камерах, например, загрузку предварительно обученных нейронных сетей и других типов программного обеспечения для решения аналитических задач. В целом периферийные устройства делают архитектуру системы видеонаблюдения более гибкой, помогая объединить преимущества распределенных вычислений с применением стандартных камер. Облачная видеоаналитика Видеоаналитика, полностью работающая в облаке, предлагается вместе с решениями «видеонаблюдение как услуга» (VSaaS). Ее производительность не ограничивается ресурсами оборудования на объекте. Провайдер может гибко масштабировать вычислительные ресурсы в облаке и выделять объем, необходимый для каждого пользователя в соответствии с текущей рабочей нагрузкой. Так как большинство пользователей не применяет аналитику постоянно, это обеспечивает своего рода экономию за счет масштаба, поэтому облачная видеоаналитика предлагается за разумную абонентскую плату. При отсутствии высоких затрат на оборудование и внедрение сложная аналитика, такая как распознавание лиц и номеров, становится более доступной для малого бизнеса и даже домашнего использования. Основной недостаток облачной аналитики – необходимость передавать весь видеопоток с каждой камеры в облако для обработки. Для этого на каждом объекте, использующем несколько камер, должен быть широкополосный интернет; кроме того, видеоаналитика будет работать с небольшой задержкой. С другой стороны, интеллектуальные камеры и периферийные аналитические устройства могут применяться в рамках системы VSaaS, что помогает создавать более выгодные решения и снижать требования к сети. Выводы Выбор оптимальной платформы для видеоаналитики зависит от задачи. Аналитика на камере может стать хорошим решением для стандартных задач. Для нестандартных условий или когда требуется повышенная точность детектирования, специально обученная видеоаналитика на сервере будет лучшим вариантом. Провайдеры VSaaS предлагают доступные опции для распространенных задач малого и среднего бизнеса. Интеллектуальные периферийные устройства помогают оптимизировать архитектуру решения, объединяя преимущества разных типов систем.
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: 1  (голосов: 3)
Ваша оценка: