Человеческий мозг не приспособлен для решения задач анализа больших объемов видеоданных. Это факт. Из которого следует очевидный вывод — без применения автоматического анализа видео — камеры видеонаблюдения становятся бесполезны. И чем крупнее и дороже система, чем глобальнее решаемые с её помощью задачи — тем большая роль должна отводиться автоматизации анализа видеоданных, часто — помощь оператору либо самостоятельное принятие решений на базе этого анализа системой видеонаблюдения.
Тем не менее — возможности аналитики — ограничены. И особенно они ограничены в случае применения «на борту» видеокамеры. В данной статье — попробуем перечислить основные существующие видеоаналитические алгоритмы, их ограничения при применении в камерах видеонаблюдения, а также нащупаем алгоритм выбора между «камерной» и «серверной» аналитикой.
Что такое «видеоаналитика» и какая она бывает?
Прежде чем мы перейдем к попытке классифицировать существующие типы видеоаналитики нужно зафиксировать, что общепринятых устоявшихся терминов и определений не существует и по многом я их буду «изобретать». Тем не менее — я основывался на большом объеме данных из документа List-of-supported-IP-devices-in-DriversPack (Пакет драйверов Drivers Pack компании ITV) — где собрана информация о нескольких тысячах IP камер.
Видеоаналитика — способность камеры автоматически анализировать видеоматериалы для определения временных и пространственных событий. Это технология, использующая методы компьютерного зрения для автоматизированного получения различных данных на основании анализать последовательности изображений, поступающих с видеокамер в режиме реального времени или из архивных записей.
Говоря о аналитике — нужно разделять сами алгоритмы и их реализацию «в железе». Далеко не вся аналитика может быть перенесена «на борт» камеры по нескольким причинам:
- ограничения производительности процессоров, применяемых в камерах наблюдения;
- «бесполезность» аналитики без применения получаемых данных в «окружающих» информационных системах и «привязки» генерируемых камерой «событий» к управляющим воздействиям в связанных с системой видеонаблюдения системах, прежде всего — в СКУД.
Т.е. часть аналитики камера «не тянет» или тянет, но с трудом. А часть — просто бесполезна без интеграции камеры со слаботочными и IT системами. Но эта грань — не жёстко задана раз и на всегда. Камеры оснащаются всё более «мощными» процессорами, а интеграция камеры и исполнительных устройств и IT систем может быть реализована и напрямую, без использования отдельных серверов и программного обеспечения.
Детекция движения (motion detection)
Базовый детектор, доступный в самых бюджетных камерах и видеорегистраторах. Как правило основан на попиксельном сравнении двух соседних кадров между собой. Для установки численного различия между кадрами, при котором будет срабатывать детектор, обычно используется регулируемая чувствительность детектора движения, могут использовать настраиваемые зоны в кадре.
Достоинства
- есть всегда — в любой камере;
- позволяет экономить место в архиве и снижать нагрузку на локальную сеть (запись по движению, тревожный монитор);
- почти не расходует ресурсы процессора — за счет простоты алгоритма.
Недостатки
- сложность при настройке (при высокой чувствительности камера будет реагировать на любое мелкое изменение картинки, а при низкой, напротив, будет пропускать движения в кадре);
- ложные срабатывания на движение деревьев, листвы, тряску самой камеры от ветра (отчасти можно компенсировать выделением только интересующей зоны на сцене)
- ложные срабатывания на внутренние шумы матрицы при низкой освещенности.
Применение
- запись в архив только в случае детекции движения на объекте (снижение затрат на архив);
- использование ‘тревожного» монитора (меньше сотрудников и вычислительных мощностей сервера видеонаблюдения за счет вывода только тех потоков с камер, где детектировано движение).
Поведенческая видеоаналитика (video content analysis VCA)
Нужно сразу поставить границы: говорить о «анализе поведения» человека каким-либо алгоритмом — это скорее маркетинг, чем реальное описание работы алгоритма. Говоря о поведенческой видеоаналитике — мы должны также разделять классические и нейросетевые алгоритмы. Тем не менее — говоря о поведенческих алгоритмах — мы будем подразумевать анализ видеоизображения на предмет выявления косвенных признаков, по которым можно сделать какие-либо предположения о поведении объектов наблюдения.
Обнаружение пересечения линии (line crossing detection / tripwire)
Пересечение виртуальных линий — позволяет в кадре камеры нарисовать линию, при пересечении которой будет срабатывать детектор. Может иметь возможность настройки направления пересечения линии, размера детектируемого объекта (например иногда нужно чтобы детектор срабатывал на машины а не на людей) и процент пересечения линии объектом.
Достоинства
- простота технологии, наличие в любой, даже бюджетной камере
Недостатки
- неблагоприятные погодные условия, как например, сильный ливень или снегопад, могут ухудшать точность обнаружения;
- требует корректной настройки;
- ограниченное применение в качестве охранного извещателя, не заменяет системы защиты периметра;
- без фильтрации нейросетевым фильтром — возможно большое число ложных срабатываний
Применение
- контроль периметра охраняемой территории;
- простейший вариант «подсчета посетителей»;
- контроль соблюдения правил дорожного движения (пересечение сплошных и стоп линий)
- зоны общего пользования с неинтенсивным движением, например, входы в здания, погрузочные площадки, парковки
Вторжение в область (region entrance / exiting detection, intrusion detection)
Детекция вторжения в зону — функция близкая по смыслу к «пересечению виртуальных линий». Только в данном случае мы рисуем уже не одну линию, а область.
И смысл здесь уже не только в детекции, но и в том что можно задавать тайминг времени нахождения или отсутствия в зоне, входа / выхода из зоны.
Достоинства
- простота технологии, наличие в любой, даже бюджетной камере
Недостатки
- неблагоприятные погодные условия, как например, сильный ливень или снегопад, могут ухудшать точность обнаружения;
- требует корректной настройки;
- ограниченное применение в качестве охранного извещателя, не заменяет систему охранной сигнализации;
- без фильтрации нейросетевым фильтром — возможно большое число ложных срабатываний
Применение
- контроль «стерильной зоны», «зоны отчуждения»;
- контроль нахождения сотрудника в рабочей зоне;
- контроль времени парковки;
- т.н. «праздношатание» (длительное нахождение в зоне людей, где это длительное пребывание не предполагается);
- контроль входа или выхода из определенной зоны
Быстрое движение (fast-moving)
Здесь оценивается не время пребывания, а скорость перемещения объекта.
Достоинства
- простота технологии
Недостатки
- без фильтрации нейросетевым фильтром — возможно большое число ложных срабатываний
Применение
- контроль общественных пространств
Обнаружение толпы (crowd detection, crowd gathering estimation)
Эта технология наблюдения в режиме реального времени, которая позволяет определять плотность скопления людей.
Достоинства
- простота технологии
Недостатки
- без фильтрации нейросетевым фильтром — возможно большое число ложных срабатываний
Применение
- контроль общественных пространств
Ситуационная видеоаналитика (situation analysis)
Речь идет про те алгоритмы, которые позволяют с некоторой вероятностью выявить ситуации, требующие внимания оператора видеонаблюдения либо алгоритмы, автоматизирующие действия оператора по контролю за обстановкой на объекте в реальном времени.
Оставленные / пропавшие предметы / багаж (object removal detection, unattended baggage detection, abandoned objects detection)
Детектор пропавших или оставленных предметов уведомит вас в случае появления или наоборот исчезновения объектов в заранее отведенной области кадра. Также есть возможность задать время нахождения или отсутствия объекта в кадре.
Достоинства
- простота технологии
Недостатки
- без фильтрации нейросетевым фильтром — возможно большое число ложных срабатываний
Применение
- обнаружение вещей без присмотра (как правило на транспортных объектах);
- контроль сохранности вещей (например — в музеях)
Празношатание (loitering detection)
Детектор обнаруживает активность одного и того же объекта в защищаемой зоне дольше заданного времени.
Достоинства
- простота технологии
Недостатки
- без фильтрации нейросетевым фильтром — возможно большое число ложных срабатываний
Применение
- подходит для обнаружения праздношатания на полуобщественных территориях, где нет интенсивного движения, в том числе в нерабочее время на автостоянках, в школьных дворах и вдоль ограждений.
Автоматическое сопровождение движущихся объектов (auto tracking, smart tracking)
Данная функция позволяет автоматически обнаруживать, увеличивать изображение и сопровождать движущиеся объекты с использованием цифрового PTZ-управления для стационарных мегапиксельных камер либо скоростных поворотных камер. Как правило, применяется совместно с функциями обнаружения вторжения, пересечения линий, обнаружения праздношатания и обнаружение лиц.
Достоинства
- позволяет использовать ресурсы высокоскоростных поворотных видеокамер более эффективно, не используя ручной труд оператора наблюдения
Недостатки
- без фильтрации нейросетевым фильтром — возможно большое число ложных срабатываний
Применение
- аэропорты, критически важная инфраструктура, городское наблюдение, торговые центры и парковки
Детекторы выстрелов, разбития стекла, автосигнализации (audio detection, gunshot detection, glassbreak detection)
Срабатывает при превышении / снижении выбранного уровня громкости либо реагирует на определенные звуки (например на шум выстрела огнестрельного оружия, разбитие стекла, автомобильную сигнализацию).
Достоинства
- простота технологии
Недостатки
- работает только в камерах со встроенным микрофоном или микрофонным входом.
Применение
- аэропорты, критически важная инфраструктура, городское наблюдение, торговые центры и парковки
Детектор пламени / дыма / огня (fire detection)
Специальный алгоритм позволяет обнаруживать пламя и дым.
Достоинства
- используется как дополнение к пожарной сигнализации для раннего обнаружения возгорания.
Недостатки
- для применения в системах противопожарной защиты требует наличия соответствующей сертификации
- высокая стоимость
- зависимость вероятности обнаружения возгорания от погодных условий и времени суток (для применения на улице)
Применение
- в качестве извещателя пожарного с видеоканалом обнаружения — в случае сертификации по ТР ЕАЭС 043/2017
- как дополнение к системе противопожарной защиты
- для защиты открытых пространств, не требующих защиты законодательно средствами пожарной сигнализации (например лесные хозяйства и т.п.)
Измерение температуры тела (body temperature detection)
Применим для тепловизоров. Измеряет температуру тела человека. Часто сочетаются с обнаружением лица в кадре.
Достоинства
- простота технологии
Недостатки
- высокая стоимость
Применение
- для ограничения доступа на объект людей с температурой
Сервисные детекторы / детекторы саботажа (video quality detection, tampering detection)
Эта серия алгоритмов, позволяющих выявить умышленные либо неумышленные внешние воздействия на камеру видеонаблюдения.
Обнаружение смены сцены съемки, закрытие камеры (scene change detection, tampering detection, video tampering)
Работа алгоритма основывается на запоминании базового кадра. Если в последующем происходит значительное изменение этого кадра, то срабатывает детекция.
Достоинства
- простота технологии
Недостатки
- требует настройки реакции на сработку
Применение
- детекция попытки закрыть, закрасить, залить какой-то жидкостью объектив;
- детекция попытки сорвать, разбить камеру или отвернуть камеру в сторону;
- детекция изменения сцены вследствие природных / техногенных явлений (например, разворота конструкции, на которой крепится камера, от ветра).
Это позволяет вовремя детектировать преднамеренный саботаж или случайные изменения сцены съемки — для немедленной реакции охраны либо для составления графика и плана технического обслуживания объекта (-ов).
Обнаружение расфокусировки (defocus detection)
Если произойдет расфокусировка объектива, выражающаяся в размытии картинки, то сработает детектор. Как вариант можно использовать этот детектор, чтобы фиксировать необходимость подстройки фокусировки камеры, сбившейся, например, от вибрации в месте монтажа. Иногда эту функцию добавляют к детектору саботажа как отдельный подпункт или же как одну из настроек, при которой будет происходить срабатывание.
Расфокусировка может быть вызвана:
- загрязнением объектива;
- погодными условиями (снег, дождь, туман и т.д. мешают фокусировки камеры);
- случайным попаданием в кадр лишних предметов (ветви дерева, паутина, насекомые);
- возникновение вибрации из-за ветра;
- изменением глубины резкости.
Тут речь идет уже о сервисном детекторе — который позволяет выявить камеры с ненадлежащим качеством съемки.
Достоинства
- простота технологии
Недостатки
- требует настройки реакции на сработку
Применение
- детекция ухудшения изображения из-за расфокусировки
Это также позволяет вовремя детектировать преднамеренный саботаж или случайную расфокусировку камеры — для немедленной реакции охраны либо для составления графика и плана технического обслуживания объекта (-ов).
Обнаружение физического взлома, удара (tampering, shock detection)
В редких случаях в камеру может быть встроен датчик вскрытия корпуса / гироскопический датчик удара (shock detection), который реагирует на механические воздействия на корпус камеры видеонаблюдения.
Достоинства
- простота технологии
Недостатки
- применима только в камерах с встроенными датчиками вскрытия корпуса / удара
Применение
- детекция саботажа, попытки вывести камеру из строя
Обнаружение хакерского взлома (hacking detection)
Речь идет о функциях обнаружения попыток хакерского взлома камеры видеонаблюдения, таких как многократные попытки получения доступа на web-интерфейс камеры, попытки получения доступа к камере с IP-адреса вне разрешенного «белого» списка и т.п.
Достоинства
- простота ехнологии
Недостатки
- требует настройки реакции на сработку
- требует настройки
- цена камеры
Применение
- детекция попыток получения несанкционированного доступа к потоку с камеры
Распознавание объектов
Это класс алгоритмов, позволяющих обнаруживать, классифицировать и распознавать определенные признаки объектов, в том числе — по которым можно идентифицировать объект.
Обнаружение лиц (face detection)
Распознавание лиц в видеоаналитике чуть более широкое понятие, чем в биометрии. В биометрии под распознаванием лиц, как правило, подразумевается однозначная аутентификация человека. Анализ лиц в видеоаналитике может применяться без сравнения с базой данных.
Алгоритмы нахождения лица в кадре основаны на выявлении ряда его признаков. В их числе — наличие глаз, а также носа и рта, однородная яркость и цвет кожи, форма лица и другие. Появление в кадре каждого нового лица система может учитывать отдельно. По ним возможен отдельный поиск в архиве — оператор быстро просмотрит последовательность ранее обнаруженных лиц, с указанным временем их обнаружения. При наличии записи на карту памяти эти кадры могут сохраняться в камере как наиболее важная часть полученной информации.
Достоинства
- простота технологии, наличие почти в любой камере
Недостатки
- без фильтрации нейросетевым фильтром — в редких случаях возможны ложные срабатываний или наоборот — пропуск лиц
Применение
- обнаружение людей в кадре (на автостоянках, в производственных помещениях, в общественных зданиях, на складах и т.д.) для автоматического действия (сохранения стоп-кадра, вывода потока с камеры на тревожный монитор и т.п.);
- продвинутый детектор движения, реагирующий только на людей;
- бизнес-аналитика (определение пола, возраста и т.п.).
Распознавание лиц (face recognition)
Все оборудование можно разделить на две большие группы:
- «камеры видеонаблюдения со встроенным распознаванием лиц»
- «оборудование для систем контроля доступа со встроенным распознаванием лиц».
Говоря про распознавание лиц «на борту» камер — мы в основном имеем в виду 2D распознавание. Устройства мультифакторной биометрической идентификации со встроенным распознаванием лиц (терминалы распознавания лиц) могут быть построены как на базе 2D, так и на базе 3D распознавания лиц.
В основе технологии 2D (двумерного) распознавания лиц, лежат плоские двухмерные изображения. Алгоритмы распознавания лиц используют: антропометрические параметры лица, графы — модели лиц или эластичные 2D-модели лиц, а также изображения с лицами представленные некоторым набором физических или математических признаков.
Достоинства
- зрелость технологии
Недостатки
- ухудшение качества распознавания при ухудшении освещенности и изменении положения головы или ракурса;
- требует выбора места установки камеры;
- более высокие коэффициенты ошибок FAR и FRR по сравнению со специализированными решениями 3D распознавания лиц
Применение
- «черные» и «белые» списки;
- поиск в архиве;
- дополнительный идентификационный признак в СКУД
Санитарные детекторы (mask detection, social distance detection)
В условиях мировой пандемии, когда к индивидуальной защите граждан со стороны государства предъявляются повышенные требования, получили популярность детекторы, способные распознавать на лице человека маску и детектировать нарушение социального дистанцирования людей.
Достоинства
- простота и доступность технологии
Недостатки
- требует настройки реакции на сработку
Применение
- детекция наличия маски на лице;
- детекция нарушения «социальной дистанции»
Распознавание автомобильных номеров (license plate recognition LPR, automatic number plate recognition ANPR, number plate recognition NPR)
Камеры с функционалом распознавания государственных регистрационных знаков. Дополнительно могут иметь встроенные списки разрешенных или запрещенных номеров для предоставления доступа или отказа в доступе непосредственно «на борту» камеры с администрированием через web-интерфейс, а также реле либо выход со стандартным форматом Wiegand — для интеграции с шлагбаумом или системой контроля и управления доступом (СКУД).
Достоинства
- простота, доступность и зрелость технологии
Недостатки
- ухудшение качества распознавания при ухудшении освещенности и изменении ракурса съемки или положения номерной пластины;
- требует выбора места установки камеры
Применение
- «черные» и «белые» списки;
- поиск в архиве;
- дополнительный либо единственный идентификационный признак в СКУД
Бизнес аналитика (торговая аналитика)
Это класс алгоритмов, предназначенных для получения статистической информации, пригодной для использования в сфере ритейла, торговли и сервиса.
Подсчет людей (people counting detection)
Эти данные необходимы для оценки проходимости торговой точки, определения эффективности промоакций или рекламы, составления расписания для персонала, планирования служебных мероприятий, определения необходимости нескольких выходов или касс, обеспечения безопасности и т.д.
Инфракрасные и тепловые датчики, счетчики открывания-закрывания дверей на герконах — классические способы подсчета. Эффективность данных решений низкая: плохо справляются в часы пик, не разделяют входящих и выходящих посетителей, не могут точно считать людей, когда они проходят группой.
Проблема решается с помощью специальной камеры подсчета людей. Устройство монтируется над входной дверью на высоте от 2,5 до 4 метров и собирает статистику потока.
Достоинства
- высокая достоверность подсчета по сравнению с ИК=датчиками
- возможность не учитывать персонал при подсчете
Недостатки
- требует правильного монтажа и настройки камеры
Применение
- объекты торговли, музей и т.п. — для аналитики посещаемости по месяцам, дням недели, часам;
- сравнение показателей разных точек торговлю
- расчет «конверсии» посетителей при интеграции с POS-системами
Тепловая карта (heat map)
Актуальная функция для любых предприятий связанных с обслуживанием клиентов, например для розничной торговли.
На изображении с IP-камеры помощью цветовой дифференциации выделяются зоны отличающиеся интенсивностью движения. Как правило от синего (низкая интенсивность) к красному (высокая интенсивность).
Достоинства
- простота технологии
Недостатки
- требует правильного монтажа и настройки камеры
Применение
- для анализа мерчендайзинга в торговых точках
Детекция очереди (queue detector)
Детекция очереди в магазине позволяет уведомлять администрацию торговой точки о превышении нормы числа людей перед кассой. Также может использоваться для получения статистических отчётов по количеству обслуженных кассиром покупателей по часам, суткам, неделям и месяцам.
Достоинства
- востребованность технологии в ритейле
Недостатки
- требует правильного монтажа и настройки камеры;
- требует настройки реакции на сработку
Применение
- сигнализации превышения предельной длины очереди в кассе для объектов ритейла
Нейросетевая аналитика
Топовые процессоры камер позволяют решать куда более специфичные задачи анализа видео, даже такие «модные», как нейросетевые алгоритмы, используя к модуль обработки данных с технологией машинного обучения (MACHINE LEARNING PROCESSING UNIT — MLPU) и модуль обработки данных с технологией глубокого обучения (DEEP LEARNING PROCESSING UNIT — DLPU).
Нейронные сети — это семейство алгоритмов, которые используются для распознавания взаимосвязей в наборах данных посредством процесса, в некоторой степени похожего на работу человеческого мозга. Нейронная сеть состоит из иерархии множества слоев так называемых узлов, или нейронов, связанных между собой, и информация передается через сеть по соединениям от входного слоя к выходному. Принцип работы нейронных сетей заключается в том, что выборка входных данных может быть уменьшена до конечного набора признаков, создавая достоверное представление входных данных. Затем эти признаки можно объединить для классификации входных данных, например описывая содержимое изображения.
Классификация нейросетевых алгоритмов:
- классификация объектов («человек», «транспорт» и т.п.)
- обнаружение объектов
- визуальная схожесть
- детектор поз человека (скелетоны)
- семантическая сегментация
Важные особенности нейросетевых алгоритмов:
- нейросеть, как правило, обрабатывает изображение низкого разрешения. Типичные значения 224 x 224, 300 x 300, 512 x 512;
- нейросеть, как правило, обрабатывает одно изображение, а не фрагмент видео;
- требуется большое количество примеров для обучения
Поддержка срабатывания тревоги по различным типам объектов (человек или транспорт)
Видеоаналитика на основе нейросетей даёт возможность автоматически обнаруживать факт появления объекта в кадре, определять его расположение и тип.
Кроме того, с её помощью находятся атрибуты объектов. Например, для человека это пол, возраст, цвет одежды, наличие усов / бороды / маски. Транспортные средства классифицируются по типам — грузовик, легковой автомобиль, автобус, мотоцикл, велосипед. Информация об атрибутах используется для эффективного поиска объектов и событий при обработке больших объёмов информации.
И в этой связи нельзя не упомянуть однокристальную систему HiSilicon Kirin 970, как один из первых чипов со специальным модулем поддержки нейронных сетей, про который мы уже упоминали в статье Как выбрать процессор камеры?
Поддержка фильтрации ложных тревог, вызванных листьями, светом, животными и т.д.
Классификация объектов нейросетями, как правило, используется в сочетании с «классическими» детекторами поведенческой и ситуационной аналитики — для фильтрации событий этих детекторов от ложных срабатываний, вызванных листьями, светом, животными и т.д.
Применение для задач распознавания
Разумеется нейросетевая аналитика активно используется в модулях распознавания лиц, номеров и т.п.
Отраслевые решения
Особенность отраслевых решений — отсутствие возможности «автономной» работы камер без центрального видеосервера / регистратора.
Управление паркингами
Тут речь идет о двух направлениях:
- система управления въездом / выездом, в том числе — платным
- система мониторинга парковочной зоны
Видеонаблюдение на транспорте
Речь идет про целый комплекс различной видеоаналитики, в том числе нейросетевой:
- ADAS-системы (Advanced driver-assistance systems) — системы помощи водителю — в данном случае на базе камер, устанавливаемых на автотранспортные средства для слежения за дорогой, оценки ситуации, автоматизации оповещения оператора при аварии
- контроль водителя (разговор по телефону, «нет на месте», контроль внимания / усталости, идентификация водителя и др.)
- распознавание номеров на движущемся транспорте спец. авто (ANPR) — для машин скорой, полиции, пожарной, школьных автобусов и т.п.
- подсчет пассажиров на общественном транспорте (people counter), в том числе нейросетевой с фильтрацией результатов по росту пассажиров (чтобы исключить из подсчета детей — которые как правило едут бесплатно)
Портативные решения для полиции, банковских сотрудников и др.
Тут могут быть решения по детекции движения, распознавания лиц и др.
Зачем аналитика в камере?
Решая — нужна ли вам аналитика в камере — нужно ответить для себя на три вопроса:
- может ли камера с аналитикой решить целевую задачу наблюдения автономно, без программного обеспечения (т.е. нужна ли интеграция камеры с другими системами для обмена данными и командами и возможна ли эта интеграция напрямую, без применения софта класса PSIM / VMS?
- если нужен софт PSIM / VMS — смотрим на наличие поддержки подключения в софт выбранной модели камеры по нативного протоколу этой камеры и возможности софта «забирать» результаты работы аналитики с камеры в софт
- проверяем — будет ли решение на «камерной» аналитике дешевле решения на аналитике «серверной»
И лишь после этого — принимаем решение о выборе. Другой вопрос — что часто выбора и нет — «аналитика на борту» может идти «в нагрузку» к другим ТТХ камеры — и часто остается невостребованной в реальных системах видеонаблюдения, в отличии от красивых маркетинговых буклетах.
Преимущества аналитики в камере
- снижение нагрузки на видеосервер (данные обрабатывает процессор камер, отправляя на сервер готовые метаданные (софт VMS / PSIM должен уметь забирать и обрабатывать эти данные, как правило это доступно лишь для ряда моделей камер, интегрированных в софт по нативному протоколу);
- снижение нагрузки на локальную сеть (передавать на сервер можно только результат, метаданные, отдельные изображения, тревоги, либо начинать передачу только в момент происшествия);
- уменьшение затрат (использование менее производительного сервера, отсутствие лицензий на видеоаналитику или меньшая цена);
- решение «локальных» задач самой камерой (например — управление шлагбаумом, используя распознавание автомобильных номеров и встроенное реле);
- простота настройки (аналитика на камере интегрирована с программным обеспечением VMS и видеорегистраторами производителя, настройка требует минимального количества итераций);
- простота обслуживания (производитель и разработчик в одном лице, в одном месте вы можете получить ответы и по «железу» и по софту);
- использование «несжатого» видео для анализа.
Недостатки аналитики в камере
- как правило низкие качественные характеристика видеоаналитики (основной продукт для производителей это камера, а аналитика лишь придаток, причем бесплатный; кроме того);
- зачастую работает только с программным обеспечением производителя камер или его же видеорегистраторами;
- невозможность подключить к видеоаналитике существующие камеры;
- как правило реализована только относительно простая аналитика;
- для реализации требуется производительный процессор у камеры, что заметно удорожает камеру (актуально для «сложной» аналитики — например распознавание номеров / лиц / нейросетевой аналитики);
- для того, чтобы «забирать» результаты работы аналитики в сторонний софт класса VMS / PSIM — камеру нужно интегрировать по нативному протоколу производителя камеры
Применение аналитики в камере
- запись в архив «по событию»;
- поиск в архиве по критериям;
- автономное управление шлагбаумом;
- детекция деградации изображения (саботаж, обслуживание);
- защита периметра;
- слежение за объектом (автотрекинг, автосопровождение)
торговая аналитика (подсчёт посетителей, анализ поведения покупателей, очереди);двойная (тройная) идентификация в СКУД;торговая и маркетинговая аналитика.
Как использовать аналитику «на борту»?
Чаще всего аналитику «на борту» камеры используют в небольших системах совместно с сетевыми видеорегистраторами того же производителя, умеющих «забирать» из камеры результаты работы аналитических модулей и «отображать» их для оператора, либо в небольших системах, где сценарии работы системы позволяют обойтись без применения отдельного программного обеспечения и серверов (например — управляя по сработке аналитического модуля «сухими контактами» камеры исполнительным устройством).
Применение же «бортовой» аналитики с камер в системах PSIM / VMS требует глубокого изучения интеграции камеры в данный софт. Это возможно, но применяется крайне редко — слишком много «звезд» должно сойтись для того, чтобы это стало целесообразным и возможным.
Запись в архив «по событию»
Использование аналитики (в простейшем случае — детектора движения) для записи архива на встроенную карту памяти либо во внешний архив.
Поиск в архиве по критериям
Добавление в видеопоток метаданных от встроенных аналитических модулей для быстрого поиска видеозаписей в архиве по признакам движущихся в кадре объектов и параметрам их движения.
Детекция деградации изображения (саботаж, обслуживание)
Сервисные детекторы — для автоматического формирования запроса на обслуживание либо тревоги саботажа.
Защита периметра
Система обнаружения вторжений на основе аналитики, встроенной в камеру:
- обнаружение движущихся людей
- обнаружение движущихся транспортных средств
- автотрекинг PTZ-камеры
Пример использования встроенной аналитики для защиты периметра — AXIS Perimeter Defender. Правда сейчас данное решение не доступно в РФ, подробнее — в статье Уход брендов и санкции: тренды рынка видеонаблюдения в 2023.
Сценарии применения:
- вторжение: запускает сигнал тревоги, когда человек или транспортное средство входит в определенную зону на земле (с любого направления и с любой траекторией)
- бесцельное блуждание: запускает сигнал тревоги, когда человек или транспортное средство остается в определенной на земле зоне дольше заранее заданного времени в секундах.
- пересечение зоны: запускает сигнал тревоги, когда человек или транспортное средство проходит через две и более зоны, определенных на земле, в указанной последовательности.
- выполнение заданных условий: запускает сигнал тревоги, когда человек или транспортное средство входит в зону, определенную на земле, без предварительного прохождения через другую зону или зоны, определенные на земле.
Слежение за объектом (автотрекинг, автосопровождение)
В PTZ-камерах может присутствовать функция, автоматически, без оператора, позиционирующая камеру за движущимся объектом. Примером такой реализации является AXIS Perimeter Defender PTZ Autotracking. Правда сейчас данное решение не доступно в РФ, подробнее — в статье Уход брендов и санкции: тренды рынка видеонаблюдения в 2023.
Фиксированная камера работает совместно с PTZ-камерой. Когда фиксированная камера обнаруживает движущихся людей или транспортные средства, она отправляет данные о местоположении объектов на сопряженную с ней PTZ-камеру. Благодаря этому, PTZ-камера может автоматически:
- отслеживать объекты
- настраивать уровень зума, чтобы оставлять все объекты в поле зрения
- до тех пор, пока объекты находятся в поле зрения фиксированной камеры.
Автономное управление шлагбаумом
Определение области детекции в пределах сцены. Логика списков разрешенных и запрещенных номеров. Режим шлагбаума: открыто для всех; открыто для списка разрешенных; открыто для всех, кроме списка запрещенных. Журнал событий с хранением записей в порядке поступления, включая миниатюрное изображение номерного знака.
Существует также ряд камер, имеющих на борту интерфейсы Wiegand, которые можно использовать для прямого подключения камеры с аналитикой распознавания номеров к контроллерам СКУД — для управления шлагбаумами. Другой вариант — использование реле на борту камеры — в этом случае управление шлагбаумом ведется через те же входы, что и стационарный проводной пульт управления.
Двойная (тройная) идентификация в СКУД
На практике — почти не реализуема на базе «бортовой» аналитики, но широко применяемая в рамках отдельных специализированных устройств — терминалов доступа с функцией распознавания лиц.
Торговая и маркетинговая аналитика
Торговая аналитика — почти не реализуема на базе «бортовой» аналитики, но широко применяемая в рамках отдельных специализированных устройств — счетчиков посетителей и аналитики людского потока.
Выводы
Безусловно, за аналитикой «в камерах» будущее. Ведь применяя «бортовую» аналитику мы решаем сразу целый спектр задач:
- анализируем «исходное» изображение, не испорченное алгоритмами сжатия для передачи по сети и дальнейшего архивирования;
- снижаем нагрузку на сервер и сеть передачи данных;
- упрощаем масштабирование системы;
- увеличиваем отказоустойчивость системы.
Это всё так. Но требуется учитывать и существующие проблемы:
- отсутствие единых стандартов обмена метаданными от камер, что усложняет их применение в софтах класса PSIM / VMS;
- ограниченные ресурсы процессора камеры;
- сложность при организации взаимодействия камеры с перифирией без использования PSIM / VMS.
Т.е. ключевая сложность — это найти подходящую камеру, «тянущую» по ресурсам подходящую вам аналитику, и при этом интегрированную в окружающую IT-среду напрямую или через софт класса PSIM / VMS — для применения матаданных от аналитики для управления сторонними системами и оборудованием.
На данный момент — это почти нереализуемая задача. Поэтому применение «камерной» аналитики можно рекомендовать в «законченных» решениях — где эти проблемы решены самим производителем таких решений. Например камера + сетевой видеорегистратор. Или счётчик посетителей + SaaS сервис, для которого он и применяется. Пытаться использовать такие решения вне готовой «экосистемы» — сложное и рискованное занятие. В этом случае лучше выбирать наиболее простые виды аналитики и простые способы передачи команд от камеры к управляемому оборудованию.
Коллеги! Статья будет дополняться по вашим комментариям и замечаниям! Пишите, все корректные и вежливые дополнения, критические замечания и мнения будут опубликованы и найдут отражения в самой статье!