Переферийная видеоаналитика отличается от привычной серверной тем, что процесс видеоанализа происходит в камерах видеонаблюдения, а не на серверах или видеорегистраторах.
Аналитика, происходящая внутри видеокамеры, т.е. на периферии сети, означает, что оператору необходимо передавать только необходимые данные.
Аналитика же, выполняемая на сервере, требует, чтобы все данные с камеры видеонаблюдения передавались в центр обработки данных для анализа, и из-за этого требуется гораздо большая полоса пропускания.
Мало того, анализ видео в самой камере означает, что видеоизображения имеют максимально возможное качество: нет никакого ухудшения качества, которое может произойти из-за сжатия изображений перед передачей.
Центральным элементом периферийной аналитики на основе Deep learning (глубокое погружение) считается более точное распознавание объектов.
Более высокая точность периферийной аналитики весомо снижает проблему ложных срабатываний, к тому же данная технология дает возможность различать разные типы объектов.
Хотя это, безусловно, полезно, однако потенциал периферийной аналитики и интеллектуального ПО для видеонаблюдения гораздо выше.
Современные варианты использования видеоаналитики по-прежнему сосредоточены на так называемой «аналитике сцены».
Другими словами во главу угла ставится просмотр конкретной сцены в текущем времени, анализ происходящего и реагировании с помощью предупреждений или автоматически запускаемых действий (например, предупреждения о дорожных знаках и управление дорожным движением).
Однако в будущем потенциал проявляется в том, что периферийная аналитика делает с кадрами видеонаблюдения, а также в самих кадрах.
Чтобы видеоинформация просматривалась и анализировалась машинами (будь камера видеонаблюдения, регистратор или сервер), ее необходимо преобразовать в данные.
Происходит абстракция данных, которая связана с сокращением объема данных до упрощенного представления всей картины.
Камера видеонаблюдения, оснащенная периферийной аналитикой, не распознает автомобиль так, как люди, а скорее воспринимает основные характеристики автомобиля как данные.
И не только периферийная аналитика превращает видеоинформацию в данные (что в основном используется в аналитике сцен), но и создает метаданные.
Метаданные — это, по сути, данные о данных. Например, открыв сделанную фотографию на мобильном телефоне, вы узнаете объекты на самом изображении: дом, зеленую машину, человека.
Но изображение также будет содержать метаданные (вы можете увидеть это, щелкнув значок в правом верхнем углу изображения, хотя разные телефоны могут отличаться).
В зависимости от ваших настроек метаданные могут сообщать вам время и дату, когда была сделана фотография, местоположение, выдержку видеокамеры и многое другое.
Благодаря использованию как данных, так и метаданных, продуктивность анализа весомых объемов информации возрастает в геометрической прогрессии.
Именно комбинация данных и метаданных, созданная периферийной аналитикой, может быть чрезвычайно полезна при анализе огромных объемов информации, собранной с течением времени.
Это поможет организациям получить представление об областях интересов, которые можно назвать «тем, что они знают и чего не знают».
Например, «сколько в среднем людей заходят на эту станцию метро с 7:00 до 9:00 утра в будний день?» Они не знают ответа, но они знают, что ищут.
Хотя эта возможность еще раз продвигает преимущества периферийной аналитики, возможно, наибольшую ценность принесут «неизвестные данные», когда аналитика приведет к знанию того, о чем вы не знали.
Машины, использующие Deep learning — невероятно хороши в распознавании закономерностей и выявлении в них аномалий.
Чем больше данных им нужно проанализировать, тем точнее становятся их прогнозы, что приводит к более быстрому и точному решению проблемы.
В этом заключается истинный потенциал периферийной аналитики и интеллектуального программного обеспечения для видеонаблюдения.
Анализ огромных объемов данных с течением времени, ведущий к выявлению закономерностей и их аномалий и обеспечивающий пока еще непредвиденные улучшения в сегменте безопасности, защищенности, предоставления услуг и продуктивности, а также оптимизацию процессов.
Периферийная аналитика только зарождается и, как говорится выше, вся ценность периферийной аналитики может быть реализована не сразу, но определенно проявится со временем.
В некотором смысле, потенциальные преимущества самой периферийной аналитики для любой организации сейчас неизвестны.
Но если организация не начнет использовать периферийную аналитику, она никогда не осознает ее преимуществ. А они есть и их огромное множество.