Подписка
МЕНЮ
Подписка

Ближайшие темы обзоров проекта "СИСТЕМЫ БЕЗОПАСНОСТИ"  * Безопасность мест с массовым пребыванием людей. Антитеррор * Технические решения для мониторинга и защиты верхней полусферы * Импортозамещение в системах видеонаблюдения * Турникеты для объектов с высокой проходимостью   Изучайте тематический план и становитесь автором журнала!

Умные камеры в общественных местах – уже реальность

13/10/2020

У видеоаналитики в общественных местах всегда была проблема. Оговорюсь, что я имею в виду не только те общественные места, где запрещено курить, но и любые другие, в которых почти всегда присутствуют люди. Необязательно сразу и помногу, но группами или по одиночке перемещаются в разных направлениях, и само по себе это не является тревогой.

В большинстве случаев классическая (да и нейросетевая тоже) аналитика как раз должна обнаружить объект там, где ему нельзя находиться. Человек вошел в опасную зону, автомобиль остановился в неположенном месте – тревога. Мы обучаем нейросети для обнаружения не совсем обычных для видеонаблюдения объектов, например колесных пар вагонов и газовых баллонов. Но суть работы детекторов остается довольно простой и обычно сводится к тому, чтобы посчитать объекты или определить, что они появились в какой-то зоне или пересекли некую линию. Проблема заключается в том, что в общественных местах задать такие зоны и линии часто невозможно. Может ли аналитика реального времени применяться в таких местах? Может, но для этого нужно перейти от обнаружения объектов к определению их свойств. Другими словами, перейти от "что" к "как выглядит". Приведу несколько примеров.

Контроль использования средств индивидуальной защиты – касок, светоотражающих жилетов и т. д. – для предотвращения травматизма на производстве. Это сложная аналитика, которая использует сразу три нейросети. Первая находит в кадре человека, вторая обнаруживает область интереса, например голову, и третья определяет, есть ли на ней каска. Тем не менее это реальный детектор.

Другой пример, ставший актуальным в недавнее время, – определение наличия маски на лице. Алгоритм основан на распознавании лиц, только ему не нужно идентифицировать человека. Конечно, эту аналитику лучше использовать в узких проходах, где люди ходят по одному – по двое. Кстати, и распознавание лиц само по себе – это тоже пример аналитики "как выглядит".

Еще один пример – детектор поз. Он обнаруживает поднятые руки, лежащего человека и т.д., а также определяет, держатся ли за перила сотрудники предприятия, поднимаясь или спускаясь по лестнице.

Подчеркну, что речь не идет о распознавании неадекватного поведения в толпе, это пока фантастика. Все приведенные примеры – реально работающие алгоритмы, и с развитием технологий искусственного интеллекта таких примеров будет все больше. Так что умные камеры в общественных местах – уже реальность.

Алтуев

 

 

 

 

Мурат Алтуев
Генеральный директор ITV Group

Темы:ВидеокамерыВидеонаблюдениеВидеоаналитикаЖурнал "Системы безопасности" №4/2020Места с массовым пребыванием людей