Big Data для систем видеонаблюдения

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 системы безопасности, 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.

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 бы 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. Однако, часто эти рекомендации к моменту готовности уже устаревали, т.к. ситуация с потоком покупаетелм менялась.

Аналитика Больших данных устранила надобность в таких «сизифовых» проектах. Высококачественные видеосистемы дают возможность аналитическим системам быстро проанализировать многочасовые записи, быстро 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 одни 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.

В университетских кампусах данные видеонаблюдения могут быть скоррелированы с данными пропускных пунктов и информацией о студентах для исследования и предотвращения нежелательного развития событий.

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.

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

About Алексей Шалагинов

Независимый эксперт
This entry was posted in Big Data, Интернет Вещей, 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.