В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
 |
Курс развития CCTV: от аналоговых камер к нейронным сетям |
Роман
Максим
Игорь
ВасилийРоман Баранов, "АРМО-Системы"
Тема нейронных сетей активно обсуждается в отрасли безопасности. В теории искусственная нейронная сеть – это компьютерная система или математическая модель, функционирование которой построено по принципу работы нервных клеток человека. Интересно, что алгоритмическую логику системы не программируют от А до Я, она обучается сама, определяя сложные зависимости и распознавая, классифицируя объекты, которые ранее не встречала. В видеонаблюдении именно эта способность нейросетей позволила успешно применять их в сфере аналитики.
В отличие от классической схемы, где, например, алгоритм обнаружения лица в кадре программируется разработчиками и для анализа учитываются только заранее прописанные критерии, нейросеть обучается на примерах. Системе показывают примеры и сообщают, есть в кадре лицо или нет, а она самостоятельно определяет ключевые параметры и присваивает каждому большую или меньшую значимость. Получив достаточное количество примеров, система в дальнейшем будет сама справляться с определением нетривиальных для компьютера параметров, а ее результат нередко превосходит точность работы предопределенного алгоритма.
Данный подход уже реализован в ряде существующих аналитик. В первую очередь это распознавание лиц и детекция подозрительных и/или оставленных предметов, но есть и специфические функции: распознавание у человека оружия или сумки, детекция агрессивного поведения, паники. В сфере транспорта – детектирование непристегнутого ремня безопасности в автомобиле или разговора водителя по мобильному телефону во время движения. Нейросети могут помочь в поиске автомашины с неразличимым номером либо вообще без него, когда поиск ведется по марке, цвету, вмятинам, грязи на корпусе и наклейкам.
Перспективные разработки в области нейросетей связаны с прогнозированием поведения людей и оповещением операторов в реальном времени, а не постфактум. Обучив систему видеозаписями с других объектов, можно определять, например, подозрительное поведение в магазине, предшествующее кражам, а потенциально – и грабежам: праздношатание рядом, частое посещение объекта, нетипичные движения.
К основным сегодняшним ограничениям нейросетей, пожалуй, стоит отнести недостаточную универсальность: заранее обучить систему для применения в любых условиях освещения, ракурсах камер, дальностях объектов в кадре и т.д. достаточно сложно. Как правило, приходится обучать алгоритм для каждой конкретной сцены, а изначальное обучение – это не несколько фотографий либо отрывков видео, а тысячи примеров. В будущем нейронные сети имеют хорошие перспективы просматривать и понимать архив не хуже, чем это сделало бы огромное количество живых операторов.
Игорь Фаломкин, ITV | AxxonSoft
В видеонаблюдении нейросети применяются для видеоанализа. Если классическая аналитика предполагает, что мы сами ищем признаки для классификации объектов или ситуаций и создаем на основе этого готовый алгоритм, то нейросеть – система обучающаяся. Анализируя большое количество изображений, на которых предварительно отмечено то, что нас интересует, например огонь, дым, люди или автомобили, она сама выделяет нужные признаки и учится "узнавать" их.
Преимущество нейросети в том, что она может решать некоторые сложные задачи, для которых создание классического алгоритма очень затратно или практически невозможно. Но при этом нейросеть очень требовательна к вычислительным ресурсам и требует много "учебного материала" – от 10 тыс. изображений для каждого класса объектов.
Василий Волковицкий, Honeywell Security & Fire
Идея искусственных нейронных сетей заключается в том, чтобы смоделировать работу человеческой нервной системы, а именно ее способности к обучению и исправлению ошибок. В этом состоит главная особенность и преимущество нейросети перед традиционными алгоритмами – она способна действовать на основании предыдущего опыта, с каждым разом делая все меньше ошибок. Нейросеть имитирует не только деятельность нервной системы человека, но и повторяет ее структуру, представляя собой систему соединенных и взаимодействующих между собой искусственных нейронов. Каждый нейрон сети (по сути, это процессор) имеет дело с сигналами, которые он получает, и сигналами, которые он передает другим нейронам. Каждый нейрон относится к определенному слою сети. Входные данные последовательно проходят обработку на нескольких слоях сети. Параметры каждого нейрона могут изменяться в зависимости от результатов, полученных на предыдущих наборах входных данных, изменяя порядок работы всей системы. Технически обучение нейросети заключается в нахождении коэффициентов связи между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными. Это значит, что в случае успешного обучения сеть сможет выдать корректный результат на основании неполных или искаженных данных, а иногда и данных, отсутствовавших в исходной (обучающей) выборке.
Применительно к видеонаблюдению нейросети оказались эффективным средством для распознавания образов и видеоаналитики. Почему эта технология появилась только сейчас, ведь нейросети были известны с 40-х годов прошлого века? Этому способствовало несколько факторов. Во-первых, появился большой и общедоступный массив изображений, на которых можно обучаться. Во-вторых, современные видеокарты (GPU), содержащие тысячи простых процессоров, позволяют эффективно распараллеливать процессы, необходимые для обучения и работы нейросетей. В-третьих, появились новые эффективные методы обучения и готовые нейросети, распознающие образы, на основании которых можно делать свои приложения. Все это обеспечивает развитие нейросетей в области видеонаблюдения для анализа видеоизображений. Нейросети и машинное обучение сегодня возглавляют рейтинг самых востребованных технологий.
Роман Баранов, "АРМО-Системы"
Нейрон – это не устройство, а функция, которая оперирует набором заданных параметров на входе. По мере своего обучения она самостоятельно присваивает заданным параметрам определенные коэффициенты и выдает некий результат на выходе. Правильный подбор входных параметров, возможно, и есть самая сложная и важная задача для разработчиков. В анализе видео параметрами являются геометрические показатели изображения, такие как расстояния между точками, скорость их перемещения, яркость и т.д. Следующие этапы в работе нейронов для нас, по сути, черный ящик, где функция определяется и корректируется искусственным интеллектом. В системе может быть даже несколько слоев нейронов, и результат одного нейрона становится входным параметром другого. Набор таких нейронов и образует нейронную сеть, общий результат которой напрямую зависит от результатов всех нейронов.
Игорь Фаломкин, ITV | AxxonSoft
Самая эффективная вычислительная платформа для нейросетей на данный момент – графические процессоры (GPU) видеокарт NVIDIA. Нейросеть можно запустить и на центральном процессоре сервера, но это экономически нецелесообразно. Даже нейросетью на базе GPU невыгодно обрабатывать весь видеопоток, гораздо эффективнее применять ее в комбинации с классическими средствами аналитики.
Предположим, мы хотим обнаруживать на видео людей. Запускаем классический трекер, который выделяет в кадре движущиеся объекты, и передаем нейросети только фрагменты кадров с этими объектами, чтобы она выбрала среди них людей. Таким образом, частота обращений к нейросети снижается и система может обработать больше видеоканалов.
Василий Волковицкий, Honeywell Security & Fire
Многие концепции пришли в индустрию видеонаблюдения из сферы информационных технологий, и использование нейросетей для решения задач видеоанализа не является исключением. Современные видеокарты оказались удобным инструментом для тренировки и построения нейронных сетей за счет возможности эффективно распараллеливать процессы.
Роман Баранов, "АРМО-Системы"
Мультиформатные видеорегистраторы – единственный, на мой взгляд, тип гибридных видеозаписывающих устройств, у которых есть обозримое будущее. Есть узкий круг клиентов, которые предпочитают аналоговое видео высокого разрешения и, как правило, в такие системы не добавляют IP-камеры. Есть такие объекты, где по разным причинам не расстаются с аналоговыми системами. Но в большинстве случаев, особенно при оснащении новых объектов или обновлении системы, проще и логичнее выбрать IP-решение, которое обладает большей гибкостью настроек, возможностями интеграции и, при правильном проектировании, не привязано к продукции одного бренда. Учитывая ограниченный размер этого сегмента рынка, полагаю, что для производителей нет финансового смысла "дробить" свой модельный ряд на линейки, каждая из которых поддерживает разный набор форматов. Логично реализовывать поддержку в регистраторах всех имеющихся аналоговых сигналов высокого разрешения (AHD/HDCVI/HDTVI), IP, а также стандартного аналогового CVBS (PAL).
Максим Савельев, Hikvision Russia & CIS
В отдаленном будущем останутся только IP-регистраторы – скорее всего, они будут использовать беспроводные сети. Но это вопрос не ближайших 10 лет. При этом вряд ли появятся новые форматы аналогового и цифрового сигнала, поэтому гибридные регистраторы будут существовать в нынешнем виде, то есть как мультиформатные.
Василий Волковицкий, Honeywell Security & Fire
Если говорить о гибридных видеорегистраторах, сочетающих возможности подключения как IP-камер, так и камер с аналоговым интерфейсом высокой четкости, то их использование не актуально, поскольку аналоговые системы видеонаблюдения высокого разрешения (HD-CVI/TVI/AHD) разрабатывались и продвигались крупными китайскими компаниями для выхода на американский рынок систем безопасности, где было установлено много систем видеонаблюдения, использующих коаксиальный кабель. Немаловажным фактором являлось и то, что эти, по сути, аналоговые решения не предъявляли особых требований к квалификации установщиков. Ключевой современной тенденцией в области видеонаблюдения является увеличение количества сервисных функций, реализованных в самих камерах, таких как локальная запись видео и звука, видеоаналитика, обнаружение лиц и т.п. Актуальным требованием к современным системам видеонаблюдения является защита передаваемых данных от несанкционированного доступа, которая успешно реализуется при передаче цифровых данных в компьютерных сетях. Аналоговые стандарты высокой четкости не позволяют реализовать эти функции, поэтому решения на базе HD-CVI/TVI/AHD будут востребованы только в сегменте недорогих систем с базовыми функциями. Помимо этого, аналоговые системы не позволяют соблюсти принцип передачи "пиксель в пиксель" (поэтому разрешение таких систем приходится оценивать в телевизионных линиях), а дополнительные аналогово-цифровые преобразования не улучшают качество видеоизображения. Все это приводит к тому, что в ближайшее время вероятность распространения гибридных и аналоговых систем очень невелика, в том числе по причине технических ограничений, которые отсутствуют в IP-системах.
Роман Баранов, "АРМО-Системы"
Вопрос, к которому нужно подходить очень ответственно и аккуратно, детально прорабатывая и взвешивая все плюсы и минусы. Каковы, например, параметры для определения, какие камеры человек может просматривать, а какие нет? Нужно ли ему видеть камеру, расположенную далеко от места проживания, например на другом конце города? Нужно ли видеть архив или только живое видео? Все ли категории граждан будут иметь доступ? Будет ли вестись журнал просмотра: какие камеры просматривал тот или иной человек, кто просматривал конкретную камеру?
С одной стороны, предоставление доступа к камерам видеонаблюдения может повысить осведомленность горожан и добавить удобства в жизнь: легко смотреть дорожную ситуацию в разных местах, следить за детьми во дворе, быстрее замечать и реагировать на какие-то экстренные ситуации. С другой стороны, открывается широкий простор для возможных злоупотреблений, таких как слежение за местами и людьми (их расписаниями, маршрутами) для планирования противоправных действий, осмотр местности с целью проведения теракта. Этот вопрос может потребовать широких общественных обсуждений. По моему, возможно, консервативному мнению, даже сейчас людей, имеющих доступ к городским камерам, слишком много, их число можно сократить.
Максим Савельев, Hikvision Russia & CIS
За рубежом поднимается вопрос о доступе государства, причем платном, к частным камерам. Это понятно – правоохранительные органы, коммунальные службы заинтересованы в повышении эффективности работы. Зачем это населению? Обычно город выделяет одну камеру в качестве презентации исторического или живописного места. На мой взгляд, этого достаточно.
Василий Волковицкий, Honeywell Security & Fire
При соблюдении ряда условий предоставление горожанам доступа к видеоизображению от камер, контролирующих места, открытые для свободного посещения, является целесообразным, поскольку это позволит повысить уровень безопасности. По данным Департамента информационных технологий города Москвы, в столице установлено около 134 тыс. камер, при этом только около 1% из них не работает. Очевидно, что операторы правоохранительных органов физически не в состоянии наблюдать и анализировать видеоизображения от такого числа камер в режиме прямой трансляции. Получив доступ к видеоизображениям, многие люди могут начать просто из любопытства следить за тем, что происходит в городе, помогая раскрывать уличные преступления. При таком доступе права людей не нарушаются, поскольку согласно статье 152.1 Гражданского кодекса РФ разрешено обнародование и дальнейшее использование изображения гражданина без необходимости получения его согласия, если это изображение получено при съемке в местах, открытых для свободного посещения. Очевидно, что доступ к видеоизображениям – это палка о двух концах, поскольку им могут воспользоваться также и злоумышленники, например для отслеживания маршрута потенциальных жертв. Поэтому важно контролировать доступ, например с помощью Единой системы идентификации и аутентификации, которая уже используется в государственных информационных системах.
Роман Баранов, "АРМО-Системы"
У данного подхода есть сильные и слабые стороны. Использовать ли флеш-карты памяти как основной носитель архива, зависит от того, насколько критичной может стать потеря видеозаписей. Основные риски – выход из строя самой карты, физическое ее уничтожение вместе с камерой, причем не обязательно нарушителями, но и, например, в результате аварии на предприятии, а также банальная кража камеры.
Эффективным и компромиссным решением здесь могут стать смешанные способы использования локального хранения на камере:
Экономичность локального архивирования делает этот способ привлекательным для малых систем. Востребован он и для мобильных, транспортных систем, где постоянной связи с центральным сервером может не быть. В любом случае, если флеш-карта – это единственное место, куда пишется архив, стоит позаботиться о регулярном обслуживании и замене носителей. Надежность подобной системы может стать выше, если в камере будут задействованы две дублирующие друг друга карты. Камеры с таким оснащением уже выпускаются, но пока их, к сожалению, не много.
Максим Савельев, Hikvision Russia & CIS
Думаю, только для небольших частных систем. И причина не в ограничении емкости карт памяти. Как правило, заказчик предпочитает хранить архив в надежном месте, и это совсем не обязательно комната охраны, это может быть и ЦОД, и облачный сервис, где реализованы технологии надежной записи и хранения данных.
Василий Волковицкий, Honeywell Security & Fire
Локальная память современных IP-камер позволяет записывать значительные объемы данных, но сохранение видео на карте памяти в качестве основного способа записи эффективно применяется лишь в небольших системах видеонаблюдения, когда, например, требуется контролировать квартиру или гараж, используя мобильное приложение. В этом случае камера выполняет все функции NVR, доступ к которому осуществляется через Интернет. Поскольку в этом случае видеоизображение не транслируется непрерывно, то появляется возможность использовать низкоскоростные каналы связи. Для более крупных систем наличие локальной памяти в камере предоставляет возможность сохранить фрагмент видеоизображения при отсутствии сетевого соединения с NVR. При этом важно, чтобы видеорегистратор поддерживал работу с локальной памятью IP-камеры. Поэтому разработки лидирующих в области IP-видео компаний ориентированы на совместное использование хранилища в IP-камере и NVR. Любопытно отметить, что, по данным сайта www.onvif.org, поддержка локального хранилища (ONVIF Profile G) pкамер различных фирм-производителей, однако при этом поддержка этого же профиля на клиентской стороне (NVR/VMS) есть только у семи компаний в мире.
Опубликовано: Журнал "Системы безопасности" #5, 2017
Посещений: 9021
Автор
| |||
Автор
| |||
Автор
| |||
Автор
| |||
В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
