Современные тенденции встроенной видеоаналитики видеокамер

Как правило, когда речь заходит о видеоаналитике, технические специалисты и просто люди с техническим мышлением, хоть немного, разбирающиеся в тематике, разделяют ее на аналитику "реального времени" и "архивную", дальше деление происходит в зависимости от несущей платформы на камерную и серверную.

Нужно отметить, что бытует и "маркетинговый" подход. Как правило, при "маркетинговом" подходе происходит разделение по отраслям бизнес-применения, вертикальным рынкам, детектируемым объектам, всему, что угодно.

Но оставим маркетинг маркетологам и специалистам по рекламе. Будем исходить из утверждения, что видеоаналитика, это, в первую очередь, математика, которую мы применяем для анализа видеопотоков, а значит, будем пользоваться первой из предложенных классификаций.

Говоря о современных тенденциях встроенной видеоаналитики камер, логично, что мы будем, в первую очередь, упоминать видеоаналитику реального времени, хотя, учитывая скорость развития систем хранения данных, не далек тот день, когда устройства: камера и "видеоархив" станут единым устройством, достаточным для работы в реальных системах, с реальными требованиями служб безопасности.

Необходимо отметить, что разделение видеоаналитики на камерную и серверную, хотя и является справедливым, все-же остается достаточно условным. С точки зрения математики, а именно ее мы берем за основу основ, модели и алгоритмы, применяемые в обоих случаях, схожи.

Главными, в этом случае, становятся производительность, мощность, несущей платформы, оптимальность применяемых алгоритмов и, не в последнюю очередь, гибкость предлагаемых решений.

Только оптимальный набор данных параметров может гарантировать высокую достоверность результатов работы аналитики, все прекрасно понимают, что аналитика с низкой достоверностью результатов превращается в маркетинговый инструмент или просто игрушку: забавно, но в условиях реальной работы абсолютно не применимо.

Возвращаясь к камерам систем видеонаблюдения с встроенной видеоаналитикой необходимо сделать несколько важных акцентов.

В первую очередь, говоря о встроенной видеоаналитике, необходимо помнить, что камера видеонаблюдения изначально обладает достаточно ограниченными ресурсами встроенного процессора, и хотя производительность процессоров постоянно увеличивается, мы, производители видеокамер, всегда остаемся в жестких рамках стандартов энергопотребления нашего оборудования.

Например, новейшая камера Panasonic, обладающая возможностями встроенной аналитики, имеет энергопотребление 6 Вт, в то время как один из простейших серверных процессоров Intel "Xeon E3-1220V2" потребляет 69 Вт.

Многие зададутся вопросом: как такое низко потребляющее устройство вообще способно что-то анализировать? Ответ на данный вопрос достаточно прост: камера видеонаблюдения - это высоко оптимизированное электронное устройство с оптимизированной операционной системой, предназначенное только для одной области применения - видеонаблюдение.

И чем выше производительность встроенного процессора, чем выше общая оптимизация системы, тем точнее и эффективней будет работать видеоаналитика.

Ярким примером являются процессоры семейства Panasonic UniPhier, являющиеся сердцем камер наблюдения Panasonic.

Данные процессоры применяет во всех своих устройствах, где происходит обработка видеопотоков, и если в камерах для эфирного телевидения и кино он обрабатывает, кодирует 1,5 гигабитные потоки видеоданных, то в камерах охранного видеонаблюдения его мощность идет не только на обработку видеопотоков для нужд видеонаблюдения, но и на работу встроенной видеоаналитики.

Вторым важным моментом для понимания механизмов работы встроенной видеоаналитики является осознание того, что камера наблюдения обрабатывает только один видеопоток, и у нее есть прямой доступ к "сырым", не кодированным видеоданным.

И это ее большое преимущество перед серверными решениями, которым необходимо распаковать видеопоток, а на это тратится огромное количество процессорных ресурсов, проанализировать его, векторизовать результаты анализа, иногда произвести сравнительный и статистический поиск в базах данных. Так еще и проделать все это с несколькими видеопотоками.

Третий акцент плавно вытекает из второго. Это слабые стороны встроенной видеоаналитики. Камеры видеонаблюдения пока не обладают возможностью доступа к базам данных, например, для сравнения лиц, они не могут делать сложную векторизацию изображений.

Они не могут производить сложные расчеты для анализа движения множественных объектов или "произвольных" ситуационных комбинаций, на основе которых необходимо генерировать тревожные сообщения. Именно по этой причине многие называют встроенную аналитику - простой.

Отвечая на часто задаваемый вопрос: как и по каким техническим характеристикам камеры видеонаблюдения можно определить реальные возможности встроенной видеоаналитики? - скажу, честно: НИКАК!!! На данный момент ситуация на рынке видеонаблюдения такова, что производители не указывают реальной производительности камер, но даже если бы указывали, то как понять, на что, в действительности, расходуются ресурсы камеры.

В данной ситуации у заказчиков и системных интеграторов остается несколько вариантов:

  • Доверять заявлениям именитых и не очень производителей оборудования и ПО.
  • Доверять независимым тестам.
  • Проводить тестирования непосредственно на объекте.

Последний вариант является самым наглядным и убедительным, но применим для сравнительно крупных объектов, т.к. требует большого количества человеческих и финансовых ресурсов.

Подходя к вопросам применимости аналитики в целом и интеграции встроенных и серверных решений, нужно вспомнить основные решения, встречающиеся во встроенной аналитике.

Традиционные виды встроенной камерной аналитики в той или иной степени присутствуют у всех именитых производителей камер наблюдения.

Нужно отметить, что я не буду вдаваться в многочисленные технические подробности, а лишь обозначу ключевые для понимания вопроса моменты. И так:

  •  Детекция движения - применяется для обнаружения движения в кадре. Один из самых простых и старых видов аналитики в видеонаблюдении. Впервые реализованный еще в аналоговых камерах. Основан, в простейшем случае, на анализе двух последовательных кадров.
  •  Изменение сцены - нужно для обнаружения действий злоумышленников, направленных на отворачивание, закрашивание и т.д камеры видеонаблюдения. Является следующим шагом в развитии детектора движения и требует хранения образа исходной сцены, вычисления текущей сцены и их статистического сравнения.
  •  Детекция оставленных или пропавших предметов - один из ключевых детекторов для различных силовых структур, т.к. напрямую связан с антитеррористической деятельностью. По своей сути является продолжением развития детектора изменения сцены, но в более детализованной форме. Впервые появился еще в аналоговых камерах, например Panasonic WV-CP500, идет по пути точного определения все более и более мелких предметов.
  •  Автоматическое слежение за целью - применим для охраны периметров, закрытых площадей и т.д., всех мест, где возможны одиночные вторжения. Работает на PTZ-камерах. Камера определяет движение в кадре, "фиксируется" на движущемся объекте и ведет его до тех пор, пока объект остается в кадре. Отмечу, что данная функция так же была успешно реализована еще в аналоговых камерах, а сейчас, с развитием IP-технологий, камеры могут передавать объект друг другу, работая в группе.

Далее будет описана группа аналитических детекторов, основанных на векторизации объектов видеопотока и отслеживании их траекторий в кадре.

  • Определение "неправильного" направления движения - видеоаналитика, позволяющая оперативно детектировать нарушителей "условного потока движения". Например, человек, идущий против основного потока людей, или машина, едущая в неверном направлении.
  • Определение вторжения, пересечения границ - применима для защиты частных территорий, железнодорожных путей, транспортной инфраструктуры, везде где возможно движение с разных сторон от условной границы.
  • Детектор праздношатания, неадекватного поведения - определяет "неадекватное" поведение людей в некоторой области, является наиболее сложным из этой группы детекторов, т.к. границы "праздности" определить очень сложно. Далее будет освещен последний, но один из самых сложных и интересных видов видеоаналитики - определение лиц.

Определение лиц - одним своим названием описывает свое предназначение.

Нужно особо указать, что в камерах реализовано именно определение, а не распознавание. Камера не может сравнивать изображение лица с базой данных, она определяет лишь факт наличия лица в кадре, его координаты, иногда может передавать "снимок" лица в стороннее ПО.

Отличительной особенностью аналитики камер Panasonic является то, что камера сама определяет изображение лица, наилучшим образом пригодного для использования в системе распознавания лиц, и отправляет его в ПО в отличие от камер других производителей, которые передают данные о местоположении лица в кадре, либо все изображения, которые удалось детектировать.

Подчеркну, что в данной статье рассмотрены основные виды встроенной в камеры аналитики и намеренно не упоминается о всем многообразии комбинированных серверных решений, таких как распознавание цвета, пола, возраста, мест скопления, так называемых горячих и холодных зон, подсчета людей и т.д.(последние три реализованы в камерах Panasonic новейшего поколения, а также иногда встречаются у других производителей).

Отмечая тенденции развития встроенной видеоаналитики, нужно заметить, что, как и упоминалось выше, процессоры камер видеонаблюдения становятся все мощнее, производители камер открывают возможности для создания "сторонних приложений", только представьте себе: вы можете делать отраслевые, нишевые, аналитические решения на базе камер видеонаблюдения. Эти решения будут работать и отвечать, только вашим требованиям и в той мере, в которой нужно вам.

Уже сейчас использование функции BestShot камер, позволяет снизить нагрузку на сервера распознавания лиц в 4-5 раз по сравнению с сугубо программным подходом. А производители камер наблюдения не стоят на месте, постоянно развивая свои продукты, внедряя все новые и новые наработки.

Сейчас можно с уверенностью утверждать, что обозримое будущее за гибридными системами. Профессионалам в области систем видеонаблюдения известно, что самой точной видеоаналитикой является человеческий мозг, пока аналитические системы не достигли такой точности распознавания и идентификации.

Да, они быстрее, способны обрабатывать огромные массивы данных, но точность ниже, чем у человека.

Перспективные разработки лежат в области исследования и моделирования нейронных сетей, сейчас они реализованы на программном уровне, но есть прецедент создания процессора, реализующего нейронную сеть, способную обучаться и эффективно идентифицировать сложные объекты в видеопотоке.

Когда данная технология будет отработана, встроенная видеоаналитика сделает принципиальный скачек в развитии. Ну, а пока нас ждут эффективные гибридные решения.

 

Д. Портнов, инженер, отдел систем безопасности департамента системных решений, ООО "Панасоник Рус"

источник