С момента своего появления в начале 2000-х годов видеоаналитика прошла различные этапы своего развития. Новый этап развития видеоаналитики наступил с появлением возможности внедрения в системы видеонаблюдения технологий на основе глубокого обучения.
Первые технологии анализа видеоданных разрабатывались как решения для оповещения: автоматически инициируя призывы к действию, они должны были освободить персонал службы безопасности от необходимости непрерывно следить за мониторами. Однако эти решения, основанные на компьютерном зрении, не смогли полностью заменить человека в процессах обеспечения эффективного наблюдения. Кроме того, они часто генерировали сигналы ложной тревоги, а также не могли обеспечить получение точных результатов в процессе поиска нужных кадров в видеоматериалах.
В середине 2000-х годов индустрия совершила прорыв, применив нейронные сети в создании систем, которые могли бы самостоятельно обучаться. Глубокое обучение - это метод, позволяющий технологиям постоянно совершенствоваться. Нейронные сети учатся обнаруживать, идентифицировать и классифицировать данные. Успешное обучение зависит от доступа к большим объемам информации, что само по себе является сложной задачей. Точность видеоаналитики зависит от объема данных, предоставляемых для обучения систем выполнению поставленных перед ними задач.
Прошло несколько десятилетий, прежде чем исследователи смогли применить нейронные сети в системах анализа видеоданных. Основная причина заключалась в том, что до определенного времени процессоры были слишком медленными, а для нейронной сети требовалась большая вычислительная мощность. В середине 2000-х годов, с развитием облачных вычислений и появлением графических процессоров с большей вычислительной мощностью, использовать нейронные сети для анализа изображений и видео стало намного проще.
Помимо оповещения о возникновении определенных событий, решения, основанные на глубоком обучении, позволяют выявлять на видео поддающиеся количественному измерению данные, из которых можно извлечь полезную информацию. Благодаря возможностям глубокого обучения и искусственного интеллекта, передовая видеоаналитика может извлекать, распознавать, классифицировать и индексировать объекты. Это обеспечивает эффективность поиска нужной информации в материалах, которые создают IP-видеокамеры наблюдения. Операторы систем видеонаблюдения могут просматривать все видео за считанные минуты и быстро идентифицировать людей и объекты, представляющие для них интерес.
Источник www.briefcam.com. Перевод выполнила администратор сайта Елена Пономаренко.
