Відеосистеми сьогодні вже стали основою загальноміської безпеки, але ці системи вже виробляють більше відео, ніж міста можуть використовувати. Постійною проблемою є пошук персоналу для моніторингу зображення з відеокамер і пошукових архівів. І в міру збільшення кількості камер ця проблема буде тільки посилюватися.
Штучний інтелект (ШІ) може допомогти вирішити цю проблему, спрощуючи пошук і аналіз відеопотоків і зменшуючи потребу в людських ресурсах. Але звичайний ІІ складний в розгортанні, часто вимагає великих витрат і тривалих термінів.
«Щоб налаштувати алгоритм ІІ під нові цілі та місцезнаходження, команді розробників може знадобитися від чотирьох до шести місяців», - вважає Шон Лін, менеджер по продуктах GeoVision Inc. «І результати можуть бути невтішними, з дуже великою кількістю помилкових тривог і інших помилок», Він підкреслив, що «те, що потрібно містах, - це більш простий спосіб для операторів точно визначити, що вони шукають в важливих відеопотоках, замість пошуку голки в стозі сіна ».
Поява рішень, заснованих на технології глибокого навчання, значно покращує системи комп'ютерного зору і полегшує відеоаналітіка. Такі системи мають більшу потужність, легше в розгортанні і доступні вже сьогодні.
Завдяки глибокому навчанню, різні моделі можуть бути навчені відповідно до умов середовища, в якій встановлюються камери. Алгоритми підлаштовуються під кожну ситуацію без необхідності подальших змін.
Величезні обсяги відеоданих в даному випадку є перевагою, а не тягарем. Системи глибокого навчання можуть поглинати дані для адаптації до нових умов і вимог.
Глибоке навчання змінює правила гри
Завдяки глибокому навчанню такі технології комп'ютерного зору, як розпізнавання осіб або виявлення руху, стають більш досконалими, змінюючи відеоспостереження та інші сфери безпеки.
У контрольованому середовищі традиційні алгоритми показують себе нормально, але вони зазвичай створюються під конкретні умови використання. Виявлення об'єкта або людини, що перетинає задану віртуальну лінію - це в своєму принципі простий алгоритм типу «так-ні». Проблеми виникають тоді, коли подібні алгоритми використовуються в більш складних обставинах.
Лінь призводить прості приклади: «Коли ви берете традиційний алгоритм і застосовуєте його для різних локацій відеоспостереження - одні камери можуть бути розміщені в парку, інші на вулиці - відповідні локації по-різному відображаються на відеопотоках. Традиційні алгоритми не зможуть впоратися з такими відмінностями ».
«На жвавій вулиці можливо велику кількість помилкових спрацьовувань системи виявлення руху або тривоги вторгнення зловмисників через постійне пересування людей. В даному випадку традиційні алгоритми показують межу своїх можливостей »- сказав він.
Інший поширений сценарій - розпізнавання осіб, коли поліція упізнала розшукуваного людини. «Завдяки глибокому навчанню ми можемо внести в базу особа цієї людини за допомогою всього лише одного зображення або відео з бази даних. Після цього наше програмне забезпечення зможе автоматично проаналізувати всі записи відеоспостереження за місяць, два місяці і знайти цю людину », - сказав Лінь.
Він також передбачає, що в майбутньому буде можливо використовувати навіть ескіз замість фотографії. Хоча точність розпізнавання при цьому знизиться, такий варіант був би неможливим при використанні традиційних алгоритмів.
Якраз тут в справу входить Смарт-рішення управління відео GeoVision (GV-VMS), яке удосконалює модель ІІ і дозволяє здійснювати більш складний і інтенсивний аналіз. Алгоритми глибокого навчання GeoVision можуть бути підлаштовано під величезна кількість умов, включаючи:
- Підрахунок людей або об'єктів, що рухаються в двох напрямках
- Виявлення та розпізнавання осіб для різних цілей
- Маскування осіб для забезпечення приватності в відео
- Відео з «захистом від запотівання» в умовах поганої видимості для забезпечення чіткості зображення
- Зшивання відео з декількох камер в один панорамний вид
- Стабілізація відео в вібруючої середовищі
- Підрахунок людей в натовпі при обмеженнях відвідуваності
- Усунення викривлень, викликаних ширококутними об'єктивами
-
Розумний пошук подій при виявленні руху в зоні спостереження
Комплексне рішення
В основі унікальної функціональності глибокого навчання GeoVision лежить комплексна система, що складається з камер, серверів записи і центру управління відео. Він з'єднується з IP-камерами GeoVision і сторонніми IP-камерами за стандартними протоколами, як показано на малюнку 1. Це можливо завдяки процесорам Intel®, які підвищують ефективність обробки відео і можливості глибокого навчання.
Рисунок 1: Смарт-система управління відео (VMS) GeoVision
Заснований на архітектурі Intel® x86, сервер GV-VMS повністю використовує можливості процессрора Intel® Core ™. Використання інструментарію Intel® OpenVINO ™ підвищує продуктивність відеоаналітики, заснованої на глибокому навчанні, в вісім-десять разів. Це забезпечує більшу ємність для одночасної обробки відео без будь-яких додаткових вимог.
Камери Geovision володіють передовими можливостями глибокого навчання мереж. Камери можуть посилати повідомлення при виявленні замість того, щоб передавати всі відео на центральну станцію для аналізу, що скорочує затримку перед прийняттям заходів.
У більшості міст також є застарілі відеосистеми з камерами, шлюзами і програмним забезпеченням. Інтерфейси прикладного програмування (API) GeoVision і комплект розробника програмного забезпечення (SDK) забезпечують зв'язок із застарілим обладнанням і програмним забезпеченням. Центр управління GeoVision надає уніфіковане хмарне програмне забезпечення для управління, що об'єднує всі IP-камери в загальну систему безпеки і управління
Так, Ватикан використовував системи відеоспостереження на протязі десятиліть. За минулі роки це призвело до накопичення різних камер, шлюзів і програмних інструментів від різних постачальників. Працюючи з GeoVision, Ватикан стратегічно інтегрував старі камери і програмне забезпечення в централізоване рішення для відеоспостереження. Рішення GeoVision дозволяє створити єдину систему моніторингу відеопотоків на 140 майданчиках по всьому Риму.
Інтелектуальне і масштабовавне рішення
Рішення може масштабироваться для ефективного використання відео на будь-якому рівні. Одна система дозволяє управляти до 57 600 відеопотоками. Система передає відеодані в єдину хмарну систему управління, яка може аналізувати і контролювати більше 1000 систем GV-VMS. З іншого боку, в центрі обробки даних клієнта або в хмарі є сховище великих даних завдяки використанню серверів на базі процесорів Intel.
Рішення Smart Video Management Solution також інтегрується з іншими системами, наприклад з системами протипожежної безпеки або контролю доступу, розширюючи їх загальну функціональність.
Комбінуючи можливості глибокого навчання і інтеграції з іншим апаратним і програмним забезпеченням, міста можуть використовувати рішення на кшталт рішенням GeoVision для модернізації систем відеоспостереження. Глибоке навчання покращує автоматичне реагування, а інтеграція підвищує робочу ефективність. Масштабованість в свою чергу означає, що зростання міст не вплине на можливості відеосистем.
Коли справа стосується використання відеосистем в міських умовах, традиційні рішення відеоспостереження задовольняють базові потреби. Але як тільки проект виростає до рівня цілого міста, то тільки за один день ви можете отримати тисячі годин записів. У такому випадку для виявлення необхідних подій вам знадобиться занадто багато людей і часу. Рішення GeoVision полегшує операторам завдання пошуку необхідних об'єктів або подій.