Как технологии глубокого обучения делают города безопаснее

 

Видеосистемы сегодня уже стали основой общегородской безопасности, но эти системы уже производят больше видео, чем города могут использовать. Постоянной проблемой является поиск персонала для мониторинга изображения с видеокамер и поисковых архивов. И по мере увеличения количества камер эта проблема будет только усугубляться.

 

Искусственный интеллект (ИИ) может помочь решить эту проблему, упрощая поиск и анализ видеопотоков и уменьшая потребность в человеческих ресурсах. Но обычный ИИ сложен в развертывании, часто требует больших затрат и длительных сроков.

 

 

«Чтобы настроить алгоритм ИИ под новые цели или местоположения, команде разработчиков может потребоваться от четырех до шести месяцев», - считает Шон Лин, менеджер по продуктам GeoVision Inc. «И результаты могут быть неутешительными, со слишком большим количеством ложных тревог и других ошибок» , Он подчеркнул, что «то, что нужно городам, - это более простой способ для операторов точно определить, что они ищут в важных видеопотоках, вместо поиска иголки в стоге сена».

 

Появление решений, основанных на технологии глубокого обучения, значительно улучшает системы компьютерного зрения и облегчает видеоаналитику. Такие системы обладают большей мощностью, легче в развертывании и доступны уже сегодня.

 

Благодаря глубокому обучению, разные модели могут быть обучены в соответствии с условиями среды, в которой устанавливаются камеры. Алгоритмы подстраиваются под каждую ситуацию без необходимости дальнейших изменений.

 

Огромные объемы видеоданных в данном случае являются преимуществом, а не обузой. Системы глубокого обучения могут поглощать данные для адаптации к новым условиям и требованиям.

 

Глубокое обучение меняет правила игры

 

Благодаря глубокому обучению такие технологии компьютерного зрения, как распознавание лиц или обнаружение движения, становятся более совершенными, меняя видеонаблюдение и другие сферы безопасности.

 

 

В контролируемой среде традиционные алгоритмы показывают себя нормально, но они обычно создаются под конкретные условия использования. Обнаружение объекта или человека, пересекающего заданную виртуальную линию – это в своем принципе простой алгоритм типа «да-нет». Проблемы возникают тогда, когда подобные алгоритмы используются в более сложных обстоятельствах.

 

Линь приводит простые примеры: «Когда вы берете традиционный алгоритм и применяете его для разных локаций видеонаблюдения – одни камеры могут быть размещены в парке, другие на улице – соответствующие локации по-разному отображаются на видеопотоках. Традиционные алгоритмы не смогут справиться с такими различиями».

 

«На оживленной улице возможно большое количество ложных срабатываний системы обнаружения движения или тревоги вторжения злоумышленников из-за постоянного передвижения людей. В данном случае традиционные алгоритмы показывают предел своих возможностей» - сказал он.

 

Другой распространенный сценарий - распознавание лиц, когда полиция опознала разыскиваемого человека. «Благодаря глубокому обучению мы можем внести в базу лицо этого человека с помощью всего лишь одного изображения или видео из базы данных. После этого наше программное обеспечение сможет автоматически проанализировать все записи видеонаблюдения за месяц, два месяца и найти этого человека», - сказал Линь.

 

Он также предсказывает, что в будущем будет возможно использовать даже эскиз вместо фотографии. Хотя точность распознавания при этом снизится, такой вариант был бы невозможным при использовании традиционных алгоритмов.

 

Как раз тут в дело входит Смарт-решение управления видео GeoVision (GV-VMS), которое совершенствует модель ИИ и позволяет осуществлять более сложный и интенсивный анализ. Алгоритмы глубокого обучения GeoVision могут быть подстроены под огромное количество условий, включая:

  • Подсчет людей или объектов, двигающихся в двух направлениях
  • Обнаружение и распознавание лиц для различных целей
  • Маскировка лиц для обеспечения приватности в видео
  • Видео с «защитой от запотевания» в условиях плохой видимости для обеспечения четкости изображения
  • Сшивание видео с нескольких камер в один панорамный вид
  • Стабилизация видео в вибрирующей среде
  • Подсчет людей в толпе при ограничениях посещаемости
  • Устранение искривлений, вызванных широкоугольными объективами
  • Умный поиск событий при обнаружении движения в зоне наблюдения

Комплексное решение

 

В основе уникальной функциональности глубокого обучения GeoVision лежит комплексная система, состоящая из камер, серверов записи и центра управления видео. Он соединяется с IP-камерами GeoVision и сторонними IP-камерами по стандартным протоколам, как показано на рисунке 1. Это возможно благодаря процессорам Intel®, которые повышают эффективность обработки видео и возможности глубокого обучения.

 

Рисунок 1: Смарт-система управления видео (VMS) GeoVision

 

Основанный на архитектуре Intel® x86, сервер GV-VMS полностью использует возможности процессора Intel® Core ™. Использование инструментария Intel® OpenVINO ™ повышает производительность видеоаналитики, основанной на глубоком обучении, в восемь-десять раз. Это обеспечивает большую емкость для одновременной обработки видео без каких-либо дополнительных требований.

 

Камеры Geovision обладают передовыми возможностями глубокого обучения сетей. Камеры могут посылать уведомления при обнаружении вместо того, чтобы передавать все видео на центральную станцию для анализа, что сокращает задержку перед принятием мер.

 

В большинстве городов также имеются устаревшие видеосистемы с камерами, шлюзами и программным обеспечением. Интерфейсы прикладного программирования (API) GeoVision и комплект разработчика программного обеспечения (SDK) обеспечивают связь с устаревшим оборудованием и программным обеспечением. Центр управления GeoVision предоставляет унифицированное облачное программное обеспечение для управления, объединяющее все IP-камеры в общую систему безопасности и управления

 

Так, Ватикан использовал системы видеонаблюдения на протяжении десятилетий. За прошедшие годы это привело к накоплению разных камер, шлюзов и программных инструментов от разных поставщиков. Работая с GeoVision, Ватикан стратегически интегрировал старые камеры и программное обеспечение в централизованное решение для видеонаблюдения. Решение GeoVision позволяет создать единую систему мониторинга видеопотоков на 140 площадках по всему Риму.

 

Интеллектуальное и масштабируемое решение

 

Решение может масштабироваться для эффективного использования видео на любом уровне. Одна система позволяет управлять до 57 600 видеопотоками. Система передает видеоданные в единую облачную систему управления, которая может анализировать и контролировать более 1000 систем GV-VMS. С другой стороны, в центре обработки данных клиента или в облаке доступно хранилище больших данных благодаря использованию серверов на базе процессоров Intel.

 

Решение Smart Video Management Solution также интегрируется с другими системами, например с системами противопожарной безопасности или контроля доступа, расширяя их общую функциональность.

 

Комбинируя возможности глубокого обучения и интеграции с другим аппаратным и программным обеспечением, города могут использовать решения наподобие решению GeoVision для модернизации систем видеонаблюдения. Глубокое обучение улучшает автоматическое реагирование, а интеграция повышает рабочую эффективность. Масштабируемость в свою очередь означает, что рост городов не повлияет на возможности видеосистем.

 

Когда дело касается использования видеосистем в городских условиях, традиционные решения видеонаблюдения удовлетворяют базовые потребности. Но как только проект вырастает до уровня целого города, то только за один день вы можете получить тысячи часов записей. В таком случае для обнаружения необходимых событий вам понадобится слишком много людей и времени. Решение GeoVision облегчает операторам задачу поиска необходимых объектов или событий.