Сегодня системы видеонаблюдения неотрывно связаны с видеоаналитикой, которая позволяет определять людей по лицу, походке, фигуре, автомобильные номера, выявлять интересующие покупателей товары и услуги, интересующую их рекламу, количество посетителей, их активность и многое другое.

История видеоаналитики началась в начале 1990-х годов, когда впервые был представлен VMD — новый способ обнаружения изменения пикселей в сцене.

Вместо того, чтобы заставлять кого-то постоянно следить за вашим видео и ждать, пока что-то не произойдет, VMD помогал выявить, когда произошло движение.

Пользователи смогли определять области, на которых они хотят сосредоточиться, и при обнаружении каких-либо изменений в указанной сцене получать уведомления.

В то время как VMD считался переломным моментом, когда он был выпущен, со временем стало очевидно, что VMD недостаточно умен, чтобы знать, действительно ли то, что движется, является объектом интереса службы безопасности.

Например, если вы хотели контролировать охрану вашего розничного магазина после 23:00, чтобы убедиться, что нет подозрительной активности, сигнал тревоги все равно срабатывал, если в обозначенной зоне контроля видеокамеры появлялось животное или раскачивалось дерево.

VMD основывалось на любом изменении пикселей в выбранной области видео, которое в конечном итоге приводило к ложным тревогам. Для пользователей VMD это привело к дополнительным расходам, поскольку им приходилось подтверждать тревогу, отправив сотрудников службы безопасности или полиции на место происшествия.

Простая видеоаналитика, построенная на основе VMD, была представлена ​​около 2000 года и включала соотношение высоты и ширины, скорость объекта и повторяющееся движение.

Использование алгоритмов и фильтрации того, что вызвало тревогу, помогло уменьшить количество ложных тревог по VMD.

Но хотя это усовершенствование сработало в определенных средах, все еще существовала потребность в лучшем решении для отслеживания человека на протяжении всей сцены.

Ложные тревоги по-прежнему были обычным явлением, и потребность в распознавании и идентификации людей росла.

В течение этого периода времени в отрасли видеомониторинга происходили и другие изменения, а также новинки в области CMOS-сенсоров, которые дополнили аналитику, обеспечивая четкие изображения даже в условиях низкой освещенности и динамического освещения.

В наши дни отрасль стремительно вступила в новую эру аналитики на основе искусственного интеллекта. Эта сложная технология смогла обеспечить большую точность, чем аналитика предыдущего поколения.

Использование алгоритмов машинного обучения и глубокой нейронной сети (DNN) с видео позволяет камере анализировать сцены для обнаружения конкретных объектов, обеспечивая самые лучшие результаты, которое отрасль безопасности видела до сих пор.

Алгоритмы специально обучены обнаруживать людей с помощью нейронных сетей. Современные модели DNN обладают повышенной универсальностью, так как их можно применять также для обнаружения автомобилей и других объектов. Благодаря же непрерывному обучению искусственного интеллекта точность и производительность видеоаналитики могут со временем увеличиваться.

Результат — гораздо большая точность обнаружения. Например, теперь, когда вы отслеживаете активность на охраняемом объекте, камеры на основе ИИ могут различать человека и животное или ветку дерева, поэтому сигнал тревоги срабатывает только тогда, когда там находится человек или другой, вызывающий настороженность, объект.

Кроме того, к камерам можно применить несколько аналитических средств искусственного интеллекта для обнаружения других вещей, например активности с участием транспортных средств.

Например, если вы контролируете зону, где транспортные средства всегда должны двигаться в одном направлении, предупреждение или сигнал тревоги могут срабатывать, если автомобиль начинает движение в противоположном направлении, если транспортное средство неподвижно дольше определенного периода времени или если кто-то въезжает в зону, которую вы определили как запрещенную.

Очевидно, что эволюция видеоаналитики упростила для предприятий и бизнеса использование их решений безопасности в полной мере. Камеры с аналитикой на базе искусственного интеллекта могут значительно упростить ведение бизнеса — от уменьшения количества ложных тревог до уменьшения нагрузки на сотрудников.

Используется видеоаналитика и в маркетинге. Благодаря чему владельцы бизнеса могут определять заинтересованность покупателями теми или иными товарами, выявлять время нагрузки на торговые площади, когда количество посетителей растет и т.д.

По сути, сегодня видеоаналитика — это интеллектуальный анализ потока видеоданных от камеры (последовательно поступающих видеоизображений) и автоматическое выявление различного рода данных и детектирование заранее запрограммированных ситуаций.

Аналитика ведется как в режиме реального времени, так и при работе с архивом. Результатами работы видеоаналитики являются события, которые могут быть переданы оператору системы видеонаблюдения в виде сообщения или записаны в архив для последующего поиска по ним и составления отчетов.

Появление и развитие видеоаналитики отчасти обусловлено и тенденциями увеличения количества камер на объектах на единицу площади. Это усложняет задачу работы оператора, а порой она становится невыполнимой.

С контролем сотен камер, к примеру, одному оператору не справиться, необходим целый штат сотрудников, сканирующих мониторы. Помощь аналитики очевидна — освободить оператора от непрерывного контроля над видеорядом.

Выявляя только нужные события и оповещая о них, тем самым позволяет сконцентрироваться на принятии решений. С такой задачей справится и один оператор. К тому же скорость реакции на тревожные события значительно увеличивается, а риск пропустить что-то важное — снижается.

Сегодня появилась и ситуационная видеоаналитика, позволяющая запрограммировать тревожные ситуации, которые могут возникнуть в кадре и по которым нужно сделать какое либо действие — выдать окно оператору, вывести камеру в полный экран, записать видеоролик, создать запись в протоколе событий.

Появились различные ситуационные видеодетекторы аналитики:

  • детектор пересечения объектом линии в выбранном направлении
  • детектор движения в заданной зоне
  • детектор входа/выхода объекта из зоны
  • детектор появления/исчезновения объекта в зоне
  • детектор остановки или пребывания объекта в зоне.
Мало того, уже существует превентивная видеоаналитика, которая позволяет определить, что произойдет на охраняемом объекте через некоторое время, опираясь на то, что видеокамеры снимают в данный момент.
Так можно определить, что вот вот начнется инцидент и вмешаться до того, как он произойдет.
Видеоаналитика не стоит на месте, она постоянно развивается, благодаря развитию искусственного интеллекта.
Так, активно ведутся работы в области распознавания лиц. В частности, развиваются алгоритмы на основе построения 3D моделей. Это позволит более качественно производить идентификацию и решать задачи безопасности.

Развивается распознавание половых и возрастных признаков. Это функционал необходимый для бизнес-аналитики в ритэйле. Он позволит распознавать лица покупателей в магазинах для оценки их возрастной категории и распределять по гендерному типу.

С помощью такой статистики можно будет формировать стратегии продаж, ориентировать рекламные кампании на определенный круг потребителей и даже адаптировать отдельные магазины под конкретную группу потребителей.

Совершенствуются и детекторы нетривиального поведения. Они позволяют повысить эффективность и оперативность работы операторов наблюдения.

Что ждет нас впереди — покажет время. Но уже сегодня можно с уверенностью сказать, без видеоаналитики видеонаблюдение теряет смысл. Это что-то вроде сапожника без сапог.