Прогнозна функція відеоспостереження: що, як, для чого?

В назві цього матеріалу заявлена predictive analytics – предиктивна, або якщо перекладати дослівно – прогнозна аналітика. Звісно ж із приземленням до нашої галузі – систем відеоспостереження. Отже для чого потрібна ця аналітика і як її можна використати для покращення сервісних функцій в системах відеоконтролю.

ЩО ТАКЕ ПРОГНОЗ В ГАЛУЗІ ВІДЕОКОНТРОЛЮ

Насамперед варто визначитися, яку аналітику варто вважати предиктивною чи то прогнозною. Більшість функцій інтелектуальної відеоаналітики мають ті чи інші ознаки предиктивності. Умовно відеокамери, які зафіксували серйозне порушення швидкості автомобіля на магістралі, теоретично можуть спрогнозувати, що цей автомобіль може втрапити в дорожню пригоду. Тому інтелектуальна функція відеокамери сигналізує про нього на пост дорожньої поліції (наприклад, модель TD-9443E3 (D/AZ/PE/AR7) навчена розпізнавати  транспортні засоби). Але наскільки такий прогноз достовірний, адже більшість автомобілів, що перевищують швидкість на магістралях, не потрапляють у ДТП.

Або ще приклад – є функції відеоаналітики, які дозволяють виявляти дивну, нетипову поведінку окремої людини в натовпі (наприклад в аеропорту) і стежити, «вести» таку людину з допомогою функції трекінгу (для стеження підійде модель TD-9443E3 (D/AZ/PE/AR7)). Тобто камера буде слідкувати за усіма переміщеннями підозрілої особи, а якщо людина покине робочу зону цієї відеокамери, то вона «передасть» стеження за цією особою іншій, синхронізованій в велику систему безпеки, відеокамері. Але чи може камера гарантувати, що дивна, часто дійсно химерна поведінка окремої людини, є загрозливою для оточення? Адже якщо якась дівчина, якій нудно очікувати на рейс, раптом захоче потанцювати в залі очікування, це буде сприйняте камерою за дивну поведінку? Так, звісно. Чи буде ця поведінка нести загрозу для оточуючих? Звісно ж ні.

Чи потрібні такі умовно-прогнозні функції для систем електронної безпеки? Звісно ж потрібні, більше того – вони вкрай важливі:

  • дозволяють спрогнозувати бодай і рідкісне, але іноді реальне, правопорушення;
  • дозволяють відслідковувати в автоматичному режимі велику кількість швидкозмінних процесів на об’єкті;
  • і цим самим звільняють людей із служби охорони від монотонної роботи і дають їм зосередитися на тих завданнях, які непідвласні машині;
  • вони можуть виявити нездорове скупчення людей (на це здатна модель TD-9555E2A (D/AZ/PE/AR3)) та перші прояви паніки в натовпі.

Тобто навіть звичайні функції інтелектуальної відеоаналітики можуть давати доволі точні прості прогнози того, як буде розвиватися та чи інша ситуація. А в деяких ситуаціях навіть такий простий прогноз має надзвичайно важливе значення. Наприклад, людина в аеропорту закинула якусь сумку в зону, заборонену для сторонніх. Це, зафіксоване камерою (TD-8443IS (PE/25M/AR10) SPEED DOME), вже може бути розцінене як надзвичайна ситуація.

ЩО ЦЕ ТАКЕ

Однак насправді предиктивна (прогнозна) відеоаналітика має кілька дуже особливих ознак і використовується в дуже складних задачах. Що маємо на увазі? Насамперед ту особливість, що предиктивна відеоаналітика:

  • напряму пов’язана із штучним інтелектом, і має здатність до самонавчання. Ідеться про технологію deep learning – або ж «глибинного машинного навчання» (наприклад модель TD-8843IM (PE/WP/37M/VL50) SPEED DOME), що напряму пов’язано із штучними нейромережами (останні по суті копіюють процеси, що відбувається в мозку людини). Тобто функція предиктивної відеоаналітики опирається на гігантські бази статистичних даних, які вже накопичені відеокамерами всього світу і на основі цих даних самостійно шукає типові шаблони поведінки і аналізує яка, наприклад, поведінка людини є девіантною, а яка ні. Тобто, наприклад:
    • якщо людина постійно озирається по сторонах, «косить очі»,
    • її лоб блистить від поту,
    • руки трусяться, для машини це вже буде три окремі сигнали того, що дивна поведінка людини має під собою лихі наміри. Бо із статистичних даних ці три ознаки в 90% (умовно) випадків призводили до поганих вчинків чи злочинів;
  • комплексний (міждисциплінарний) підхід до вирішення проблем суспільної безпеки – тобто технологія дозволяє проаналізувати і синхронізувати великі бази даних відеоспостереження, систем СКУД (наприклад, вельми просунута технологічно тепловізійна модель ІР-відеокамери TD-5433E (FT/PE/VT1)), архіви державних служб (зокрема поліцейську базу даних) тощо. І все це буде задіяне в прогнозних розрахунках. Саме так працює предиктивна аналітика зокрема в міжнародній програмі «Безпечне місто».

Отже підсумовуємо – чим із більшою кількістю різноманітних випадків асоціальної поведінки стикається предиктивна функція, тим вона стає «розумнішою» і тим точніше вона зможе спрогнозувати, як поведеться та чи інша людина (об’єкт спостереження) в майбутньому.

ЯК ЦЕ ПРАЦЮЄ

Як працює предиктивна аналітика? Зважаючи на те, що технологія базується на досягненнях машинного навчання та штучному інтелекті, все відбувається за класичним ІТ-алгоритмом:

  • збір інформації;
  • ґрунтовний аналіз даних;
  • співставлення результатів із попередніми базами даних;
  • вичленення типових поведінкових патернів;
  • робота із зазначеними патернами та прогнозування поведінки об’єкта на майбутнє (наприклад, модель TD-9543E3 (D/AZ/PE/AR3) добре вміє ідентифікувати і шукати людей за різними параметрами).

Якщо мова йде не про поведінку людини, а про аналіз якогось процесу (для цього підійде ІР-камера панорамного типу, на кшталт TD-6424M3-(D/PE/AR2)), наприклад, заторів у якомусь місті, то тут буде застосовано той же алгоритм. Він матиме такий вигляд:

  • збір інформації;
  • співставлення із статистичними базами даних;
  • пошук факторів від яких залежить ситуація із заторами;
  • аналіз наявних факторів «на сьогодні»;
  • моделювання того, як буде змінюватися кожен із факторів, які впливають на затори, і відповідно як буде змінюватися ситуація із самими заторами.