Вы, наверное, слышали о «периферийной аналитике» в отношении видеонаблюдения. Проще говоря, это относится ко все более мощной видеоаналитике, происходящей на «периферии» сети, то есть в самой камере видеонаблюдения. Как и в случае с любой новой технологией, которая предлагает весомый потенциал, отрасль с энтузиазмом ухватилась за этот термин. И это неудивительно, если принять во внимание некоторые из непосредственных преимуществ периферийной видеоаналитики по сравнению с серверной.

Аналитика, происходящая внутри видеокамеры, на периферии сети, означает, что оператору необходимо передавать только ценные данные. И наоборот, аналитика, выполняемая на сервере, требует, чтобы все данные с камеры видеонаблюдения передавались в центр обработки данных для анализа, и с этим возникает гораздо большая потребность в дорогостоящей полосе пропускания. Во-вторых, анализ видео в камере означает, что просматриваемые изображения имеют максимально возможное качество: нет никакого ухудшения качества, которое может произойти из-за сжатия изображений перед передачей.

Но с восторженным принятием новой технологической терминологии возникает опасность: модные словечки имеют тенденцию к злоупотреблению и, зачастую, к неправильному использованию, что приводит к ограниченному или неточному пониманию. В некоторой степени это относится к периферийной аналитике. Не обязательно неточное понимание, но определенно ограниченное. Модные словечки также могут быстро стать ажиотажем, что тоже опасно. Люди настороженно относятся ко всему, что, по их мнению, чрезмерно продвигается и может повлиять на внедрение ценных новых технологий.

Однако периферийная видеоаналитика будет трансформирующей, но по причинам, выходящим за рамки многих обсуждаемых сегодня сценариев использования. Даже для тех компаний, которые сегодня не видят веских причин вкладывать средства в IP камеры видеонаблюдения, оснащенные периферийной аналитикой, сделать шаг раньше будет необходимо для перспективных инвестиций.

Сегодняшнее понимание периферийной аналитики и завтрашний потенциал

Центральным элементом периферийной аналитики на основе Deep learning считается более точное распознавание объектов. Возьмем пример из управления дорожным движением, где одна из проблем традиционной аналитики — это количество ложных срабатываний сигнализации; например, уличные камеры принимают лужи или тени за автомобили, стоящие на шоссе, и создают ложные предупреждения. Более высокая точность периферийной аналитики весомо снижает их, но идет гораздо дальше. Данная технология дает возможность различать разные типы объектов. Вернувшись на дорогу, грузовики, автобусы, автомобили и мотоциклы можно идентифицировать индивидуально, что весомо повышает производительность управления дорожным движением и открывает новые возможности.

Хотя подобные приложения, безусловно, полезны, они лишь поверхностно раскрывают потенциал периферийной аналитики и интеллектуального ПО для видеонаблюдения. Нынешние варианты использования по-прежнему в весомой степени сосредоточены на так называемой «аналитике сцены», то есть просмотре конкретной сцены в текущем времени, анализе 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.

Абстракция данных в видеонаблюдении

В конце концов, это вопрос данных. Даже те, кто не работает в отрасли систем безопасности, знакомы с традиционной парадигмой видеонаблюдения. Живое и / или записанное видео с камер видеонаблюдения, просматриваемое операторами. Иногда они останавливают кадр или увеличивают масштаб, чтобы лучше рассмотреть. Но они всегда просматривают визуальную информацию.

У компьютеров, конечно же, нет глаз. Итак, чтобы видеоинформация просматривалась и анализировалась машинами (будь то на периферии камеры или на сервере), ее необходимо преобразовать в данные. Это история абстракции 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 найти это, щелкнув значок в правом верхнем углу изображения, но 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.

Раскрытие того, чего вы не знаете

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, 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 неизвестные», когда аналитика начнет давать понимание того, о чем вы не знали.

Машины (особенно все более умные 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 и идеи, что приводит к более быстрому и точному решению проблемы. В этом заключается истинный потенциал периферийной аналитики и интеллектуального программного обеспечения в видеонаблюдении; 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 есть соблазн подождать, чтобы увидеть, как все будет развиваться. Но, как указано выше, вся ценность периферийной аналитики (или даже большая ее часть) 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 преимуществ.