Автор: Андрей ХРИСТОФОРОВ, коммерческий директор ITV | AxxonSoft
Поиск в видеоархивах сделает видеонаблюдение гораздо более эффективным
Количество камер в системах видеонаблюдения и их разрешение растут. С одной стороны, фиксировать события можно более детально. С другой – найти нужную информацию в многократно увеличившемся видеоархиве становится все труднее. Поэтому набирают популярность инструменты для быстрой работы с огромным объемом видеозаписей. Человеческий фактор Основные элементы системы видеонаблюдения – камеры, сети, серверы и хранилища данных – становятся совершеннее и при этом дешевеют. Технический прогресс помогает все лучше контролировать и фиксировать происходящие события. Мы можем установить больше камер с более высоким разрешением, записать больше видеоконтента и хранить его дольше. Пожалуй, единственный элемент, который не эволюционирует, – это человек. Он все так же устает и отвлекается, а его производительность осталась на том же уровне, что и десять лет назад. Благодаря развитию технологий можно построить более совершенную систему видеонаблюдения за те же деньги. Но чтобы так же эффективно работать с возросшим объемом информации, который она генерирует, требуется больше операторов. Пропорционально растут и текущие расходы. Несмотря на удешевление технической составляющей, за эффективность все равно приходится платить. Умная автоматизация Конечно, производители систем видеонаблюдения пытаются решить эту проблему с помощью видеоаналитики, которая выделяет из видеопотока ценную информацию, привлекает внимание оператора к важным событиям и запускает автоматические сценарии реакции при заданных условиях. Развитие алгоритмов видеоанализа остается одним из основных трендов в видеонаблюдении уже много лет. И здесь достигнуты немалые успехи, особенно в узкоспециализированных областях, таких как распознавание лиц и автомобильных номеров. Благодаря применению нейросетей и машинного обучения компьютер почти не уступает человеку при решении этих задач, а в определенных случаях и превосходит его. Но в решении неспецифических задач компьютеру до человека еще далеко. Надежно детектировать неадекватное или потенциально опасное поведение системы видеонаблюдения пока не научились. Конечно, нейронные сети и здесь выглядят многообещающе, но до практической реализации «системы, которая оценивает ситуацию как человек», предстоит пройти большой путь. Неспецифическая видеоаналитика реального времени на данный момент сводится к геометрическим детекторам: вход в выделенную зону, остановка в запрещенной области, пересечение заданной линии и т. п. Эти детекторы тоже становятся совершеннее. Они все лучше могут отличать человека от кошки и движения ветвей деревьев или, например, различать движение вдоль железнодорожных путей и их переход. Однако применение подобной аналитики ограничено небольшим набором ситуаций. Прежде всего видеодетекторы эффективны в стерильных зонах и при охране периметра. Но когда в кадре постоянно присутствуют объекты, движущиеся по непредсказуемым траекториям, – т. е. в большинстве случаев, – видеодетекторы неприменимы. Магазин, стадион, зал ожидания аэропорта или оживленная улица – для них задать геометрические критерии потенциально опасной ситуации не представляется возможным.
Видеоаналитика – не только реальное время Видеоаналитика не ограничивается лишь распознаванием образов и детектированием неправильного движения. Она может работать и с видеоархивом, на порядки ускоряя поиск интересующего видеофрагмента. Вообще, видеозапись во многих случаях важнее, чем наблюдение в реальном времени. Причем это характерно для систем самого разного масштаба и назначения. Десяток камер в маленьком магазинчике вместе с плакатом «Ведется видеонаблюдение» служат прежде всего для устрашения воришек и нерадивых сотрудников. В реальном времени видео никто не смотрит, это экономически нецелесообразно. Но к видеоархиву обращаются для выяснения обстоятельств в случае тех же самых краж. В системах класса «Безопасный город» с сотнями, тысячами и даже десятками тысяч камер онлайн-мониторинг потребовал бы очень большого количества операторов при очень низком КПД – события, требующие немедленной реакции, случаются нечасто. А видеоархив – это ценная информация для расследования чрезвычайных происшествий и правонарушений. При этом с алгоритмической точки зрения анализ видеоархива проще, чем анализ ситуации в реальном времени. Когда что-то произошло, признаки события, запись которого нужно найти, уже известны. Например, это может быть описание очевидцев, фоторобот подозреваемого или номер автомобиля. Поэтому заранее настраивать детекторы на неизвестные тревожные ситуации не нужно. Достаточно анализировать видео в момент записи, выделять из него сырые данные, по которым можно будет вести поиск, и сохранять их. К этим данным относятся биометрические характеристики лиц, распознанные номера автомобилей и метаданные, описывающие движение объектов в кадре, их координаты в разные моменты времени, размеры, цвет. Чем больше информации выделяется из видеопотока при записи, тем больше возможностей для поиска будет в дальнейшем. Производители систем видеонаблюдения уже реализовали ряд алгоритмов поиска. Давайте рассмотрим несколько примеров, их области применения, достоинства и недостатки. Поиск движения в выделенной области кадра Это один из самых простых типов поиска в видеоархиве. В кадре выделяется область, и система находит все видеозаписи, на которых зафиксировано любое движение в этой области. Алгоритм может применяться в самых разнообразных ситуациях. Например, если камера установлена в помещении и в поле ее обзора попадает дверь, то, выделив область двери, найдем все записи, на которых кто-то входит или выходит из комнаты. Достоинство этого типа поиска – минимальная вероятность пропустить интересующее нас событие. А основной недостаток является продолжением достоинства: так как найдутся все фрагменты с движением в выделенной области, нужно будет потратить время, чтобы отыскать среди них нужное событие. Но это все равно быстрее, чем просматривать весь видеоархив. Поиск по геометрическим критериям Похож на предыдущий алгоритм, но настраивается более тонко. Помимо области кадра можно задать размеры и количество объектов, скорость, направление движения и дополнительные параметры, такие как вход, выход или остановка в области. Также можно найти все события пересечения заданной линии в выбранном направлении или перехода из одной зоны в другую. Как дополнительный параметр можно использовать и преимущественный цвет объекта, задаваемый в виде цветового диапазона. Он поможет отфильтровать ненужные результаты и существенно сэкономит время при высокой загруженности сцены. Например, если в поле обзора камеры постоянно ходят люди, но нас интересует только человек в красной куртке, то найти его с фильтром по диапазону цветов удастся быстрее. В целом этот тип поиска выдает меньше лишних результатов, чем предыдущий. Главное – не переусердствовать с точностью критериев, чтобы не пропустить нужное событие. Например, не рекомендуется задавать слишком узкий цветовой диапазон, потому что в определении цвета на глаз легко ошибиться.
Поиск похожих объектов При просмотре архива ставим воспроизведение на паузу и выделяем интересующий нас объект – человека или автомобиль. Система должна найти видеозаписи с объектами похожего цвета, формы, размера, текстуры и т. п. Поиск может вестись по многим камерам. Описание звучит многообещающе, но насколько хорошо алгоритм будет работать в реальных условиях? Воспринимаемый цвет объекта зависит от условий освещения и модели камеры. Размер объекта зависит от угла обзора и расстояния до него. А автомобиль, движущийся от камеры или к камере, будет иметь не ту же форму, что автомобиль, зафиксированный в профиль. Думаю, что производители, использующие этот алгоритм, предоставят рекомендации по его настройке и условиям применения. Поиск по лицам В систему загружается фотография или даже фоторобот. Задается минимальный процент сходства. Алгоритм находит видеозаписи со всех камер, в которые попали лица, похожие на загруженное изображение, с уровнем сходства не ниже заданного. Этот тип поиска – один из самых востребованных в системах класса «Безопасный город». Применяемый, например, с домофонными камерами, он помогает быстро локализовать места, в которых часто появляется разыскиваемый человек, и определить, где он был замечен в последний раз. Затем проводится оперативная работа. Поиск по лицам показывает хорошие результаты в обычных полевых условиях при дневном или искусственном освещении. Есть минимальные требования к размеру лица в пикселях, которые зависят от алгоритма распознавания. Но чем выше разрешение – тем лучше.
Поиск по автомобильным номерам Работает почти как поиск по лицам, только номер или часть номера разыскиваемого автомобиля вводится с клавиатуры. Для корректной работы алгоритма нужно обратить особое внимание на правильный выбор камер под условия освещения и их правильную установку. Если камера «слепнет» ночью, понятно, что номера распознаваться не будут. Негативный эффект могут давать засветки фарами или солнцем. Для достижения наилучшего результата нужно использовать рекомендации разработчика алгоритма распознавания номеров. Поиск по автомобильным номерам вместе с поиском по лицам – неоценимое подспорье для органов охраны правопорядка при оперативно-розыскных мероприятиях. Буквально за минуты они могут сделать то, что в ручном режиме потребовало бы огромное количество человеко-часов. Только представьте, сколько времени уйдет на просмотр архива всех городских камер хотя бы за последние сутки.
Сжатие времени Помимо алгоритмов, которые ищут видеозаписи по определенным критериям, существует технология, которая заметно сокращает время просмотра архива без применения ускоренного воспроизведения. Это технология «сжатия времени» (TimeCompressor). На экран выводится сразу несколько событий, происходивших в поле зрения камеры в разные моменты. Например, мы одновременно увидим человека, который прошел мимо камеры в 15.10, и автомобиль, который проехал в 15.15. При не слишком высокой загруженности сцены просмотр часов архива сокращается до минут. Сжатие времени хорошо применять, если мы знаем, как выглядит интересующий нас объект. Например, это может быть человек в зеленой куртке или синий автомобиль. Как только объект появляется на экране – нажимаем паузу, кликаем его мышью и переходим к просмотру нужного момента в обычном режиме. Другой вариант применения – поиск известного события. Например, если нужно узнать, кто оставил сумку, в режиме сжатия времени мы найдем нужный момент гораздо быстрее, чем при обычном просмотре архива.
Заключение Интеллектуальный поиск в видеоархиве может существенно повысить эффективность видеонаблюдения, так как работа с архивом во многих случаях важнее наблюдения в реальном времени. Решения уже есть, и интерес к ним со стороны рынка постепенно растет. Мы рассчитываем, что в перспективе нескольких лет поиск в видеоархивах станет таким же естественным атрибутом систем видеонаблюдения, как детектор движения.
Внимание! Копирование материалов, размещенных на данном сайте допускается только со ссылкой на ресурс http://www.tzmagazine.ru