close

Вход

Забыли?

вход по аккаунту

- Алгоритм Безопасности

код для вставкиСкачать
СОВРЕМЕННЫЕ ТЕНДЕНЦИИ
ВСТРОЕННОЙ ВИДЕОАНАЛИТИКИ
ВИДЕОКАМЕР
Д. Портнов
инженер, отдел систем безопасности департамента системных решений,
ООО «Панасоник Рус»
ачиная статью о современных
системах видеоаналитики ви
деокамер, необходимо упомя
нуть общие понятия и определиться с ба
зовой классификацией.
Как правило, когда речь заходит о ви
деоаналитике, технические специалисты и
просто люди с техническим мышлением,
хоть немного, разбирающиеся в тематике,
разделяют ее на аналитику «реального вре
мени» и «архивную», дальше деление про
исходит в зависимости от несущей плат
формы на камерную и серверную. Нужно
отметить, что бытует и «маркетинговый»
подход. Как правило, при «маркетинговом»
подходе происходит разделение по отрас
лям бизнесприменения, вертикальным рын
кам, детектируемым объектам, всему, что
угодно. Но оставим маркетинг маркетологам
и специалистам по рекламе. Будем исхо
дить из утверждения, что видеоаналитика,
это, в первую очередь, математика, которую
мы применяем для анализа видеопотоков, а
значит, будем пользоваться первой из пред
ложенных классификаций.
Говоря о современных тенденциях
встроенной видеоаналитики камер, логич
но, что мы будем, в первую очередь, упоми
нать видеоаналитику реального времени,
хотя, учитывая скорость развития систем
хранения данных, не далек тот день, когда
устройства: камера и «видеоархив» станут
единым устройством, достаточным для рабо
ты в реальных системах, с реальными требо
ваниями служб безопасности.
Необходимо отметить, что разделение
видеоаналитики на камерную и серверную,
хотя и является справедливым, всеже оста
ется достаточно условным. С точки зрения
математики, а именно ее мы берем за осно
ву основ, модели и алгоритмы, применяе
мые в обоих случаях, схожи. Главными, в
этом случае, становятся производитель
ность, мощность, несущей платформы, оп
тимальность применяемых алгоритмов и, не
в последнюю очередь, гибкость предлагае
мых решений. Только оптимальный набор
данных параметров может гарантировать
высокую достоверность результатов рабо
ты аналитики, все прекрасно понимают, что
аналитика с низкой достоверностью ре
зультатов превращается в маркетинговый
инструмент или просто игрушку: забавно,
но в условиях реальной работы абсолютно
не применимо.
Возвращаясь к камерам систем видео
наблюдения с встроенной видеоаналити
кой необходимо сделать несколько важных
акцентов.
В первую очередь, говоря о встроенной
видеоаналитике, необходимо помнить, что
камера видеонаблюдения изначально об
ладает достаточно ограниченными ресур
сами встроенного процессора, и хотя про
изводительность процессоров постоянно
увеличивается, мы, производители видео
камер, всегда остаемся в жестких рамках
стандартов энергопотребления нашего
оборудования. Например, новейшая каме
ра Panasonic, обладающая возможностя
ми встроенной аналитики, имеет энергопо
требление 6 Вт, в то время как один из
простейших серверных процессоров Intel
«Xeon E31220V2» потребляет 69 Вт. Мно
гие зададутся вопросом: как такое низко
потребляющее устройство вообще способ
но чтото анализировать? Ответ на дан
ный вопрос достаточно прост: камера
видеонаблюдения – это высоко оптими
зированное электронное устройство с оп
тимизированной операционной системой,
предназначенное только для одной обла
сти применения – видеонаблюдение.
И чем выше производительность встроен
ного процессора, чем выше общая опти
мизация системы, тем точнее и эффектив
ней будет работать видеоаналитика. Ярким
примером являются процессоры семей
ства Panasonic UniPhier, являющиеся серд
цем камер наблюдения Panasonic. Данные
процессоры применяет во всех своих ус
тройствах, где происходит обработка ви
деопотоков, и если в камерах для эфир
ного телевидения и кино он обрабатывает,
кодирует 1,5 гигабитные потоки видео
данных, то в камерах охранного видеона
блюдения его мощность идет не только на
обработку видеопотоков для нужд видео
наблюдения, но и на работу встроенной
видеоаналитики.
Один из самых простых и старых видов
аналитики в видеонаблюдении. Впер
вые реализованный еще в аналоговых
камерах. Основан, в простейшем слу
чае, на анализе двух последователь
ных кадров.
■ Изменение сцены – нужно для обнару
жения действий злоумышленников,
направленных на отворачивание, за
крашивание и т.д камеры видеонаблю
дения. Является следующим шагом в
развитии детектора движения и требу
ет хранения образа исходной сцены,
вычисления текущей сцены и их стати
стического сравнения.
■ Детекция оставленных или пропавших
предметов – один из ключевых детекто
ров для различных силовых структур,
т.к. напрямую связан с антитеррористи
ческой деятельностью. По своей сути
является продолжением развития де
тектора изменения сцены, но в более
детализованной форме. Впервые по
явился еще в аналоговых камерах, на
пример Panasonic WVCP500, идет по пу
ти точного определения все более и
более мелких предметов.
■ Автоматическое слежение за целью –
применим для охраны периметров, за
крытых площадей и т.д., всех мест, где
возможны одиночные вторжения. Ра
ботает на PTZкамерах. Камера опреде
ляет движение в кадре, «фиксируется»
на движущемся объекте и ведет его до
тех пор, пока объект остается в кадре.
Отмечу, что данная функция так же бы
ла успешно реализована еще в аналого
вых камерах, а сейчас, с развитием IP
технологий, камеры могут передавать
объект друг другу, работая в группе.
Далее будет описана группа аналити
ческих детекторов, основанных на векто
ризации объектов видеопотока и отслежи
вании их траекторий в кадре:
■ Определение «неправильного» направ
ления движения – видеоаналитика, по
зволяющая оперативно детектировать
нарушителей «условного потока движе
ния». Например, человек, идущий про
тив основного потока людей, или маши
на, едущая в неверном направлении.
■ Определение вторжения, пересечения
границ – применима для защиты част
ных территорий, железнодорожных пу
тей, транспортной инфраструктуры, вез
де где возможно движение с разных
сторон от условной границы.
■ Детектор праздношатания, неадекват
ного поведения – определяет «неадек
ватное» поведение людей в некоторой
области, является наиболее сложным из
этой группы детекторов, т.к. границы
«праздности» определить очень сложно.
Далее будет освещен последний, но
один из самых сложных и интересных видов
видеоаналитики – определение лиц.
Определение лиц – одним своим назва
нием описывает свое предназначение.
Нужно особо указать, что в камерах реа
лизовано именно определение, а не рас
познавание. Камера не может сравнивать
изображение лица с базой данных, она оп
ределяет лишь факт наличия лица в кадре,
его координаты, иногда может передавать
«снимок» лица в стороннее ПО. Отличитель
ной особенностью аналитики камер Pana
sonic является то, что камера сама опреде
ляет изображение лица, наилучшим образом
пригодного для использования в системе
распознавания лиц, и отправляет его в ПО
в отличие от камер других производителей,
которые передают данные о местоположе
нии лица в кадре, либо все изображения,
которые удалось детектировать.
Подчеркну, что в данной статье рассмо
трены основные виды встроенной в камеры
аналитики и намеренно не упоминается о
всем многообразии комбинированных сер
верных решений, таких как распознавание
цвета, пола, возраста, мест скопления, так
называемых горячих и холодных зон, под
счета людей и т.д.(последние три реализо
ваны в камерах Panasonic новейшего поко
ления, а также иногда встречаются у других
производителей).
Отмечая тенденции развития встроен
ной видеоаналитики, нужно заметить, что,
как и упоминалось выше, процессоры ка
мер видеонаблюдения становятся все
мощнее, производители камер открывают
возможности для создания «сторонних при
ложений», только представьте себе: вы
можете делать отраслевые, нишевые, ана
литические решения на базе камер видео
наблюдения. Эти решения будут работать и
отвечать, только вашим требованиям и в той
мере, в которой нужно вам.
Уже сейчас использование функции
BestShot камер, позволяет снизить нагруз
ку на сервера распознавания лиц в 45 раз
по сравнению с сугубо программным подхо
дом. А производители камер наблюдения
не стоят на месте, постоянно развивая свои
продукты, внедряя все новые и новые нара
ботки. Сейчас можно с уверенностью ут
верждать, что обозримое будущее за гиб
ридными системами. Профессионалам в
области систем видеонаблюдения известно,
что самой точной видеоаналитикой явля
ется человеческий мозг, пока аналитические
системы не достигли такой точности распо
знавания и идентификации. Да, они быст
рее, способны обрабатывать огромные
массивы данных, но точность ниже, чем у
человека. Перспективные разработки ле
жат в области исследования и моделиро
вания нейронных сетей, сейчас они реали
зованы на программном уровне, но есть
прецедент создания процессора, реализую
щего нейронную сеть, способную обучать
ся и эффективно идентифицировать слож
ные объекты в видеопотоке. Когда данная
технология будет отработана, встроенная
видеоаналитика сделает принципиальный
скачек в развитии. Ну, а пока нас ждут эф
фективные гибридные решения.
№ 6, 2014
Вторым важным моментом для понима
ния механизмов работы встроенной видео
аналитики является осознание того, что ка
мера наблюдения обрабатывает только один
видеопоток, и у нее есть прямой доступ к
«сырым», не кодированным видеоданным.
И это ее большое преимущество перед сер
верными решениями, которым необходимо
распаковать видеопоток, а на это тратится
огромное количество процессорных ресур
сов, проанализировать его, векторизовать
результаты анализа, иногда произвести срав
нительный и статистический поиск в базах
данных. Так еще и проделать все это с не
сколькими видеопотоками.
Третий акцент плавно вытекает из вто
рого. Это слабые стороны встроенной ви
деоаналитики. Камеры видеонаблюдения
пока не обладают возможностью доступа к
базам данных, например, для сравнения
лиц, они не могут делать сложную вектори
зацию изображений. Они не могут произ
водить сложные расчеты для анализа дви
жения множественных объектов или
«произвольных» ситуационных комбина
ций, на основе которых необходимо гене
рировать тревожные сообщения. Именно
по этой причине многие называют встроен
ную аналитику – простой.
Отвечая на часто задаваемый вопрос:
как и по каким техническим характеристи
кам камеры видеонаблюдения можно опре
делить реальные возможности встроенной
видеоаналитики? – скажу, честно: НИКАК!!!
На данный момент ситуация на рынке ви
деонаблюдения такова, что производители
не указывают реальной производительно
сти камер, но даже если бы указывали, то
как понять, на что, в действительности, рас
ходуются ресурсы камеры. В данной ситуа
ции у заказчиков и системных интеграторов
остается несколько вариантов:
■ Доверять заявлениям именитых и не
очень производителей оборудова
ния и ПО.
■ Доверять независимым тестам.
■ Проводить тестирования непосред
ственно на объекте.
Последний вариант является самым
наглядным и убедительным, но применим
для сравнительно крупных объектов, т.к.
требует большого количества человечес
ких и финансовых ресурсов.
Подходя к вопросам применимости ана
литики в целом и интеграции встроенных и
серверных решений, нужно вспомнить ос
новные решения, встречающиеся во встро
енной аналитике.
Традиционные виды встроенной ка
мерной аналитики в той или иной степе
ни присутствуют у всех именитых произ
водителей камер наблюдения. Нужно
отметить, что я не буду вдаваться в много
численные технические подробности, а
лишь обозначу ключевые для понимания
вопроса моменты. И так:
■ Детекция движения – применяется
для обнаружения движения в кадре.
АЛГОРИТМ БЕЗОПАСНОСТИ
ВИДЕОНАБЛЮДЕНИЕ
21
1/--страниц
Пожаловаться на содержимое документа