Системи відеоспостереження широко використовуються муніципальними органами влади, правоохоронними органами, торговельними та виробничими підприємствами, банками та іншими установами. Камери відеоспостереження стали стандартом, що забезпечує цілодобовий моніторинг будівель, доріг та інших матеріальних цінностей в режимі поточного часу. Проте, співробітники служб безпеки не в змозі постійно контролювати кожну камеру, а це означає, що немає повної ситуаційної обізнаності. Крім того, відеокамери генерують переважну кількість відзнятого матеріалу, тому у служб безпеки часто не вистачає часу, щоб вручну переглянути заархівовані відзняті матеріали, якщо необхідно провести розслідування після інциденту. Але навіть якщо й здатні виділити час та ресурси для перегляду відзнятого матеріалу, їх спостереження схильні до людських помилок.

Щоб розв'язувати ці проблеми, з'явилося програмне забезпечення для аналізу відеоконтенту (VCA), що підвищує корисність та цінність відеоспостереження: технологія обробляє відео, ідентифікує об'єкти в відеоряді (люди, транспортні засоби та інші предмети) та індексує їх таким чином, щоб матеріал можна було легко знайти та проаналізувати.

Технологія аналізу відеоконтенту необхідна для швидкого пошуку та фільтрації відзнятого матеріалу на предмет корисної інформації. В цілому, технологія використовується трьома різними способами:

  1. для проведення розслідувань після інциденту з метою пошуку облич, що представляють інтерес;
  2. для генерування кількісних звітів метаданих про активність (наприклад, аналіз руху, від кількісної оцінки пішохода або транспортного засобу, до візуалізації щільності руху в теплових картах);
  3. для підвищення ситуаційної поінформованості про безпеку в режимі реального часу;

Запуск сповіщень в реальному часі

Технологія відеоаналізу покращує ситуаційну обізнаність завдяки налаштованим сповіщенням в реальному часі, які спрацьовують при виявленні нерегулярної активності, що може зажадати відповідної реакції. Коли служби безпеки знають, яку звичайну діяльність слід очікувати, то можуть встановити сповіщення на основі конкретних критеріїв, щоб отримувати повідомлення про нерегулярну активність. Ось деякі приклади.

Сповіщення про подібність зовнішнього вигляду. Оператори відеоспостереження можуть налаштувати сповіщення на основі критеріїв подібності зовнішнього вигляду об'єкта. Так, технологія може спрацювати, коли в певній зоні, яка не призначена для транспортних засобів, проїжджає автомобіль. Також технологія здатна розпізнати людей по одягу. Наприклад, можна запускати сповіщення для відстеження кольору уніформи співробітника — щоб менеджери могли стежити за службовцями в робочий час.

Сповіщення на основі підрахунку. Повідомлення можуть запускатися, коли певна кількість об'єктів (транспортних засобів або людей) виявляється в заздалегідь устаткованій зоні, протягом конкретного періоду часу. Це може бути корисно в різних умовах, де важливо контролювати рух або натовп. Наприклад, в аеропортах, на великих стадіонах, або в банках.

Сповіщення про перебування. Підозріла поведінка (наприклад, вештання без діла в громадських місцях), може вказувати на намір вчинити злочин, особливо коли людина затримується на об'єктах, де зберігається цінний інвентар. Коли в певному районі накопичується більше людей, ніж очікувалося, технологія попереджає служби безпеки, для своєчасного реагування.

Оповіщення по розпізнаванню облич. Там, де дозволена технологія розпізнавання облич, поліція може використовувати це для швидкого виявлення підозрюваних та посилання повідомлень в режимі реального часу на основі цифрових зображень, витягнутих з відео або імпортованих ззовні. Наприклад, співробітники служби безпеки здатні витягувати зображення підозрюваних з різних ситуацій (наприклад, під час пограбувань магазину) та збирати список підозрюваних на основі запису відеоспостереження. Коли підозрюваний зі списку виявляється при вході в торговий центр, служба безпеки буде в стані підвищеної готовності та відстежувати підозрюваного в магазині. У разі порушень, поліція або охоронці можуть втрутитися, щоб запобігти злочинові

Технології, які підтримуються штучним інтелектом

Ранні продукти для ПЗ для відеоспостереження намагалися знизити потребу в моніторингу відео людиною в режимі реального часу, викликаючи сповіщення про незвичайну або підозрілу активність руху. Однак ці продукти не досягли необхідного рівня точності. Колишні рішення не могли розпізнати певні об'єкти або поведінку, та мали тенденцію до помилкових спрацьовувань. Таким чином, вони як і раніше вимагають більшої людської взаємодії.

На щастя, за останні десять років аналіз відеоконтенту зазнав величезних змін, що призвело до високопродуктивних можливостей сповіщень, а також до складних звітів. Хоча оператор-людина не повністю виключений з процесу, сучасні рішення мають підвищену точність виявлення та складніші опції, ніж попередники, що дозволяє користувачам швидко реагувати на динамічні умови на основі повної ситуаційної обізнаності. Сьогоднішня комплексна технологія аналізу відеоконтенту спирається на штучний інтелект, заснований на Deep Learning — інновації, в якій нейронні мережі навчаються розпізнавати шаблони з величезних обсягів даних. Оскільки програмне забезпечення для відеоаналітики обробляє відео, воно одночасно виявляє та відстежує, витягує та класифікує кожен об'єкт, який з'являється, та створює структуровану базу даних інформації з неструктурованих відеоданих, забезпечуючи інтелектуальне оповіщення, а також детальний пошук та докладні звіти.

Переваги сповіщень в реальному часі

Сповіщення в режимі поточного часу допомагають як співробітникам служби безпеки, так і операційному персоналу підвищувати рівень обізнаності про ситуацію, виявляти незвичайні та надмірні затримки, відстежувати скупчення людей або черги та прискорювати реагування на надзвичайні ситуації, загрози або підозрілу поведінку. У відповідь вони можуть при необхідності направляти персонал для поліпшення громадської безпеки або підвищення якості обслуговування клієнтів. З цих причин, технологія аналізу відеоконтенту швидко стає важливим доповненням до камер відеоспостереження, дозволяючи організаціям максимізувати цінність чинної інфраструктури.