МЕТОДИКИ И АЛГОРИТМЫ АНАЛИТИКИ ВИДЕОНАБЛЮДЕНИЯ

VIDEO SURVEILLANCE ANALYTICS TECHNIQUES AND ALGORITHMS

Nikita Chernyshov

student, Department of Information Security, Volga Region State University of Telecommunications and Informatics,

Russia, Samara

АННОТАЦИЯ

В данной статье освещены методики и алгоритмы аналитики видеонаблюдения. Проблемы и цели видео аналитики. Использование алгоритмов в видеонаблюдении.

ABSTRACT

This article highlights the methods and algorithms of video surveillance analytics. Problems and goals of video analytics. The use of algorithms in video surveillance.

Ключевые слова: аналитики видеонаблюдения; алгоритмы; методики.

Keywords: video surveillance analytics; algorithms; techniques.

Методики и алгоритмы аналитики видеонаблюдения

Технологии видеонаблюдения становятся повсеместными в современном обществе. Посетите любое здание, находящееся в общественном достоянии по всему миру, которое позволяет широкой публике посещать его, остановитесь на светофоре или оцените количество домашних камер видеонаблюдения, которые домовладельцы устанавливают с очень высокой скоростью, и вы сможете быстро определить скорость, с которой технология внедряется.

Процесс ручного мониторинга или просмотра видеонаблюдения может быть трудным и неэффективным. Кроме того, использование методов автоматизации и анализа для поиска результатов наблюдения требует использования алгоритмов и интеллекта.

С ростом внедрения технологий видеонаблюдения естественной эволюцией является добавление или дополнение этой технологии способами развертывания методов аналитики для более эффективного использования существующих решений. Используя алгоритмы или технические методы, конечные пользователи решений для видеонаблюдения могут быстрее реагировать на ситуации, требующие видеодоказательств до или после инцидента. Благодаря использованию дополнительных алгоритмов появляется возможность более эффективного обнаружения или обнаружения объектов с использованием математических расчетов.

Растущее внедрение и использование технологий видеонаблюдения можно совместить с быстрым переходом к устройствам Интернета вещей (IoT). Технологии видеонаблюдения считаются наиболее растущим элементом этой эволюции, и ожидается, что к 2027 году ежегодные темпы роста отрасли достигнут 144 миллиардов долларов, увеличившись на 14,6% в период с 2020 по 2027 год. Способность эффективно анализировать данные имеет решающее значение, и Использование алгоритмов и методов анализа данных имеет решающее значение для более быстрого реагирования безопасности.

Использование алгоритмов в видеонаблюдении

При анализе захваченного цифрового трафика или цифрового трафика видеонаблюдения в реальном времени можно использовать различные алгоритмы. Конкретные алгоритмы могут быть созданы для определенных отраслей, таких как транспорт, использование полиции и пожаротушение, а также для конкретных потребностей, таких как распознавание лиц, обнаружение определенного движения или движения или обнаружение объекта.

Техническая интеграция алгоритмов может быть развернута централизованно, на внутренней стороне фермы серверов, в облаке или на конечном устройстве, например, камере видеонаблюдения. При правильной разработке алгоритма можно выполнить широкий спектр обнаружения и обработки изображений, что часто наблюдается в области физической безопасности.

Доступные библиотеки и модули с открытым исходным кодом

В связи с растущей доступностью оборудования и использованием устройств Интернета вещей в целях обеспечения безопасности сформировалось множество библиотек, модулей и платформ с открытым исходным кодом, обеспечивающих более широкую базу возможностей, не обязательно присущих самому оборудованию или отдельной базе продуктов. Пакеты с открытым исходным кодом могут различаться по размеру и объему; однако многие из этих платформ можно использовать для работы в других решениях с открытым исходным кодом для контейнеризации и архитектур на основе микро сервисов. Это может обеспечить масштабирование на уровне предприятия от сотен до тысяч устройств, добавив уровни автоматизации и централизованного управления.

Во многих случаях эти библиотеки и отдельные модули могут обеспечивать поддержку широкого спектра устройств, таких как коммерчески доступные системы камер, использующие стандартные методы связи, специализированные системы камер на базе Интернета вещей и изолированные USB-камеры.

Использование библиотек с открытым исходным кодом также позволяет обеспечить более широкую поддержку посредством обновлений со стороны сообщества. Сосредоточив внимание на преимуществах, библиотеки и модули с открытым исходным кодом позволяют активным разработчикам помогать с обновлениями, исправлениями ошибок и поддержкой некоторых платформ с открытым исходным кодом, предоставляя дополнительные возможности специализированной поддержки через платные услуги и лицензирование.

Дополнительные опции для видеонаблюдения

Решения для видеонаблюдения на уровне предприятия могут включать в себя большое количество инфраструктурных серверов, коммуникационных и сетевых технологий, огромное количество конечных точек, а также возможность сторонних интеграционных решений. Видео аналитику можно интегрировать с системами управления видео (VMS), чтобы дополнить установленные решения искусственным интеллектом (ИИ).

Кроме того, поставщики могут предоставить крупномасштабные варианты хранения, которые помогут удовлетворить текущие требования к хранению, что может предоставить организации возможность масштабирования для больших наборов данных. Много узловая система наблюдения, охватывающая несколько географических регионов, может потребовать терабайты хранилища, доступного из любой точки мира. Программное обеспечение как услуга (SaaS) и дальнейшее внедрение API-интерфейсов позволяют организациям улучшить контроль, управление и общие возможности масштабирования для доступа к видеоданным и управления ими.

Машинное обучение, искусственный интеллект и алгоритмы

Когда дело доходит до типов алгоритмов, положительно влияющих на возможности видеонаблюдения, машинное обучение (МО) упростило и автоматизировало компьютерное зрение и обработку цифровых изображений. Улучшение потоковой передачи данных, облачных сервисов и технологий обработки позволяет алгоритмам машинного обучения обнаруживать объекты или людей в потоковом видео в реальном времени.

В зависимости от типа машинного обучения многие алгоритмы и библиотеки могут быть развернуты для обработки цифровых изображений, обнаружения характерных точек, взаимодействия человека с компьютером (HCI), распознавания лиц, обнаружения шаблонов подписей в банковских операциях, анализа цифровых документов и смарт-тегов. транспортные средства для признания.

Другие алгоритмы, используемые для различения движущихся объектов, могут хорошо работать в различных условиях, например, при низкой освещенности. Например, алгоритм модели гауссовой смеси применяет свой процесс к отдельным пикселям. Модель алгоритма YOLO пытается смоделировать функцию сетчатки человека, используя вероятность положительного отслеживания объектов, используя вход устройства с зарядовой связью (CCD).

Новые инструменты и технологии

Добавление искусственного интеллекта расширило возможности систем видеонаблюдения корпоративного уровня, породило новые платформы и развивало существующих поставщиков технологий, которые позволяют в режиме реального времени выполнять огромный объем аналитики за долю времени, потраченного на анализ данных вручную.

Эти системы могут позволить операторам отображать различных известных людей и объекты. Использование ИИ позволяет системам корпоративного уровня выйти за рамки простого распознавания. Эти системы могут обеспечивать аналитику на основе поведения, которая также может отслеживать не только объект, но также закономерности в его движении и аномалии.

Благодаря накоплению видеоматериалов ИИ можно использовать для лучшего анализа данных в поисках триггеров, аномалий и других точек данных, чтобы лучше информировать или прогнозировать пользователя и организацию, где могут произойти события. ИИ может эффективно анализировать данные в видеопотоках, значительно снижая человеческий фактор при выполнении ручной задачи по прочесыванию видеозаписей. А за счет увеличения автоматизации все больше платформ стремятся к повышению эффективности, предоставляя пользователям единое окно для управления и более простые способы распространения информации. Задача просмотра десятков, сотен или даже тысяч видеопотоков была бы невыполнимой задачей для одного пользователя и не подходила бы для организации соответствующего персонала.

Проблемы и цели видео аналитики

Проблема, связанная с алгоритмическим обнаружением угроз, заключается в уменьшении количества ложных срабатываний. Другая такая проблемная область связана с неприкосновенностью личной жизни и разумным ожиданием неприкосновенности частной жизни как права. Ожидается, что за счет интеграции и использования разработанных алгоритмов интеллект будет только улучшаться, что хорошо для общественной безопасности и осведомленности.

Растущее внедрение технологий видеонаблюдения продолжает набирать обороты во многих различных средах и применениях по всему миру, поскольку наблюдение потенциально может помочь тем людям и специалистам, которые выиграют от повышения безопасности, защищенности и осведомленности. Интеграция алгоритмов повышает ценность технологии видеонаблюдения, обеспечивая большую автоматизацию и возможность обнаружения определенного качества.

Список литературы:

1. Торстен А. Видеоаналитика: Мифы и реальность, Энциклопедия безопасности, 2022. - 105 с.
2. Кругль Г. Профессиональное видеонаблюдение — 2, Энциклопедия безопасности, 2021. - 543 с.
3. Лыткин А.  IP-видеонаблюдение: наглядное пособие, 2011. - 186 с.