Муніципалітети та корпорації все частіше отримують більше користі від систем відеоспостереження, впроваджуючи інтелектуальне програмне забезпечення для аналізу відеоконтенту. Ці рішення виявляють, класифікують та ідентифікують об'єкти, а потім індексують їх, тим самим перетворюючи відеоматеріали в дані, які доступні для пошуку, дії та кількісної оцінки. ПЗ для відеоспостереження може допомогти службам безпеки та правоохоронним органам швидко виявляти й відстежувати потрібні транспортні засоби або людей, шляхом вилучення інформації з багатогодинних відеозаписів. Деякі надійні платформи навіть пропонують повністю інтегровані параметри розпізнавання облич та автомобільних номерів (LPR), щоб ще більше розширити можливості користувачів при пошуці конкретних людей або транспортних засобів. Однак не всі програмні рішення для розпізнавання облич або автомобільних номерів вважаються одночасно продуктивними та досить універсальними, щоб забезпечувати цінність в різних складних сценаріях й умовах, в реальній мережі відеоспостереження.

Розпізнавання облич та автомобільних номерів

Розпізнавання облич на основі технології Deep learning здатне витягувати унікальні особливості з вхідного зображення обличчя та зіставляти їх з галереєю довідкових функцій (наприклад, списком спостереження), щоб визначити особистість людини в запиті. Процес розпізнавання може відбуватися автоматично при виявленні нового об'єкта, і людина-оператор може оцінити та підтвердити кожний одержаний збіг. Оператори можуть створювати списки спостереження облич, використовуючи зовнішні джерела зображень або цифрові зображення, витягнуті з камер відеоспостереження.

Розпізнавання автомобільних номерів працює приблизно так само, але ще дозволяє налаштовувати список спостереження на основі завантаженого списку автомобільних номерів або введених вручну комбінацій. Оператори можуть шукати обличчя або номери автомобілів або в режимі поточного часу, або після події при проведенні судово-медичної експертизи відеозапису. Це покращує ситуаційну обізнаність та час реагування в критичних, чутливих до часу ситуаціях, щоб прискорити розслідування й досягнення мети.

Врахування потреб в обмеженому або «вільному» сценарії

Коли справа доходить до вибору рішень для відеоаналітики автономної технології розпізнавання облич або номерних знаків, організації повинні подумати, чи потрібні їм ці рішення для «польових умов» або в обмежених сценаріях. Деякі рішення для відеоаналітики включають параметри розпізнавання облич та LPR, спеціально створені для лімітованих сценаріїв, таких як ідентифікація облич через систему контролю доступу, щоб дозволити людині доступ в приміщення всередині будівлі. Або ж ідентифікація автомобільного номера, коли транспортні засоби зупиняються біля входу на стоянку. У сценаріях лімітованого розпізнавання грають роль такі фактори:

  • Зазвичай використовується спеціалізована IP камера відеоспостереження — пристрій має єдине призначення та розташований певним чином;
  • Камера знаходиться в контрольованому (обмеженому) середовищі, де поведінка об'єкта в деякій мірі передбачувана: наприклад, автомобіль сповільнюється або зупиняється біля в'їзду або виїзду зі стоянки, або людина проходить через турнікет;
  • Умови сцени (наприклад, освітлення) контролюються та оптимальні;

Інші рішення для ідентифікації облич та LPR створені для розпізнавання «в польових умовах», щоб більш точно визначати місцезнаходження людини або транспортного засобу в розширеній мережі чинних або не призначених для цього камер відеоспостереження, які розташовані в приміщенні або на відкритому повітрі. Залежно від цілей та обмежень, організації може знадобитися рішення, спеціально розроблене для сценаріїв спостереження «в польових умовах».

Опція подібності зовнішнього вигляду може доповнювати технологію розпізнавання облич

Рішення «в польових умовах» для розпізнавання облич та LPR можуть працювати в складних умовах, таких як неоптимальний стан відеокамери, освітлення або погода, але при цьому здатні надавати важливу інформацію, що доповнює просту криміналістичну експертизу та відеоаналітику в поточному часі. Однак з урахуванням проблем, коли обличчя або автомобільні номери не можуть бути ідентифіковані за допомогою розпізнавання облич або LPR на деяких вуличних камерах, опція подібності зовнішнього вигляду вважається важливою додатковою можливістю. Крім того, мають місце міркування конфіденційності або юридичні чинники, які можуть заборонити використання розпізнавання облич або LPR, що робить опцію зовнішньої схожості єдиним способом продуктивно ідентифікувати людину або транспортний засіб на записі.

Опція подібності зовнішнього вигляду може бути заснована на визначених атрибутах об'єкта, таких як стать, головні убори, колір одягу та інше. А також може бути заснована на вилученні ознак глибокої нейронної мережі. У випадках, коли розпізнавання облич або номерних знаків неможливо (через спосіб налаштування вуличних IP камер або правил конфіденційності), механізм зіставлення зовнішнього вигляду на основі Deep learning вважається дієвим інструментом.

Переваги комплексної відеоаналітики

Організації, які перевіряють рішення для відеоаналітики, повинні ретельно розглянути комплексні та масштабовані технології, що пропонують пошук по зовнішньому вигляду поряд з розпізнаванням облич та автомобільних номерів. Точкові рішення, призначені для LPR або розпізнавання облич, мають обмеження в деяких випадках використання, тоді як комплексні рішення для відеоаналітики дозволяють організаціям гнучко вирішувати всілякі варіанти використання й максимізувати інвестиції в комплекти відеоспостереження. Завдяки масштабованості рішення для аналізу відеоконтенту, яке включає розпізнавання облич та автомобільних номерів (серед інших можливостей), організації можуть користуватися перевагами надійного точкового рішення, а також додатковими опціями для більш повного використання інвестицій в відеоспостереження.