Расчет системы видеонаблюдения строится по определенным шагам, которые я описывал в докладе «Основные технические решения при проектировании видеонаблюдения. Последовательность шагов». Расчет системы сбора и обработки информации — видеосерверов, локальной сети, ВОЛС, СКС, системы отображения и др. — строится на исходных данных о числе камер, их тактико-технических характеристиках, настройках видеопотоков с камер. А они в свою очередь — на решаемых в каждой зоне объекта целевых задачах наблюдения и соответствующих критериях их решения.
Одним из таких критериев является плотность пикселей. Но не только она. В статье разберем что же такое плотность пикселей, для каких целевых задач наблюдения она используется, какие ещё критерии решения целевых задач наблюдения существуют и в каком софте всё это можно учесть.
Если кратко…
Цифровые изображения делятся на сетки пикселей, каждый из которых содержит цвет для конкретной точки изображения. Значение плотности пикселей определяет количество точек на каждый метр объекта, который снимает камера видеонаблюдения. Более высокое значение плотности пикселей означает, что изображение содержит больше деталей.
Конкретные уровни плотности пикселей в изображениях видеонаблюдения называются PPM (пиксели на метр) или PPF (пиксели на фут), в зависимости от региона, в котором задается система. Эти термины относятся к тому, сколько пикселей матрицы камеры видеонаблюдения будет распределено по горизонтальному измерению в 1 метр или 1 фут в сцене. Расчеты плотности пикселей не учитывают размер сенсора или параметры объектива; они зависят от разрешения сенсора и ширины сцены. Вы также можете столкнуться с PPI (пикселями на дюйм) или PPCM (пикселями на сантиметр) при работе со спецификациями для мониторов, где площадь пикселей намного меньше, чем для систем видеонаблюдения.
Важно знать, что хотя PPM определяет количество пикселей детализации, которое камера может зафиксировать на заданном расстоянии, он не обязательно определяет степень резкости или контрастности изображения, поскольку эти аспекты также будут зависеть от качества изображения, объектива, расстояния до объекта и атмосферных условий между объектом и камерой. Две камеры с одним и тем же PPM могут предлагать разные уровни детализации в зависимости от резкости объектива; и аналогичным образом две камеры, смотрящие на два разных расстояния с одним и тем же PPM, вероятно, будут иметь разное количество воспринимаемых деталей, поскольку изображение с камеры, смотрящей на большее расстояние — будет сильнее зависеть от оптической плотности среды (осадки и т.п.).
При этом знание PPM зоны обзора камеры на заданном расстоянии даст вам очень точную начальную оценку деталей в получаемой с камеры изображении. Поэтому PPM — неплохой способ быстро оценить потенциальную производительность системы видеонаблюдения и может использоваться как один из критериев решения целевой задачи наблюдения.
А теперь давайте разберемся
Для чего же используется плотность пикселей на практике?
При планировании системы видеонаблюдения на этапе сбора эксплуатационных требований для различных зон объекта формулируются решаемые задачи: купирование угроз, защита активов, задачи получения различной информации и др. Для подтверждения того, что выбранное решение может решить поставленную задачу — под каждый тип задачи определяют критерии их выполнения.
Плотность пикселей — один из критериев, используемых для подтверждения выполнения целевой задачи наблюдения.
Целевые задачи наблюдения
Что же такое «целевая задача наблюдения»? Обратимся к нормативным документам.
Р 78.36.008-99. Рекомендации. Проектирование и монтаж систем охранного телевидения и домофонов 1.1.7 Целевая задача видеоконтроля (целевая задача) - обнаружение, различение и/или идентификация объекта контроля. 1.1.8 Обнаружение - выделение объекта контроля из фона либо раздельное восприятие двух объектов контроля, расположенных на расстоянии друг от друга, соизмеримом с их размерами. 1.1.9 Различение - раздельное восприятие двух объектов контроля; расположенных рядом, либо выделение деталей объекта контроля. 1.1.10 Идентификация - выделение и классификация существенных признаков объекта контроля либо установление соответствия изображения объекта контроля, хранящемуся в базе данных. 3.3.6 Требования назначения I Целевые задачи видеоконтроля: 1) обнаружение: - общее наблюдение за обстановкой; - верификация тревоги от системы охранной сигнализации; - обнаружение всех перемещающихся в определенном направлении; 2) различение: - контроль наличия посторонних; - наблюдение за работой сотрудников; - контроль за подходом посторонних лиц к запретной зоне или чужому имуществу; 3) идентификация: - получение четкого изображения лица любого человека, который подходит к зоне (или находится в ней), позволяющего впоследствии узнать ранее незнакомого человека; - идентификация записанного изображения с хранящимся в базе данных; - определение номера автомобиля.
Р 78.36.008-99 года — не действующий документ, к тому же крайне старый. На тот момент не существовало IP-камер наблюдения и разрешение камер было ограничено стандартным телевизионным разрешением D1. Тем не менее, данный документ содержит описание целевых задач наблюдения, которыми можно пользоваться и сейчас:
Критерии, приведенные в Р 78.36.008-99 уже потеряли актуальность, т.к. сейчас разрешение потока с камеры может превосходить разрешение монитора оператора, на котором он его смотрит. Т.е. видео можно поставить на паузу и использовать цифровой зум при просмотре — поэтому %, занимаемый на экране целью наблюдения — уже не является адекватным показателем детальности изображения. В отличии от плотности пикселей, которая не привязана к экрану монитора, на котором идет просмотр.
D.O.R.I – detect, observe, recognize, identify
Наиболее часто применяемая на практике система критериев целевых задач наблюдения получила абревиатуру DORI.
Давайте посмотрим, в каких нормативных документах упоминается DORI и есть ли аналоги в российских НПА / НТД.
Guidance for specifiers of CCTV in security applications
3.6 Эксплуатационные требования
В целях обеспечения согласованности терминологии, используемой сторонами в секторах предупреждения преступности и видеонаблюдения, были определены пять категорий целей получения изображений. Использование этих терминов помогает разработчику системы понять атрибуты изображения CCTV, которые будут необходимы для достижения цели. Они следующие:
1. Мониторинг и контроль: На этом уровне детализации наблюдатель может контролировать количество, направление и скорость передвижения людей по обширной территории, такой как автостоянка.
2. Обнаружение: Присутствие человека просматриваемом поле ясно просматривается, например, в таком месте, как двор, который, как ожидается, останется без присмотра.
3. Наблюдение: Некоторые характерные детали человека, такие как отличительная одежда, можно увидеть, например, чтобы установить, что курильщики, столпившиеся на выходе, по-видимому, являются персоналом, а не незнакомцами.
4. Распознавание ("узнавание"): Зрители могут с высокой степенью уверенности сказать, совпадает ли изображенный человек с кем–то, кого они видели раньше, или нет - это необходимо, например, для контроля доступа в помещение.
5. Идентификация: Качество изображения и детализация достаточны для того, чтобы установить личность без всяких разумных сомнений, что было бы желательно для целей доказывания.
Также, как и у нас — DORI долгое время имел критерий решения целевой задачи — выраженный через % экрана, который занимает цель набюдения:
Чуть позже в европейских документах критерии стали составными — или % на экране, или обратная величина к плотности пикселей — мм / пикс (плотность пикселей измеряется как правило в пикс. / м)
BS EN 62676-4:2015 Video surveillance systems for use in security applications Application guidelines to monitor or crowd control the target shall represent not less than 5 % for PAL and NTSC resolution of screen height (or shall represent more than 80 mm per pixel); to detect the target shall represent not less than 10 % for PAL and NTSC resolution of screen height (or shall represent more than 40 mm per pixel); to observe the target shall represent 25 % for PAL and 30 % for NTSC resolution of screen height (or shall represent more than 16 mm per pixel); to recognise the target shall represent not less than 50 % for PAL and 60 % for NTSC resolution of screen height (or shall represent more than 8 mm per pixel); to identify the target shall represent not less than 100 % for PAL and 120 % for NTSC resolution of screen height (or shall represent more than 4 mm per pixel); to inspect the target shall represent not less than 400 % for PAL and 450 % for NTSC resolution of screen height (or shall represent more than 1 mm per pixel).
На практике более распространено привычное уже нам представление PPM (пикс/м), которое можно получить пересчитав значения из BS EN 62676-4:2015 — это классический критерий решения целевых задач DORI:
Не имея аналогичного нормативного документа в РФ — мы можем или использовать BS EN 62676-4:2015, что допускается в том числе ГОСТ Р 57839-2017 — при условии что данное положение будет узаконено через задание на проектирование (ЗнП). Но даже и без этого — DORI встречаются во многих «отраслевых» НПА практически в неизменном виде, сравните:
Приказ МВД России от 17 ноября 2015 г. N 1092 "Об утверждении Требований к отдельным объектам инфраструктуры мест проведения официальных спортивных соревнований и техническому оснащению стадионов для обеспечения общественного порядка и общественной безопасности" 54. На видеомониторы на посту управления ТСО изображение от видеокамер должно выводиться размером не менее 100x150 мм со следующей детализацией цели видеонаблюдения: 54.1. Для задач мониторинга или контроля за поведением массового скопления людей цель должна занимать не менее 5% высоты изображения (или более 80 мм на пиксель). 54.2. Для задач обнаружения - не менее 10% высоты изображения (или более 40 мм на пиксель). 54.3. Для задач наблюдения - не менее 25% высоты изображения (или более 16 мм на пиксель). 54.4. Для задач распознавания - не менее 50% высоты изображения (или более 8 мм на пиксель). 54.5. Для задач идентификации - не менее 100% высоты изображения (или более 4 мм на пиксель). 54.6. Для задач детального осмотра - не менее 400% высоты изображения (или более 1 мм на пиксель). 55. Видеокамеры должны работать в непрерывном режиме. 56. В составе СОТ могут использоваться цветные видеокамеры, разрешением не менее 900 ТВЛ. 57. Видеокамеры могут размещаться на конструктивных элементах спортивной арены и должны иметь: <…> 57.4. Углы вертикального наклона оптических осей видеокамер при установке в диапазоне от 15-30 градусов (при их установке в местах прохода граждан). 61. Устройства видеозаписи в непрерывном режиме должны обеспечивать запись и воспроизведение на видеомониторе изображения 1с частотой не ниже 25 кадров/сек.
Другой пример — вот целевые задачи наблюдения:
А вот критерии решения целевых задач наблюдения:
Как вы видите — наши НПА или полностью совпадают, или очень близки к концепции DORI и критериям целевых задач наблюдения из BS EN 62676-4:2015.
Распознавание номеров, лиц, вагонов, контейнеров — видеоаналитикой
Появление видеоаналитики привело к необходимости оценивать вероятность распознавания. Производители аналитических модулей начали приводить рекомендации по установке и настройке камер видеонаблюдения для получения заданной вероятности распознавания. По-сути — это такие же критерии решения целевой задачи наблюдения — только задача эта — автоматическое распознавание определенных целей наблюдения: лиц, номеров авто, вагонов, контейнеров и др.
Государственные регистрационные номера авто
Наиболее распространенная и отработанная аналитика распознавания — это распознавание ГРЗ (номеров авто). Вот типичные требования:
Требования к установке и настройке видеокамер для программного модуля Авто-УРАГАН Для обеспечения распознавания государственных автомобильных номеров при помощи программного модуля Авто-Ураган необходимо, чтобы при работе видеокамер были отключены следующие функции: - Режим накопления видеоинформации/ ночной режим; - Функция автоматической (постоянной) подстройки резкости изображения; - Детекторы движения; - Любая информация от видеокамеры (ее имя, дата, время …) выводимая на видеоизображение. Заявленное качество распознавания гарантируется при углах не более 20 градусов по вертикали и горизонтали между осью ТВ видеокамеры и перпендикуляром от плоскости номерного знака. При превышении допустимых углов (до 45 градусов) распознавание будет происходить, но с меньшей вероятностью.
Обратите внимание — критерий распознавания стал составным. Одним из важных критериев распознавания — появляются горизонтальные и вертикальные углы, под которыми мы «смотрим» на номер:
Плотность пикселей как критерий распознавания — также никуда не делся, единственный нюанс — что производители как правило формулируют требование к числу пикселей, приходящихся на номерную пластину или на высоту символов на номерной пластине:
Как правило — предельными считаются углы в 20-30 градусов. При больших углах — вероятность распознавания резко сокращается. При углах более 45 градусов — вероятность распознавания начинает стремиться к нулю.
Кроме углов, под которыми мы смотрим на номер — важен также угол номерной пластины к горизонту — он также нормируется для нормальной работы модуля аналитики:
Довольно часто производители аналитики приводят и конкретные рекомендации по установке камер видеонаблюдения — уже с учетом критериев распознавания:
Это делается в большей степени для исключения ошибок монтажа в случаях, когда стадии проектирования нет или она не рассматривает выбор мест установки и тактико-технических характеристик камер.
Ещё один параметр, который нормируется для задач распознавания номеров авто — это максимальная скорость автомобиля, при котором ещё возможно распознавание номера с заданной вероятностью. Часто производители аналитики делают две версии аналитических модулей — slow и fast — в зависимости от места применения (на парковке или на трассе).
Для удобства использования — число пикселей, приходящихся на номерную пластину можно пересчитать в классический PPM параметр (плотность пикселей) — ведь номерная пластина, как правило, имеет стандартный размер:
Номера вагонов
Гораздо менее известны — но не менее важны аналитические модули, занимающиеся распознаванием номеров железнодорожных вагонов. Специфика установки камер для распознавания вагонов — это применение широкоугольных камер на близком расстоянии прямо напротив вагона:
Поэтому требования к углам становятся неактуальными, зато появляется требование к степени дисторсии объектива:
Требования к установке и настройке видеокамер для программного модуля ARH-Вагоны Требования к изображению: 1. высота символа в кадре должна составлять не менее 16 пикселей, рекомендуется 20 — 50 пикселей, а ширина линии символа не менее 2-3 пикселя; 2. геометрические искажения («бочки», «подушки»), привносимые оптикой, должны быть умеренны; 3. изображение номеров вагонов должно быть четким, контрастным, уверенно читаемым человеком. При настройке видеокамер также необходимо: 1. сфокусировать камеру именно на номер вагона; 2. отключить режим AGC (автоматическое усиление сигнала) на видеокамере; 3. отключить режимы добавления контрастности на видеокамере, если таковые имеются. Для обеспечения работы системы в ночное время следует использовать прожекторную подсветку вагонов/цистерн. При установке прожектора на расстоянии 5–7 метров от железнодорожных путей можно использовать обычный галогенный прожектор мощностью 1–1,5 кВт. Прожектор следует располагать, как показано на рисунке ниже. Такое расположение позволяет избежать: 1. ослепления камеры прожектором, направленным на нее с другой стороны железнодорожного пути; 2. засветки изображения, обусловленного отражением света прожектора от бортов вагонов.
Контейнеры
Распознавание номеров контейнеров — ещё один редкий аналитический модуль. Он схож с распознаванием вагонов, но всё же есть специфика и тут.
Одним из требований, который впрочем может встречаться и для распознавания вагонов, и для распознавания номеров авто — является фиксация значения экспозиции. Это связано с необходимостью получения четкого изображения даже в случае движения номера в кадре.
Требования к установке и настройке видеокамер для программного модуля ARH-Контейнеры Для корректного распознавания номерных знаков грузовых контейнеров, а также номеров вагонов, получаемое изображение с видеокамер должно быть четким, контрастным, уверенно читаемым человеком. Требования к характеристикам видеокамеры: 1. следует использовать видеокамеры высокого разрешения (рекомендуется 720p); 2. скорость поступления кадров с видеокамеры должна быть не менее 24 к/с; 3. скорость движения контейнера должна соответствовать скорости работы камеры. Для наилучшего распознавания необходимо и достаточно 1-2 кадра номера контейнера; 4. видеокамеры должны иметь возможность установки фиксированного значения экспозиции (шаттера) от 1/2000 с и менее; 5. видеокамеры должны обладать высокой чувствительностью (0,01 лк и чувствительнее). Необходимо соблюдать перпендикулярность оптической оси видеокамеры к плоскости номерного знака. Для упрощения настройки рекомендуется применять вариофокальные объективы. Диапазон изменения фокусного расстояния следует подбирать в каждом конкретном случае инсталляции системы. Требования к изображению: 1. расположение контейнера или вагона в кадре должно быть строго горизонтальным; 2. размер символов номера на изображении должен быть от 20 до 40 пикселей, т.е. от 4% высоты изображения; 3. геометрические искажения («бочки», «подушки»), привносимые оптикой, должны быть умеренны. При настройке видеокамер также необходимо: 1. сфокусировать камеру именно на номере контейнера или вагона и отключить возможность автофокусировки; 2. рекомендуется отключить все интеллектуальные возможности видеокамер. Например, режим добавления контрастности.
Лица
Распознавание лиц — одна из самых сложных задач для аналитики. «Читать» лица очевидно сложнее, чем читать номера. Кроме того, вести список номеров можно в простом текстовом виде, а для ведения базы лиц — требуется добавление эталонных лиц, к которым предъявляются определенные требования:
Список используемых терминов Популяция – совокупность лиц в базе данных, по которой производится поиск. Эталонное лицо – это лицо из «черного списка», с которым сравниваются все обнаруженные на видеоизображении лица. Захваченное лицо – лицо, обнаруженное на видеоизображении. Распознанное лицо – лицо на видеоизображении, показавшее достаточную степень сходства с одним из эталонных лиц. Вектор – математическое представление лица, создаваемое при его распознавании в кадре видеоизображения. Поиск лиц − процесс поиска лиц в архиве по имеющейся фотографии интересуемого лица. Распознавание лиц − процесс сравнения захваченных лиц с эталонными в онлайн-режиме с целью выявления совпадений. Верификация лица − процесс сравнения захваченного на видеоизображении лица с заданным эталонным лицом по команде. Требования к изображениям, добавляемым в базу данных эталонных лиц Для корректной работы распознавания лиц необходимо, чтобы изображения, добавляемые в базу данных эталонных лиц, соответствовали следующим требованиям: 1. Фотография человека должна быть анфас и иметь разрешение HD (1280×720 пикселей) или FullHD (1920×1080 пикселей). 2. Фотография должна быть четкой, не размытой, с равномерным освещением без пересветов. 3. Расстояние между глазами человека должно быть не менее 60 пикселей. Человек должен занимать на фотографии большую часть кадра, чтобы были видны голова и плечи (фотографии по пояс не рекомендуются).
Более сложная задача — приводит и к более жёстким критериям распознавания. Как по плотности пикселей, так и по горизонтальному и вертикальному углу:
Критерий Джонсона
Все предыдущие критерии относились к изображениям, формируемым камерами видимого спектра. Но как на счет тепловизионного наблюдения? Разрешение, получаемое от тепловизоров заметно ниже, разрешения современных IP-камер. И тем не менее — тепловизор может решать целевые задачи на гораздо больших расстояниях, чем камеры видимого спектра. Другой вопрос, что сами целевые задачи наблюдения применительно к тепловизорам отличаются от тех же задач DORI для камер видимого спектра:
Обнаружение - выделение размытого пятна на фоне помех (сам факт появление объекта в кадре) Различение - объект выделяется с достаточной ясностью и дифференцируется по принадлежности к классу (человек, животное, автомобиль) Идентификация (опознавание) - объект дифференцируется по принадлежности к типу внутри класса (пол человека, тип автомобиля). Основная задача - определить цель по критерию свой / чужой.
Типовые значения критерия Джонсона для стандартных задач, решаемых с вероятностью 50% в хороших метеоусловиях, с учётом специфики для тепловизионного изображения:
Обнаружение — 2 пикс/м
Распознавание — 6 пикс/м
Идентификация — 12 пикс/м
Для увеличения вероятности — в критерии можно внести множитель — например для вероятности 0,95:
Обнаружение — 4 пикс/м
Распознавание — 12 пикс/м
Идентификация — 24 пикс/м
Расстояние, на которых с заданной вероятностью решаются целевые задачи тепловизионного наблюдения, зависит от следующих факторов:
- Тип цели
- Тип целевой задачи (обнаружение, различение или идентификация)
- Требуемая вероятность решения задачи
- Погодные условия наблюдения (наличие осадков, тумана, дыма и т.п.)
Неблагоприятные погодные условия снижают возможность «видеть» объекты тепловизором. Снижение дальности обнаружения (по-другому — снижение контраста объекта) может быть до 2-3 раз. Это означает, что для обеспечения работы тепловизора в широком диапазоне погодных условий значения размера объекта в пикселях следует пересчитать, умножив на коэффициент, например — на 2,5-3.
Расчетный софт
Для реального применения критериев решения целевых задач наблюдения имеет смысл применять расчетный софт. Его хватает — и платного, и бесплатного, разумеется с разным функционалом.
Бесплатный
Начнем с простых бесплатных инструментов.
Camera settings for identication | CCTV Calculator
Фишка CCTV Calculator заключается в том, что это мобильное приложение и сайт, которое включает ряд инструментов и функций, полезных при расчете систем видеонаблюдения. Часть, связанная с плотностью пикселей — сделана крайне упрощенно (например никак не учитывается высота установки камеры и высота цели наблюдения):
CCTV Lens Calculator — advanced free Lens Calculator for CCTV designers (cctvcad.com)
CCTV Lens Calculator — это бесплатная утилита под Windows, распространяемая CCTVCAD Software — как наиболее простой инструмент для расчета плотности пикселей. Учитывается значительно больше параметров, чем в CCTV Calculator. Кроме расчета плотности пикселей — есть ряд дополнительных возможностей.
CCTV Lens Calculator | https://www.jvsg.com/
CCTV Lens Calculator — это браузерный калькулятор от компании IPICA. Функционал схож с предыдущим калькулятором, но есть и несколько фишек: во-первых — полная и обновляемая база камер от основного платного продукта IPICA. Во-вторых — доступна работа с «подложкой», различные варианты проекции зоны обзора — как в горизонтальной плоскости, так и в вертикальной и даже в 3D виде. Моделируются также «вид из камеры».
SURVy
https://survy.ru/ — это браузерный калькулятор, позволяющий не просто посчитать параметры зоны обзора и плотность пикселей, но и создать эскизный проект системы видеонаблюдения. Можно добавлять несколько камер, можно загружать подложку — в том числе с помощью встроенного картографического сервиса, можно ограничивать зону обзора камеры препятствиями. Зона обзора моделируется достаточно детально — учитываются параметры камер, высота установки, параметры зоны обзора.
PlanD
PlanD — это инструмент конкретного вендора — компании Dallmeier. Позволяет рассчитывать параметры зоны обзора для крайне сложных в расчете мультифокальных матричных камер Panomera, применяемых в основном для специфических задач контроля трибун на спортивных объектах.
Платный
Среди платного софта — по-сути два ключевых игрока: CCTVCAD Software и IPICA. Обе компании — из России.
VideoCAD
VideoCAD — очень мощный софт для проектирования систем видеонаблюдения. Он появился первым, развивается уже долгие годы, имеет колоссальное количество расчетных инструментов и инструментов для моделирования систем видеонаблюдения. Я правда знаком лишь с довольно старой уже версий VideoCAD 8.1 Professional. Первые результаты использования — и с тех пор софт конечно сильно изменился. Тем не менее — с большим интересом наблюдаю за новостями на его сайте, надеюсь найду когда то время изучить его глубоко. По теме нашей статьи — крайне рекомендую посмотреть ещё видео автора VideoCAD — Станислава Уточина:
IP Video System Design Tool
IP Video System Design Tool — альтернативный VideoCAD продукт от компании IPICA — про них я также писал у себя в блоге IPICA / JVSG — софт для проектирования видеонаблюдения. Софт несколько менее функциональный, но решающий основные задачи при эскизном проектировании систем видеонаблюдения.
Выводы
Плотность пикселей — лишь один из критериев, применяемых для целевых задач наблюдения и распознавания. Наработана большая нормативная база его применения. Также существуют различные рекомендации производителей оборудования и программных модулей аналитики — по применению камер видеонаблюдения в задачах распознавания. Выбор камер и мест установки без учета решаемых целевых задач наблюдения и распознавания — аналогично лечению без диагностики и назначению лекарств врачом, а критерии распознавания в этой аналогии — это что то вроде протокола лечения. Проектирование видеонаблюдения с применением плотности пикселей и других критериев решения целевых задач наблюдения — это всё равно что лечение по методикам доказательной медицины, проектирование без таких расчетов — подобно лечению народными средствами. Как и в медицине — сторонники есть и одного, и у второго подхода.
- Что такое плотность пикселей?
- Аналитика «на борту» видеокамер
- Уход брендов и санкции: тренды рынка видеонаблюдения в 2023
- ГОСТы на проектирование «пожарки»
- Что такое авторский надзор?