Безопасность в городе: видеонаблюдение

Видеокамеры, установленные в современных городах повсюду, сейчас уже никого не удивляют, и не вызывают того недовольства, которое было ещё несколько лет назад («а чего это за мной следят?»). Наоборот, люди стали воспринимать видеокамеры как заботу и даже гостеприимство: «чувствуйте себя как дома, вы в безопасности». Практически все понимают, что в подавляющем большинстве случаев видео транслируется не на пульт охранника, а на сервер, откуда оно может быть извлечено только в случае происшествий или чрезвычайной ситуации. Анализ данных видеонаблюдения также производится автоматически, с использованием технологий Больших Данных, Искусственного Интеллекта и машинного обучения.

Современные системы видеонаблюдения прошли долгий путь от закрытых корпоративных систем CCTV (Closed Circuit Television), требовавших постоянного и пристального наблюдения дежурного персонала (что резко снижало их эффективность), до многокамерных систем на базе IP-камер и централизованных хранилищ контента с функциями автоматизированного интеллектуального анализа в облаке.

Количество камер растёт, качество их изображений становится всё лучше, и это приводит к огромному росту объёма видеоданных, который нужно хранить и обрабатывать. Напомним, в ходе расследования  терактов в Лондонском городском транспорте в 2005 году, где уже тогда стояло немало видеокамер, опознать террористов удалось только через несколько недель напряженной работы сотен сотрудников и добровольцев, которые методично отсматривали записи с камер, стараясь «вычислить» на них террористов. Это дало повод задуматься о том, что традиционные системы CCTV отжили свой век и нужно переходить к цифровым интеллектуальным системам.

Интеллектуальные системы видеонаблюдения IVS

Системы IVS (Intelligent Video Surveillance) позволили автоматизировать трудоёмкую работу по анализу контента с сотен и тысяч видеокамер. Базовые функции интеллектуального анализа и нейросетей могут быть встроены в сами видеокамеры, которые могут распознавать необычные явления на изображении, например, оставленную сумку или наоборот, исчезновение объекта, нестандартное поведение, пересечение заданной линии и пр. В системах IVS используются элементы искусственного интеллекта (ИИ) на основе методов машинного обучения, в задачу которых входит распознавание необычных явлений и предметов на видеоизображении. Методами ИИ и машинного обучения можно проводить распознавание лиц, объектов, необычных явлений и их классификацию. При обнаружении чего-то необычного, выдаются предупреждения, и подозрительный объект может выделяться на экране рамкой.

Например, на рисунке показано распознавание уличной кражи системой IVS с предварительно обученной нейросетью [1].

1

Рисунок 1. Распознавание уличной кражи системой интеллектуального видеонаблюдения. (источник: ISPRS Hannover Workshop)

  1. Распознавание и трассировка перемещений человека
  2. Распознавание и отметка оставленной на тротуаре сумки
  3. Сумку забрал другой человек
  4. Событие распознаётся как кража и выдаётся предупреждающий сигнал

После 2015 года системы IVS на базе нейросетей с глубоким обучением (Deep Learning) превзошли человека по точности распознавания образов. В настоящее время частота ошибок IVS c Deep Learning по оценкам, приведённым в исследовательском проекте ILSVRC (ImageNet Large Scale Visual Recognition Challenge), составляет менее 5%, то есть, IVS уже распознаёт объекты лучше человека (см. рисунок)[2].

2

Рисунок 2. Снижение частоты ошибок CV c Deep Learning (источник: Bharath Raj at Medium.com)

«Видеонаблюдение как услуга»

Облачные системы видеонаблюдения VSaaS (Video Surveillance as a Service) — «Видеонаблюдение как услуга», набирают всё большую популярность по причине своей универсальности, возможности предоставлять услуги видеонаблюдения с единой платформы, авторизованного контроля видеокамер с любого терминала, и возможности получения извещений (СМС, почта, мессенджеры) от системы интеллектуальной аналитики на любой доступный терминал.

Платформа VSaaS может быть разделена между многими пользователями. Таким образом, например, небольшому магазину нет необходимости тратиться на приобретение собственной системы видеонаблюдения и нанимать специалиста по её обслуживанию.

Рисунок 3. Архитектура системы «Видеонаблюдение как услуга» (VSaaS).

Магазин, или небольшое предприятие, может только приобрести соответствующие его потребностям видеокамеры, подключить их к платформе провайдера VSaaS в системе Умного Города и заказать у него услугу видеонаблюдения. Преимущества VSaaS показаны в таблице.

5

 

Использование анализа Больших Данных в системах видеонаблюдения Умного Города

Распространение Интернета Вещей (IoT) привело к тому, что всё больше устройств оснащаются подключением к Интернет. Это даёт возможность накапливать огромные массивы разнообразных данных и затем анализировать их, изучая тренды и модели поведения объектов. В этом смысле, большие данные становятся ресурсом, которые полезны во многих областях, включая безопасность, где изображения с видеокамер могут накапливаться и анализироваться при помощи программных комплексов.

Вследствие стремительного развития видео-технологий, иногда складывается парадоксальная ситуация: многие организации, обладая огромными массивами «сырой» видеоинформации, как «собака на сене», не всегда знают, как использовать эти массивы. Поскольку «больших данных» становится все больше и больше, сотрудники служб безопасности должны хорошо представлять себе то, как можно эффективно использовать эти массивы данных.

Технологии позволяют генерировать видео во все растущем разрешении и чёткости, а системы хранения и сжатия данных позволяют хранить эти массивы долгое время. Это даёт новые возможности, которые ранее были недостижимы. Эффективные системы распознавания лиц и системы слежения (tracking), интегрированные с системами видеонаблюдения могут очень быстро извлекать полезные данные из массивов и анализировать их почти в режиме реального времени. Программные и аппаратные средства сейчас способны быстро анализировать сотни часов отснятого видео с десятков, сотен и тысяч камер, и выявлять закономерности, образцы поведения, и тенденции. То есть делать то, что ранее могли бы сделать лишь сотни и тысячи сотрудников, сидящих за мониторами за длительное время.

Системы аналитики Больших данных, кроме того, могут существенно снизить влияние т.н. «человеческого фактора». Например, если торговый центр планировал изменить схему движения покупателей по его залам, чтобы направить больше покупателей в определённые отделы, то, до появления Больших данных, необходимо было задействовать команду профессионалов, которые отсматривали видео со всех областей торговых залов на каждом этаже, с момента открытия магазина до его закрытия. Затем, на основе их интегрированных наблюдений, вырабатывались рекомендации по реконструкции площадей торгового центра. Как правило, это были длительные и затратные проекты. И бывало так, что после выдачи рекомендаций ситуация с потоком посетителей уже менялась.

Аналитика Больших данных даёт возможность быстро проанализировать многочасовые записи, выделить закономерности, подсчитать поток посетителей с точностью до одного человека. На основе этого точного и быстрого анализа, торговый центр может эффективно определить «узкие места», и решить, как реорганизовать торговые площади.

По такому же принципу работают интеллектуальные транспортные системы ИТС, которые по методу Больших Данных анализируют потоки уличного трафика и выдают рекомендации по реконфигурации дорожных полос и режима работы светофоров, а также могут выдать более высокоуровневые советы, например, «вот здесь было бы неплохо построить эстакаду».

Если подключить сюда ещё и системы IoT, то возможности IVS с анализом Больших Данных станут ещё больше. Различные подключённые датчики и сенсоры могут дать гораздо бóльшую картину, чем только видеоданные. Например, в системах безопасности Умного Города, программы, мониторинга социальных медиа, могут коррелироваться с данными видеонаблюдения, чтобы превентивно выявлять отдельные происшествия, которые могут развиться в массовые беспорядки; дорожные ситуации, которые могут перерасти в ДТП; а также оценивать их риски, и таким образом, предотвращать нежелательные явления до их разрастания и даже возникновения.

Интеграция данных от других подсистем Умного города и систем видеонаблюдения даёт возможность снизить риски, предсказывать потребности жителей и повышать эффективность капиталовложений в развитие городской инфраструктуры. На рисунке ниже показана типовая архитектура использования видеоданных, интегрированных в приложения (подсистемы) Умного Города.

4

Рисунок 4. Типовая архитектура комплексной системы Умного Города с интеграцией данных видеонаблюдения и других источников.

[1] https://www.tnt.uni-hannover.de/papers/data/1230/isprs-annals-IV-1-W1-19-2017.pdf

[2] https://medium.com/nanonets/how-to-automate-surveillance-easily-with-deep-learning-4eb4fa0cd68d

About Алексей Шалагинов

Независимый эксперт
Gallery | This entry was posted in Analytics, Big Data, Тенденции, Технологии, цифровая трансформация and tagged , , , , , , , , , , , , . Bookmark the permalink.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.