 Время обычных систем охранного телевидения осталось в далеком прошлом. Сегодня никого не удивишь видеозаписью с камеры наблюдения, это уже повседневность. Пришла пора инноваций, освоения новых вычислительных ресурсов, IP-камер с детекторами движения на борту и прочих смышленых «гаджетов» для систем безопасности. И в век высоких технологий в науке о видеонаблюдении появилось новое веяние с заманчивым названием «видеоаналитика». Что ж, рынок довольно быстро заинтересовался новым трендом, а ушлые маркетологи возвели сие достижение науки и техники в ранг всемогущего, всезнающего и всевидящего искусственного разума. Но так ли это на самом деле? Попробуем разобраться и определить, что же является мифом, а что реальностью, когда речь идет о видеоаналитике.
Рассказы об искусственном интеллекте
Когда в природе появится искусственный интеллект, вы не сможете об этом не услышать. Это будет такая же информационная бомба, как и атомная. И к тому же не менее опасная. Сегодня все рассказы о нем ничем не отличаются от разговоров про фэншуй – вроде он и есть, и даже модно.
Видеоаналитика позволяет различать и идентифицировать объекты
Зачастую на выставках нам показывают красивые видеоролики с бегающими людьми в квадратах с номерами, а менеджеры убедительно рассказывает, что система захватила объект и сейчас полностью контролирует его поведение. Но в реальных условиях так красиво это работать не будет. Обратившись к теории, можно выделить два основных вида видеоаналитики по типу: видеоанализ на основе детектора объектов OA (Object Analysis) и статистический видеоанализ SA (Statistic Analysis). Первый – наиболее просто реализуемый – относится к группе так называемых жестких алгоритмов и основан на уже собранной математической библиотеке – детекторе объектов, который способен идентифицировать отдельно движущиеся цели. Object Analytics дает широкий простор фантазии для точно поставленных задач. С его помощью можно смоделировать или распознать абсолютно конкретную ситуацию. Однако в реальности он может работать лишь в чистых лабораторных условиях. Любое видеонаблюдение, связанное с естественными помехами, с обывательским поведением или с неподготовленным сценарием, будет выдавать больше ложных выходных данных, нежели полезных. Недостатки кроются, конечно, в несовершенстве самого детектора объектов и в первую очередь в неумении разделять перекрывающиеся или рядом движущиеся цели. В полевых условиях такой детектор с трудом отличает машину от группы движущихся людей. Естественно, разработчики компьютерных систем продолжают совершенствовать и развивать методы определения объектов, но все рекламируемые возможности больше являются прототипами будущих свершений. Безусловно, на основе детектора объектов можно реализовать различные аналитические алгоритмы, например, детектор пересечения линии, детектор входа или выхода объекта из заданного периметра, но это будет только тревожное событие без идентификации объекта. Единственным идентифицирующим объект признаком, хоть как-то позволяющим привязаться к его действиям, является номерной знак или буквенно-цифровая комбинация. Во всех остальных случаях, когда объект пытаются идентифицировать по цвету, по размеру, по скорости перемещения, вероятность ложного определения в естественных неподготовленных условиях остается доминирующей.
Видеоаналитика позволяет достоверно классифицировать события
Хрустальная мечта всех правоохранительных органов, чтобы видеокамера сама назначала статью административного или Уголовного кодекса объекту видеонаблюдения, совершившему правонарушение. Но, увы, в силу недостатков детектора объектов это невозможно. Красиво звучащие «детектор человека, прыгающего через кусты», «детектор саботажа», «детектор массовой драки», «детектор человека, ползущего по стене», «детектор неверной супруги», «детектор кражи сотового телефона», «детектор лежащего человека» и т. д. есть не что иное, как красивые рекламные слоганы, вторящие призывам вождей к инновационным свершениям. Конечно, в отдельно взятых случаях, создав определенные условия, каких-то результатов добиться можно, но на практике в лучшем случае разумно говорить об изменении отдельных параметров: размера области детекции, совокупной площади зон детекции в кадре, направления перемещения детектируемого объекта, появления нового объекта или исчезновения существующего объекта детектирования. Но связать эти изменения с определением какого-либо события, характеризующим поведение объекта, достоверно не получится.
Видеоаналитика позволяет определять лица, номерные знаки
Действительно, уровень программирования и возможности обработки изображения достигли того уровня, когда компьютерная программа позволяет не только распознавать лицо человека в кадре, но и провести идентификационное сравнение этого лица с базой изображений и выявить соответствие. Естественно, рассчитывать, что достаточно установить камеру на столбе для обзора площади у фонтана и система начет ловить преступников, находящихся в розыске, не стоит. Для корректной работы комплекса необходимы специальные условия – освещенность, направление и угол обзора камеры, размер лица в кадре, свежая фотография в базе желательно от сегодняшнего числа. Только при выполнении этих невыполнимых требований можно рассчитывать на достоверный результат работы. По сути, данные технологии дают возможность лишь варифицировать лица, выдавая набор похожих из базы, а человек должен уже выбирать правильное. В отличие от лиц, номера имеют значительно больше отличий, поэтому их легче идентифицировать. Но их гораздо реже моют. Если символы невозможно распознать человеческим глазом, никакой компьютер не произведет чудо. Это утверждение справедливо и к оборудованию видеофиксации нарушений ПДД и скоростного режима. Для получения корректных результатов измерений и вычислений должны выполняться требования по соблюдению геометрических параметров размещения оборудования и обязательное модерирование человеком.
Видеоаналитика способна заменить оператора видеонаблюдения
В большинстве представленных на рынке систем видеонаблюдения существует возможность запрограммировать логическую последовательность действий «событие – реакция». Но давайте вспомним, что компьютер – это в первую очередь вычислительная машина, которая работает с логическими операндами «и» – «или». Заранее заложенная пользователем логика будет отработана на все 100%, но ждать от железного друга объективной оценки ситуации не стоит. Если говорить о построении системы охраны, когда срабатывание детектора движения в пустом помещении или видеоаналитического алгоритма, определившего пересечение движущимся объектом периметра территории, приравнивается к срабатыванию охранного извещателя, то в данном случае оператор не требуется. Но если рассуждать о системе наблюдения и контроля в местах массового пребывания людей, то без оператора, выполняющего текущий и последующий анализ, не обойтись. Даже в законе об автоматической видеофиксации нарушений ПДД присутствует человек, который вручную вписывает в постановление о нарушении ПДД цифры автомобильного номера, который вычислитель не смог распознать и выдал ХХХ.
Видеоаналитика облегчает работу оператору наблюдения
В век переизбытка информации, когда количество камер наблюдения на одного оператора скоро превысит количество транзисторов на интегральной микросхеме компьютерного процессора, одной из важнейших задач является предварительная обработка данных. В отличие от детектора объектов, статистическая видеоаналитика (Statistic Analytics) более устойчива к помехам и легко переносит непогодные условия. Сам принцип сравнения последующей статистики с предыдущей предполагает нехитрую арифметическую операцию – вычитание. Разность является критерием изменений, произошедших перед видеокамерой. Огромный плюс такого подхода в том, что при этом также вычитаются и помехи. Они не оказывают влияния на принятие решения по одной простой причине – они вычитаются сами из себя, образуя в итоге ноль помех. Естественно, такое определение несколько утрировано, но в полной мере отражает сам принцип помехозащищенности SA. Недостаток же ее в том, что она не может выдать точное умозаключение о характере поведения объектов, номер статьи Уголовного кодекса. Она лишь находит отличия существующих действий и состояний от предыдущих. Но в этом контексте можно построить так называемую мягкую видеоаналитику, которая предупреждает об определенных изменениях самого поведения: сменил темп ходьбы, поменял направление, начал махать руками, присел, встал, побежал, подпрыгнул, положил, взял и т. д. Конечно, каждое из перечисленных действий не может однозначно определяться как криминал, мягкая аналитика лишь предупреждает об изменениях, вернее, фильтрует огромный поток видеоинформации, оставляя только ключевые кадры. Такая структура сокращает время, необходимое на просмотр архива, с помощью SA упрощается само видеонаблюдение, так как внимание оператора концентрируется лишь на конкретных событиях вместо непрерывного многочасового контроля мониторов.
Именно на этом принципе компьютерная программа может «сжимать» видеоряд и показывать оператору только фрагменты, позволяющие понять весь сюжет. Такой метод можно сравнить с одним из способов скорочтения, когда человек читает страницу текста по диагонали, находя ключевые слова, дающие понимание всего написанного на странице текста. Только суть, ничего лишнего, при этом без потери смысловой составляющей.
Видеоаналитика позволяет ускорить поиск информации в архиве записей
Сегодня в системах охранного телевидения приходится работать с гигантскими массивами видеоданных от тысяч камер, и время поиска нужной информации в архиве имеет большое значение. Если раньше для поиска нужного фрагмента записи требовалось просмотреть практически весь архив камеры за какой-то период, а возможно, и записи с нескольких камер, на что уходили часы и даже дни, то с применением видеоаналитики это время значительно сократилось, а сам процесс поиска информации стал более удобным и понятным. Это стало возможным благодаря метаданным – текстовой информации, описывающей результат работы детекторов в кадре. В продвинутых компьютерных системах, по сути, ведется две базы: база записей и база метаданных. Многие IP-камеры передают в систему видеокадр и метаданные, описывающие, что интересного и в каком углу было обнаружено. Поэтому, нежели ворочать терабайты видеоинформации, система поиска сначала обращается в базу текстовой информации, с которой намного проще и быстрее работать, находит там нужные по критериям поиска данные, а потом уже получает кадр их архива записей. Этот процесс можно сравнить с поиском книги в библиотеке. Вместо того чтобы лазить по стеллажам, снимать по одной книге с полки и смотреть обложки в поисках нужного издания, аналитический поиск сначала воспользуется алфавитным или библиографическим указателем, выберет, что надо, а потом идет к нужному стеллажу и достает искомую книгу. Более того, такой подход к поиску информации позволяет вести произвольную выборку – достаточно выделить на видеоизображении интересуемую область и задать поиск именно в ней. Но чтобы создать этот алфавит поиска, нужно как-то классифицировать видеоинформацию. Естественно, компьютерный видеоанализ дает только возможные варианты того, что вы ищете, а не точный факт кражи чемодана.
Вокруг видеоаналитики и ее возможностей, как и всегда вокруг чего-то нового, будет еще много и споров, и околоинтеллектуальных маркетинговых продуктов. Выбрать среди них действительно полезный пока сложно из-за информационной войны. На нас сваливается рекламный град фантастических возможностей. Эффект обманутых ожиданий тормозит развитие действительно рабочих систем. Мы делаем попытки покупать фантастизм, обжигаемся и перестаем верить в прогресс. Тем не менее он есть, важно лишь найти его. В любом случае результат использования метода видеоанализа в охранном телевидении будет лишь мощным инструментарием оператора, но никак не замещающим его элементом.
|
