В усіх цивілізованих країнах масштаби задіяних систем відеоспостереження вражають – мільйони відеокамер контролюють вулиці та місця загального користування, роблячи їх безпечними. Для прикладу, в системі «Безпечне місто» в одній лише Одесі цілодобово працюють 995 відеокамер спостереження. Тож зрозуміло, що за ними всіма не спостерігають в режимі реального часу оператори служби безпеки. Бо це займало б весь робочий час принаймні сотні співробітників. У такому випадку ключового значення набуває записаний відеоархів. А це тисячі годин відео щотижня. В такому разі не менш важливим постає питання вмілої роботи з цим архівом, і конкретно, тих способів що допомагають знайти необхідні фрагменти щвидко і без особливих зусиль. Власне про інтелектуальний пошук в архіві систем відеоспостереження і буде цей матеріал.
Довірити пошук людині чи штучному інтелекту?
Що стосується відеоспостереження, і участі в цих процесах живих людей, то тут є дві, фактично протилежні точки зору:
- одні фахівці вважають, що людину не може замінити жодна відеоаналітика. Тільки людина може визначити поведінку іншої людини як неадекватну, девіантну і потенційно небезпечну. А це вкрай важливо для вчасного відвернення протиправної ситуації – будь-то крадіжка чи бійка;
- інші спеціалісти вважають спостереження в режимі реального часу вкрай нерентабельним, адже протиправні ситуації, які потребують негайної реакції, стаються вкрай рідко. А якщо і стаються, то на них часто швидше за охоронців реагують оточуючі. А ось для розслідування ситуації цілком достатнім буде відео, що зберігається в архіві з камер спостереження.
А ще краще – фіксувати, контролювати та аналізувати подію в той момент коли вона відбувається (це зробити дозволять різноманітні тривожні виклики, які можна налаштувати заздалегідь – тож коли почне відбуватися щось, що прописано в тривожному сценарії, відеокамера в автоматичному режимі приверне на це увагу операторі відеоконтролю). Тоді можна вчасно зафіксувати обличчя порушника, траєкторії його руху та автомобільний номер.
Тож, як не дивно, але людина є одночасно і найбільш креативним та незамінним елементом в системі відеоспостереження, і водночас є ланкою, яка найповільніше еволюціонує. Людина не здатна бути гранично зосередженою 24/7, вона відволікається, втомлюється. В той час як система «глибокого машинного навчання» у відеоаналітиці навпаки – дозволяє більш оперативно та кваліфіковано реагувати на виклики, ніж це може зробити жива людина. Обсяги специфічних операцій, доступних для виконання штучним інтелектом зросли за останні роки на цілі порядки рівнів. Машина відверто швидше і якісніше працює із великими обсягами даних відеоархіву, ніж це може зробити людина. Приміром, машина, за заданим алгоритмом, легко зафіксує всіх людей, одягнутих у жовтий одяг, які за день увійшли в зазначені двері. При цьому люди в інших кольорах одягу будуть непоміченими.
Але проблема машинного інтелекту в тому, що йому не можна завдати безкінечне число показників, на які одночасно зможе зреагувати живий оператор. Тому коли справа стосується великих натовпів – мітинги, стадіони, тощо – тут людина впорається значно краще за машину.
Який метод пошуку найбільш швидший та рентабельніший?
Отже, який спосіб роботи з базами даних буде оптимальним? Той, де поєднуються зусилля живої людини із статистичними здібностями пошуку машинного інтелекту. А способів такого пошуку є принаймні десяток:
- найпростіший – пошук за подібностями (колір, форма, розмір об’єкта) – в інтелектуальний пошук задаємо автомобіль, що порушив, і виявився зафіксованим нашою камерою відеоспостереження. І система аналітики задіє пошук в усьому архіві, і швидко знайде всі відеофрагменти (з усіх доступних камер спостереження), в яких фіксувався цей автомобіль. Це в ідеалі, а насправді система працює ще не так досконало – може видавати і багато зайвого матеріалу – бо ж автомобіль в ширину і в довжину має цілком іншу форму, по мірі віддалення від камери змінюється і його величина. Крім того система може сприймати об’єкти не тими, чим вони є насправді. Приміром недавно відеокамера розпізнала спарені задні колеса великої фури за окремий транспортний засіб – а саме мотоцикл;
- пошук у виділеній області кадру – тобто, можна виділити окрему ділянку робочої зони камери і запустити пошук саме по ній. Система видасть всі фрагменти, в яких в заданій області відбувався якийсь рух. Приміром, сталося ДТП на перехресті – виділяємо область цього перехрестя, визначаємо часовий проміжок, який нас цікавить, і отримаємо відео з усіма автомобілями які проїхали чи зупинялися на перехресті в зазначений час. Тоді нам залишиться лише знайти серед знайдених фрагментів той, у який сталося ДТП. Щоб швидше знайти потрібний фрагмент можна запровадити більш тонше налаштування за, так званими, геометричними критеріями. Подібними функціями обладнані ІР-відеокамери A-серії та S-серії, такі як TD-9555A3-PA та TD-9452S3A (D/AZ/PE/AR3). Можна намалювати лінії з фіксуванням входу в зону, з фіксуванням часу виїзду та напрямку виїзду (приміром автомобілі що виїхали через ворота 2 – не фіксуються, а ті що виїхали через ворота 1 – фіксуються з допомогою наприклад скріншоту);
- пошук за обличчям – він з’явився зовсім недавно, але набув шаленої популярності. І кожен із брендів намагається мати подібні відеокамери в своїй лінійці продуктів. В TVT Digital популярні такі екземпляри з цією функцією: TD– 9525A3-FR та TD-9423A3-FR. Пошук відбувається так – в базу даних завантажується фото чи намальований малюнок (приміром фоторобот) розшукуваної людини. В налаштуваннях можна додатково вибрати прикмети людини. І система пошуку швидко видасть фрагменти відео, в яких з’являється задане чи подібне обличчя. В системі пошуку задіяні камери спостереження, відеодомофони, тощо. Пошук ведеться з допомогою звуження регіону перебування розшукуваної людини: від всього міста до кварталу, де людина помічена найчастіше. Метод вельми дієвий – в місті-мільйоннику Шанхаї було проведено експеримент із пошуку заданої людини (в якості приманки виступив британський журналіст). Поліція змогла знайти його на вулицях міста та «арештувати» за 15 хвилин пошуку. В Україні цей метод теж застосовується правоохоронцями, зокрема в системі «Безпечне місто».
- подібний спосіб пошуку – за державним автомобільним номером. В цьому допоможе ІР-відеокамера TD-9423A3-LR. В базу даних вводиться фото номера автомобіля, чи просто цифри номера, і програма статистичним методом «прошерстить» весь архів та знайде ті фрагменти, на яких цей номер фіксувався. Мінусом цього методу є те, що для фіксації номера автомобіля камера має бути розташована в чітко визначених параметрах по висоті, по куту відносно траси і тому подібне. І крім того камер з функцією розпізнавання номерів значно менше ніж камер з функцією розпізнавання облич.
Крім вищеназваних технологічних способів роботи з відеоархівом можуть застосовуватися і традиційні методи – приміром перегляд матеріалу в прискореному вигляді: швидкість відтворення відео 2:1. Є ще метод «стиснення часу» – коли на моніторі реальне відео фрагментується на рівні за часом відрізки і три чи чотири сусідні відрізки виводяться на монітор водночас.
Але ці останні методи з часом застосовуються все менше, уступаючи місце високим технологіям.