Функции глубокого обучения (Deep Learning) все больше внедряются в отрасли видеонаблюдения. В основе глубокого обучения лежит принцип работы человеческого мозга. По сути оно имитирует работу мозговых нейронных сетей, которые собирают информацию об окружающем мире, анализируют ее и направляют на выполнение необходимых действий.
Технология глубокого обучения в сфере ИТ совершенствуется год от года. Функции распознавания речи, компьютерное видение, голосовой перевод — это лишь небольшая часть из того, чего добились при помощи Deep Learning. Мало того, глубокое обучение в некоторых сферах даже превзошла человеческие возможности. Так в области классификации изображений и идентификации человеческих лиц, данная технология работает гораздо точнее, чем человеческий мозг.
Именно эти возможности привлекли внимание индустрии, связанной с видеонаблюдением. Ведь сегодня системы видеонаблюдения в большинстве своем имеют функцию видеоаналитики, основанной на распознавании лиц, номеров автомобилей, других объектов, а также на поведенческих факторах.
Именно неточность и слабое развитие видеоаналитики приводили к тому, что подавляющее большинство сигналов тревоги системы видеонаблюдения были ложными. Глубокое же обучение способно коренным образом изменить сложившуюся картину.
До сих пор системы видеонаблюдения лишь обнаруживали движущиеся объекты без последующего их анализа. Этим занимались люди, то есть операторы. С появлением интеллектуальных IP-камер положение незначительно изменилось. данные камеры уже могли отображать одну за другой отдельные точки на фигуре, но не давали нужной калибровки лица, например, лба, щек, носа. Это приводило к тому, что точность распознавания лиц была слабой.
Поэтому глубокое обучение сегодня имеет большое значение, так как может исправить сложившуюся ситуацию в видеоаналитике.
Благодаря большому количеству качественных данных, полученных с камер наблюдения и других источников, в сфере видеоаналитики в настоящий момент уже накоплены данные для отрасли безопасности по миллионам категорий объектов и их параметрам. Благодаря такому количеству данных модели распознавания образов человека, транспортных средств и объектов становятся все более точными для использования в системах видеонаблюдения.
Уже сейчас при использовании алгоритмов Deep Learning распознавание лиц и других объектов улучшилось на 38%. Мало того, возможность отслеживание моделей поведения отдельных лиц уже сегодня способно показать, являются ли они потенциальной угрозой.
Для этого программно вводится специальный порог распознавания в определенном радиусе действия и с определенным временным интервалом. И если человек превышает установленный порог, срабатывает сигнал тревоги. То есть система отслеживает действия человека и сравнивает его поведение с базой данных, чтобы узнать, попадает ли он под шаблон. При этом используются параметры, заданные для сравнения с его базой данных и повышающие уровень тревоги.
Благодаря подобной функции, можно понять какие возможности сулит технология глубокого обучения в сфере безопасности. У искусственного интеллекта есть огромный потенциал, который совершенствуется год от года и все чаще применяется в системах видеонаблюдения.
