Современные тенденции встроенной видеоаналитики

Как правило, когда речь заходит о видеоаналитике, технические специалисты и просто люди с техническим мышлением, хоть немного, разбирающиеся в тематике, разделяют ее на аналитику «реального времени» и «архивную», дальше деление происходит в зависимости от несущей платформы на камерную и серверную. Нужно отметить, что бытует и «маркетинговый» подход. Как правило, при «маркетинговом» подходе происходит разделение по отраслям бизнес-применения, вертикальным рынкам, детектируемым объектам, всему, что угодно. Но оставим маркетинг маркетологам и специалистам по рекламе. Будем исходить из утверждения, что видеоаналитика, это, в первую очередь, математика, которую мы применяем для анализа видеопотоков, а значит, будем пользоваться первой из предложенных классификаций.

Говоря о современных тенденциях встроенной видеоаналитики камер, логично, что мы будем, в первую очередь, упоминать видеоаналитику реального времени, хотя, учитывая скорость развития систем хранения данных, не далек тот день, когда устройства: камера и «видеоархив» станут единым устройством, достаточным для работы в реальных системах, с реальными требованиями служб безопасности.

Необходимо отметить, что разделение видеоаналитики на камерную и серверную, хотя и является справедливым, все-же остается достаточно условным. С точки зрения математики, а именно ее мы берем за основу основ, модели и алгоритмы, применяемые в обоих случаях, схожи. Главными, в этом случае, становятся производительность, мощность, несущей платформы, оптимальность применяемых алгоритмов и, не в последнюю очередь, гибкость предлагаемых решений. Только оптимальный набор данных параметров может гарантировать высокую достоверность результатов работы аналитики, все прекрасно понимают, что аналитика с низкой достоверностью результатов превращается в маркетинговый инструмент или просто игрушку: забавно, но в условиях реальной работы абсолютно не применимо.

Возвращаясь к камерам систем видеонаблюдения с встроенной видеоаналитикой необходимо сделать несколько важных акцентов.

В первую очередь, говоря о встроенной видеоаналитике, необходимо помнить, что камера видеонаблюдения изначально обладает достаточно ограниченными ресурсами встроенного процессора, и хотя производительность процессоров постоянно увеличивается, мы, производители видеокамер, всегда остаемся в жестких рамках стандартов энергопотребления нашего оборудования. Например, новейшая камера Panasonic, обладающая возможностями встроенной аналитики, имеет энергопотребление 6 Вт, в то время как один из простейших серверных процессоров Intel «Xeon E3-1220V2» потребляет 69 Вт. Многие зададутся вопросом: как такое низко потребляющее устройство вообще способно что-то анализировать? Ответ на данный вопрос достаточно прост: камера видеонаблюдения — это высоко оптимизированное электронное устройство с оптимизированной операционной системой, предназначенное только для одной области применения — видеонаблюдение. И чем выше производительность встроенного процессора, чем выше общая оптимизация системы, тем точнее и эффективней будет работать видеоаналитика. Ярким примером являются процессоры семейства Panasonic UniPhier, являющиеся сердцем камер наблюдения Panasonic. Данные процессоры применяет во всех своих устройствах, где происходит обработка видеопотоков, и если в камерах для эфирного телевидения и кино он обрабатывает, кодирует 1,5 гигабитные потоки видеоданных, то в камерах охранного видеонаблюдения его мощность идет не только на обработку видеопотоков для нужд видеонаблюдения, но и на работу встроенной видеоаналитики.

Вторым важным моментом для понимания механизмов работы встроенной видеоаналитики является осознание того, что камера наблюдения обрабатывает только один видеопоток, и у нее есть прямой доступ к «сырым», не кодированным видеоданным. И это ее большое преимущество перед серверными решениями, которым необходимо распаковать видеопоток, а на это тратится огромное количество процессорных ресурсов, проанализировать его, векторизовать результаты анализа, иногда произвести сравнительный и статистический поиск в базах данных. Так еще и проделать все это с несколькими видеопотоками.

Третий акцент плавно вытекает из второго. Это слабые стороны встроенной видеоаналитики. Камеры видеонаблюдения пока не обладают возможностью доступа к базам данных, например, для сравнения лиц, они не могут делать сложную векторизацию изображений. Они не могут производить сложные расчеты для анализа движения множественных объектов или «произвольных» ситуационных комбина-ций,на основе которых необходимо генерировать тревожные сообщения. Именно по этой причине многие называют встроенную аналитику — простой.

Отвечая на часто задаваемый вопрос: как и по каким техническим характеристикам камеры видеонаблюдения можно определить реальные возможности встроенной видеоаналитики? — скажу, честно: НИКАК!!! На данный момент ситуация на рынке видеонаблюдения такова, что производители не указывают реальной производительности камер, но даже если бы указывали, то как понять, на что, в действительности, расходуются ресурсы камеры. В данной ситуации у заказчиков и системных интеграторов остается несколько вариантов:

■ Доверять заявлениям именитых и не очень производителей оборудования и ПО.

■ Доверять независимым тестам.

■ Проводить тестирования непосредственно на объекте.

Последний вариант является самым наглядным и убедительным, но применим для сравнительно крупных объектов, т.к. требует большого количества человеческих и финансовых ресурсов.

Подходя к вопросам применимости аналитики в целом и интеграции встроенных и серверных решений, нужно вспомнить основные решения, встречающиеся во встроенной аналитике.

Традиционные виды встроенной камерной аналитики в той или иной степени присутствуют у всех именитых производителей камер наблюдения. Нужно отметить, что я не буду вдаваться в многочисленные технические подробности, а лишь обозначу ключевые для понимания вопроса моменты. И так:

■ Детекция движения — применяется для обнаружения движения в кадре.

Один из самых простых и старых видов аналитики в видеонаблюдении. Впервые реализованный еще в аналоговых камерах. Основан, в простейшем случае, на анализе двух последовательных кадров.

■ Изменение сцены — нужно для обнаружения действий злоумышленников, направленных на отворачивание, закрашивание и т.д камеры видеонаблюдения. Является следующим шагом в развитии детектора движения и требует хранения образа исходной сцены, вычисления текущей сцены и их статистического сравнения.

■ Детекция оставленных или пропавших предметов — один из ключевых детекторов для различных силовых структур, т.к. напрямую связан с антитеррористической деятельностью. По своей сути является продолжением развития детектора изменения сцены, но в более детализованной форме. Впервые появился еще в аналоговых камерах, например Panasonic WV-CP500, идет по пути точного определения все более и более мелких предметов.

■ Автоматическое слежение за целью -применим для охраны периметров, закрытых площадей и т.д., всех мест, где возможны одиночные вторжения. Работает на PTZ-камерах. Камера определяет движение в кадре, «фиксируется» на движущемся объекте и ведет его до тех пор, пока объект остается в кадре. Отмечу, что данная функция так же была успешно реализована еще в аналоговых камерах, а сейчас, с развитием IP-технологий, камеры могут передавать объект друг другу, работая в группе. Далее будет описана группа аналитических детекторов, основанных на векторизации объектов видеопотока и отслеживании их траекторий в кадре:

■ Определение «неправильного» направления движения — видеоаналитика, позволяющая оперативно детектировать нарушителей «условного потока движения». Например, человек, идущий против основного потока людей, или машина, едущая в неверном направлении.

■ Определение вторжения, пересечения границ — применима для защиты частных территорий, железнодорожных путей, транспортной инфраструктуры, везде где возможно движение с разных сторон от условной границы.

■ Детектор праздношатания, неадекватного поведения — определяет «неадекватное» 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 названием описывает свое предназначение.

Нужно особо указать, что в камерах реализовано именно определение, а не распознавание. Камера не может сравнивать изображение лица с базой данных, она определяет лишь факт наличия лица в кадре, его координаты, иногда может передавать «снимок» лица в стороннее ПО. Отличительной особенностью аналитики камер Panasonic является то, что камера сама определяет 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 местоположении лица в кадре, либо все изображения, которые удалось детектировать.

Подчеркну, что в данной статье рассмотрены основные виды встроенной в камеры аналитики и намеренно не упоминается о всем многообразии комбинированных серверных решений, таких как распознавание цвета, пола, возраста, мест скопления, так называемых горячих и холодных зон, подсчета людей и т.д. (последние три реализованы в камерах Panasonic новейшего поколения, а также иногда встречаются у других производителей).

Отмечая тенденции развития встроенной видеоаналитики, нужно заметить, что, как и упоминалось выше, процессоры камер видеонаблюдения становятся все мощнее, производители камер открывают возможности для создания «сторонних приложений», только представьте себе: вы можете делать отраслевые, нишевые, аналитические решения на базе камер видеонаблюдения. 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 нагрузку на сервера распознавания лиц в 4-5 раз по сравнению с сугубо программным подходом. А производители камер наблюдения не стоят на месте, постоянно развивая свои продукты, внедряя все новые и новые наработки. Сейчас можно с уверенностью утверждать, что обозримое будущее за гибридными системами. Профессионалам в области систем видеонаблюдения известно, что самой точной видеоаналитикой является человеческий мозг, пока аналитические системы не достигли такой точности распознавания и идентификации. Да, они быстрее, способны обрабатывать огромные массивы данных, но точность ниже, чем у человека. Перспективные разработки лежат в области исследования и моделирования нейронных сетей, сейчас они реализованы на программном уровне, но есть прецедент создания процессора,реализую-щего нейронную сеть, способную обучаться и эффективно идентифицировать сложные объекты в видеопотоке. Когда данная технология будет отработана, встроенная видеоаналитика сделает принципиальный скачек в развитии. Ну, а пока нас ждут эффективные гибридные решения.

новинки,  видеокамеры,  Smartec,  мониторы,  видеорегистраторы,  программное обеспечение,  видеонаблюдения,  IP-видеосерверы,  источник питания,  сирены 

Читайте новости