Видеонаблюдение с использованием системы телевидения замкнутого контура (CCTV) существует уже более 20 лет, но оно стало гораздо мощнее благодаря технологическим инновациям, таким как IP камеры, быстрые сети Интернет и большая полоса пропускания для обработки видеоданных. Традиционно службам безопасности и операционным менеджерам поручено осуществлять мониторинг камер видеонаблюдения в режиме текущего времени для выявления ненормального поведения или ситуаций в зонах наблюдения, или для расследования событий после происшествия. Персоналу необходимо просмотреть несколько часов или дней отснятого материала, чтобы извлечь доказательства и понять, что произошло во время происшествия. Однако время и ресурсы, необходимые для всестороннего анализа огромных объемов доступного видео, не позволяют по-настоящему использовать всю важную информацию, которую способны предоставить видеоданные. Человеческие глаза также подвержены ошибкам и отвлекающим факторам, что еще больше затрудняет продуктивную обработку данных с одного канала камеры, не говоря уже о нескольких. В результате преимущества многих ценных видеоданных используются недостаточно.
Вот почему индустрия видеонаблюдения резко изменилась с появлением ПО для видеонаблюдения, основанного на технологии Deep Learning — подвиде искусственного интеллекта, который подвергает технику меткам данных для обучения системы, имитируя способ обучения человека. Машина может «научиться» самостоятельно идентифицировать и классифицировать объекты и шаблоны и становится более опытной, поскольку со временем подвергается большему количеству данных. Deep Learning позволяет технологиям постоянно повышать свою сложность и внедрять дополнительные применения для искусственного интеллекта. В случае сетей видеонаблюдения, программное обеспечение для анализа видеоконтента на основе машинного обучения, учиться идентифицировать и извлекать, классифицировать и индексировать объекты в видео, чтобы дать конечным пользователям способность поиска, действия и количественного определения видеоданных.
Технологию анализа видеоконтента (VCA) можно легко интегрировать с существующими в организации камерами видеонаблюдения и использовать алгоритмы машинного обучения для распознавания и классификации объектов, в том числе людей или транспортных средств. После индексации метаданные видео можно использовать для настройки интеллектуальных оповещений, запуска в текущем времени призывов к действию при обнаружении конкретных объектов или поведения —, или же при возникновении аномальной активности. Например, оповещения на основе подсчета отправляют уведомления, когда количество людей в конкретной области или здании превышает установленный предел, выбранный организацией. Оповещения также могут запускаться на основе идентификации объекта и технологии распознавания лиц.
В дополнение к опциям оповещения, входят структуры анализа видеоконтента в текущем времени или архивирование видеоданных, агрегирующих метаданные для получения количественной информации. Визуализируя метаданные видео, пользователи способны понимать тенденции, извлекать полезные сведения и принимать обоснованные решения для обеспечения защиты, эксплуатации и безопасности. Например, полицейские управления могут отследить, сколько автомобилей игнорируют конкретные знаки на дорогах, или идентифицировать притон, основываясь на количестве людей, которые входят в помещение.
Машинное обучение изменило не только способ просмотра данных видеонаблюдения, но и способы его использования для повышения безопасности и производительности работы. Это снижает потребность людей контролировать каждый канал видеонаблюдения и записанные видеоматериалы, а также позволяет сотрудникам службы безопасности мгновенно реагировать на ситуации, просматривать видеоматериалы и выявлять тенденции, чтобы более продуктивно использовать видеоматериалы. Это оказывает широкое положительное влияние как на безопасность, так и на деятельность органов местного самоуправления, полиции и деловых организаций, включая транспортные узлы, магазины розничной торговли, места проведения мероприятий и прочее.
