Відеоспостереження зазвичай пов'язане з безпекою. Але частіше рішення використовується для запису інцидентів та допомагає в розслідуванні постфактум, а не для запобігання небажаних подій. Відеоаналітика на основі штучного інтелекту — перспективна тенденція, яка докорінно змінює спосіб роботи камер відеоспостереження. Витяг керованих даних з відеопотоку може допомогти розпізнати небезпечні ситуації на ранньому етапі, мінімізувати збиток та, в ідеалі, зовсім уникнути аварійних ситуацій. Водночас штучний інтелект вагомо розширює сфери застосування відеоспостереження, за межами систем безпеки.

Однак, галас навколо цієї нової технології не дає користувачеві вибирати відповідні рішення для розширеного спектра продуктів. Це часто призводить до переоцінки, що супроводжується повним розчаруванням. Чи може відеоаналітика на базі ШІ насправді стати ключем до технологічного прориву у відеоспостереженні?

Технологічний прорив чи "мильна бульбашка"?

Часто кажуть, що ринок програмного забезпечення для управління відео (VMS) стає популярнішим та доступнішим. Деякі продукти зі схожими опціями ускладнюють вибір. В результаті імена компаній та репутація перетворюються в один з їх першорядних пунктів продажів. У виробників є два варіанти: зануритися в цінову війну та розраховувати на скорочення витрат або насправді запропонувати інновацію.

Розробники ПЗ для відеоспостереження, які вибирають другий шлях, тяжіють до створення продуктів, що використовують штучний інтелект на основі нейронних мереж та технології Deep learning. Виниклий два або три роки тому ринок ШІ-відеоаналітики переживає бум зростання. Ця нова технічна хвиля сколихнула все ще застійні закутки світу VMS та дала невеликим амбітним розробникам привід для оптимізму. Схоже, у них тепер є шанс стати лідерами ринку в найближчі роки.

Однак, ажіотаж навколо цієї популярної тенденції викликає розумні побоювання у досвідчених професіоналів індустрії безпеки. Ці проблеми виходять від клієнтів, які шукають розв'язання персональних проблем, а також від постачальників, що створюють довгострокову стратегію розвитку. Це багато в чому нагадує іншу технічну бульбашку, як та, що була побудована навколо відеоаналітики до ШІ, та лопнула, коли стало ясно, що сенсаційні обіцянки навколо неї були рекламним заходом. Проте, існує багато факторів, які вказують на те, що відеоспостереження на базі ШІ не є ще однією оманою.

На що здатний штучний інтелект?

Що ж може робити штучний інтелект в системах відеоспостереження на даному етапі розвитку? Він не здатний достатньо проаналізувати послідовність подій та зрозуміти «логіку» того, що відбувається в полі зору IP камер. Принаймні, сьогодні. Але ймовірно, що ШІ навчиться робити це в найближчі роки. Але аналітика нейронної мережі вже може продуктивно виявляти, класифікувати та відстежувати об'єкти, гарантуючи підвищену точність навіть в завантажених сценах.

Штучний інтелект сьогодні може бути використаний для:

  • Виявлення диму та вогню, для раннього сповіщення про пожежу на відкритих майданчиках
  • Відмінності людей від транспортних засобів, тварин та інших об'єктів, що рухаються, наприклад, для захисту заповідника від браконьєрів
  • Відмінності людини в шоломі та захисному одязі та без, щоб запобігти нещасним випадкам на небезпечному виробничому об'єкті або будівельному майданчику
  • Підрахунку об'єктів конкретного типу, наприклад: автомобілів на стоянці, людей в торговому центрі та інше

Це тільки деякі приклади. Після навчання нейронної мережі, вона здатна вирішувати й інші, аналогічні завдання. Як правило, нейронна мережа, навчена в конкретних умовах, не буде працювати так само продуктивно в інших умовах. З іншого боку, розробники навчилися швидко навчати ШІ для потреб конкретного проекту. Першорядною вимогою вважається наявність достатньої кількості відеозаписів.

Дещо відмінним від цього вважається використання нейронних мереж для розпізнавання облич та номерних знаків. Це приклад відтворюваних нейронних мереж, що робить їх привабливими в комерційному відношенні. Якщо невідтворювані нейронні мережі тільки нещодавно стали економічно доцільними через прискорений розвиток спеціалізованого апаратного забезпечення, то використання ШІ в розпізнаванні облич та ANPR давно усталене.

Інший вид відеоаналітики ШІ, який ми розглянемо — це аналітика поведінки. Ця функція, ймовірно, більше, ніж будь-яка інша наближає системи відеоспостереження до розуміння того, що відбувається. І потенціал цього величезний.

З технічної точки зору, така відеоаналітика поєднує штучний інтелект з класичним алгоритмічним підходом. Нейронна мережа, навчена по багатьох сценаріям, може визначати положення тіл, голів та кінцівок людей в полі зору вуличних та внутрішніх камер. Алгоритм виводить масив даних, що містить описи їх поз. Можуть бути встановлені умови для даних, щоб виявити конкретну позу, таку як підняті руки, а також повалених або людей, що присідають. Розробники можуть використовувати це для прискореного створення нових інструментів виявлення, щоб ідентифікувати передбачувано небезпечну поведінку.

Систему можна налаштувати так, щоб вона автоматично відправляла попередження з моментальним знімком інциденту з відеокамер в поліцію, а там могли оцінити загрозу та при необхідності вжити заходів. Важливо, щоб поліція отримала попередження, навіть якщо на місці події немає можливості активувати охоронну сигналізацію.

Що тепер?

Поведінкова аналітика може бути розгорнута скрізь, де тільки можна уявити. За допомогою цієї функції можна виявити практично будь-яку позу, яка вказує на передбачувано небезпечну поведінку. Своєчасне реагування на сигналізацію допомагає уникнути матеріальних збитків або, в інших ситуаціях, нещасних випадків.

Область розвитку для аналітики поведінки — це здатність аналізувати послідовність поз однієї людини або комбінацію поз та відносних позицій кількох людей. Це буде наступний рівень еволюції використання ШІ у відеоспостереженні: перехід від «виявлення» до «розуміння» поведінки в поточному часі.

В основній формі, відеоаналітика цього типу може бути розгорнута для виявлення відхилень від процедури пошуку в виправних установах, коли потрібно прийняти заздалегідь задану послідовність поз. Більш просунутий вид дозволяє виявляти будь-які види ненормального поведінки, такої як бійка в громадському місці. В ідеалі поведінкова аналітика може прогнозувати небезпечні ситуації на основі майже непомітних сигналів, отриманих з зібраної статистики та аналізу великих даних.

Сьогодні це звучить як чиста фантастика, але те, що не так давно здавалося неможливим, тепер стало реальністю зі штучним інтелектом.