Условно видеоаналитику можно разделить на два вида – классическую и ситуационную. В этой статье поговорим о применении различных видов видеоанализа при построении систем видеонаблюдения и безопасности. Когда и в каких случаях необходимо использовать тот или другой вид.
Но прежде чем говорить об эффективности использования видеоаналитики применительно к системе видеонаблюдения, разберемся, что означают эти понятия.
В основе классической видеоаналитики заложены математические методы вычисления и сравнения визуальных характеристик изображения. Чем точнее работа детектора, тем более сложный алгоритм заложен в ее основе.
Самые известные детекторы, основанные на таком подходе — это детекторы движения, направления, пересечения линии, детектор лиц, счетчик объектов, служебные детекторы и т.д.
В основе ситуационной видеоаналитики — заложены алгоритмы нечеткой логики. В нечеткой логике, в отличие от классической, вместо величин «истина» и «ложь» используется степень истинности. Логические операции задаются функциями — нейронами. Итак, в основе ситуационной аналитики заложены нейронные сети и следовательно распознавание образов.
Увидеть разницу в использовании разных подходов легко на простом примере. Как посчитать количество людей в очереди? Средствами классической видеоаналитики можно посчитать количество объектов, но будут ли они людьми, ответ можно получить только с помощью использования технологии нейронных сетей.
Когда использовать классическую видеоаналитику
Возможностей эффективного использования классической видеоаналитики много. В некоторых задачах она может почти заменить человека, в некоторых, в какой-то степени, разгрузить и подстраховать. Этот вид видеоаналитики не может заменить человеческий интеллект при необходимости принятия решений, но задачи, которые она решает, решаются с ее помощью эффективно и легко.
Два основных направления применения классической аналитики
- Обнаружение тревожных событий и предупреждение оператора.
- Экономия на архиве. Использование видеоанализа позволяет записывать только нужную информацию, фильтруя данные, не представляющие интереса для пользователя. Использование только одного детектора движения успешно может сократить архив в два раза и упростить поиск информации при расследовании происшествий.
Классические детекторы в составе VideoNet
Первые интеллектуальные детекторы в системе VideoNet появились более 20 лет назад, а работа над алгоритмами, лежащими в основе их работы, началась самом начале 90-х. Такой опыт, исследования и разработки, полученные при работе с аналоговыми камерами, где детекторов не было вообще, нельзя приобрести, если система сразу стала работать с IP-камерами. Современные средства видеоаналитики в системе VideoNet — интеллектуальные детекторы, которые в автоматическом режиме выявляют и реагируют на подозрительные и опасные события.
Прочитать про интеллектуальные средства видеоаналитики в VideoNet
Понимая важность и необходимость использования профессиональных возможностей видеоанализа для систем видеонаблюдения в VideoNet - вся аналитика включена в состав любой базовой лицензии.
Классическая видеоаналитика — что у нее внутри
Методы анализа видеоизображения Перечислим основные методы оценки:
- Метод цветовых гистограмм использует цветовые характеристики для индексирования изображений.
- Пространственное сегментирование. Выделяются области с общими свойствами и связываются с характеристиками формы, цвета, текстуры.
- Индексирование видеофрагментов. Из видеопотока выделяются для анализа ключевые стоп-кадры. И вычисляются характеристики: цветовые гистограммы, характеристики формы и цвета объектов изображения, измерения текстуры. Также индексируются фрагменты по характеристикам движения камеры или сцены и движения объектов.
- Вычисление оптического потока. Используется для индексирования видеоданных по движению. Вычисляется направление и скорость движения в каждой точке видеокадра.
Ситуационная видеоаналитика на основе искусственных нейронных сетей
«И странно,что люди могут безгранично далеко смотреть назад, но не вперёд»
Хорхе Луис Борхес «Сообщение Броуди»
Что важно знать. Нейронная сеть – компьютерный алгоритм, построенный по принципу человеческого мозга и обладающий способностью к обучению, т.е. адаптацией к изменениям. В самой природе нейронных сетей заложена возможность анализа большого объема косвенной и зашумленной информации. Одна из глобальных проблем нашего времени — это лавинообразный рост передаваемой и получаемой информации и интеллектуальный анализ данных при обработке информации — это насущная потребность и необходимость.
В версии VideoNet 9.1 SP1 система видеоаналитики дополнилась сразу двумя новыми нейросетевыми детекторами.
Нейросетевой детектор определения типов объектов обеспечивает однозначную идентификацию в кадре следующих типов объектов: человек, автомобиль, автобус, мотоцикл, велосипед, собака, поезд, самолет. Такая высокая достоверность определения данных типов объектов достигается за счет интеграции в алгоритм работы детектора уникальной нейросети. На точность распознавания типов объектов не влияют погодные условия, смена времени суток, освещенность и т.п. Отличительной особенностью работы нейросетевого детектора является возможность работы с поворотными камерами в режиме патрулирования. Данный детектор может быть использован для предотвращения нарушений правил парковки, предупреждения о появлении человека в опасной зоне или в случаях, когда достоверность определения типа объекта играет существенную роль. Технологии обучения нейросетей позволяют инженерам нашей компании создавать комплексы для идентификации любых типов объектов по запросам пользователей.
Нейросетевой детектор длины очереди позволяет своевременно реагировать на скопление выбранных типов объектов в наблюдаемой зоне. В алгоритме его работы также используется нейросеть. Он может быть настроен на определение очереди из следующих типов объектов: человек, автомобиль, автобус, мотоцикл, велосипед. Данный детектор может быть полезен для организации работы персонала на различных пунктах обслуживания людей и техники (магазины, таможенные терминалы, паркинги и т.д.).
Читать продолжение про сверточные нейронные сети
Последние комментарии