Преимущества видеоаналитики на борту камеры

Искусственный интеллект продолжает революцию в индустрии видеонаблюдения, открывая для клиентов все больше и больше возможностей, в том числе от своих инвестиций.

В настоящее время значительная часть видеоаналитики ограничивается обнаружением объекта и его движения. Чтобы определить, что это за объект и что он делает, требуется программное обеспечение для управления видео на сервере и его интерпретация человеком. Но с помощью интеллектуальных алгоритмов глубокого обучения камеры уже сами могут определять, что это за объект, что он делает и какое действие следует инициировать. 

По словам Андреса Вирджена, менеджера по продуктам Axis Communications, запуск алгоритмов искусственного интеллекта и глубокого обучения на уровне камеры в скором времени будет одним из основных достоинств периферийных технологий. У такого решения есть несколько преимуществ. 

Прежде всего, более высокая точность аналитики и возможность различать несколько классов объектов снижает количество ложных срабатываний. Соответственно, сокращаются затраты времени и ресурсов на их расследование. Аналитика на камере может дать более точный и своевременный ответ. 

Например, когда камеры с поддержкой искусственного интеллекта (ИИ) используются для управления трафиком, аналитика на периферии (на камере) может идентифицировать объекты, определить серьезность проблемы и при необходимости информировать водителя в режиме реального времени, например, о необходимости снизить скорость. 

Разработчики аналитики смогли увидеть тенденции, которые будут полезны не только для управления движением, но и для других целей, например при охране дикой природы. Возможность различать типы движущегося объекта – пешеходы, велосипедисты, автомобилисты, коммерческие автомобили – дает ценную информацию о тенденциях, которая помогает инженерам-строителям планировать умные города будущего. 

"Трансформация СКУД. Особенности сегмента биометрической идентификации. Мнения экспертов" читать >>>

Это далеко не все преимущества. Когда ИИ используется на уровне камеры, алгоритмы получают доступ к отснятому материалу самого высокого качества. Когда видеоматериал передается на сервер, кодеки сжатия неизбежно ухудшают качество, тем самым ограничивая информацию, с которой может работать аналитическое программное обеспечение. Кроме того, когда аналитика используется на стороне сервера, масштабирование становится проблемой. Когда добавляются новые камеры, на серверах должно быть больше места для обработки дополнительных материалов. Когда аналитика выполняется на периферии, нет необходимости в дополнительной инфраструктуре на стороне сервера. 

Количество камер наблюдения, установленных по всему миру, продолжает расти, поскольку люди все больше осознают необходимость видеонаблюдения и камеры дешевеют. Но управление растущим числом камер – утомительная задача, требующая огромной вычислительной мощности. 

Проблему решают Edge-вычисления. Для сети видеонаблюдения это означает, что на самих камерах можно выполнять больше действий. "Роль искусственного интеллекта, машинного обучения и глубокого обучения в видеонаблюдении растет, поэтому мы можем научить наши камеры гораздо более интуитивно понимать, что они снимают и анализируют в режиме реального времени – автобус, машину, человека или животное", – говорит Андрес Вирджен. 

Такое понимание снизит нагрузку на серверы и людей, повысит эффективность и снизит затраты. А главное – ускорит время реагирования, что часто является критическим фактором при таких событиях, как дорожно-транспортные происшествия.

Иллюстрация к статье сгенерирована нейросетью Kandinsky