Искусственный интеллект в сфере видеонаблюдения

Искусственный интеллект в сфере видеонаблюдения

Если вы немного устали слышать о потенциале искусственного интеллекта (ИИ) в повседневности и работе, вы не одиноки! ИИ был одним из модных словечек последних нескольких лет, и, как и все модные словечки, чрезмерное использование и неправильное понимание могут заставить людей скептически относиться к его истинному потенциалу. Хотя это и понятно, нельзя позволить этому помешать нам признать истинный потенциал ИИ в конкретных приложениях видеоаналитики на основе машинного обучения (МО) и глубокого обучения (ГО).

Определение искусственного интеллекта, машинного и глубокого обучения в видеонаблюдении

Искусственный интеллект — это отрасль компьютерных наук, изучающая и разрабатывающая методы, дающие компьютерам моделировать интеллектуальное поведение. Если говорить глобально, ИИ — это расширенное понятие, но в конкретном контексте видеоаналитики основное внимание уделяется повышению операционной продуктивности и ценности за счет автоматической обработки и анализа видеопотоков.

В этом контексте более актуальна такая подкатегория ИИ, как машинное обучение. Как следует из названия, машинное обучение дает компьютерам улучшать алгоритмы путем «обучения» на реальных примерах. Затем улучшенные алгоритмы используются для анализа изображений или видео-последовательностей для генерации сигнализации, метаданных или другой информации.

Совсем недавно внимание обратилось на такую подкатегорию машинного обучения, как Deep learning, которое описывает алгоритмы, основанные на моделируемых нейронных сетях. Идея алгоритмов такого типа была вдохновлена системой зрения человека, отсюда и название — нейронные сети. В сетях ГО уровни операций организованы в иерархию сложных и абстрактных уровней, каждый из которых использует информацию из предыдущего, чтобы сделать окончательный вывод.

Модели ГО позволяют использовать более сложные аналитические алгоритмы и обычно достигают большей точности, чем традиционные. В комплектах видеонаблюдения они используются, прежде всего, для обнаружения, классификации и распознавания различных типов объектов. Однако одним из недостатков алгоритмов ГО считается то, что они требуют большей вычислительной мощности и большего количества математических операций по сравнению с традиционными алгоритмами.

Спрос на Deep learning в большом количестве данных

МО и ГО требуют соответствующих объемов входных данных для обучения, чтобы достигать впечатляющих результатов. Если для обучения доступно достаточно релевантных данных и вычислительных мощностей, методы на основе МО и ГО способны производительно обрабатывать их для достижения алгоритмов с повышенной точностью. Компьютер может анализировать тысячи изображений, чтобы найти детали, которые характеризуют конкретные объекты во всевозможных сценариях. Если данные и их описания качественные, значит, приложение на основе ГО способно достичь еще большей точности. Но доступность высококачественных данных может стать проблемой.

Возможно, вопреки общему восприятию ИИ, сегодняшним технологиям все еще не хватает осведомленности или того, что можно было бы назвать общим интеллектом. В приложениях, где используется технология, она фокусируется на конкретных проблемах в лимитированных областях. Например, чтобы голосовое приложение, такое как Siri или Alexa, могло верно ответить на вопросы пользователя, ему нужно задавать конкретные и ясные вопросы. В противном случае он получит совершенно непонятный ответ. Так же и в камерах видеонаблюдения: плохое описание изображений, используемых для обучения, приведет к приложениям с пониженной точностью.

Учитывая текущие ограничения в точности этих технологий и то, что до правильного и контекстного понимания сцены в деталях из видео еще далеко, мы должны проявлять осторожность в отношении того, как и где использовать эти технологии. Сегодняшняя технология повышает производительность, но конечное принятие решения в сценарии видеонаблюдения по-прежнему должно оставаться за охранником или оператором. Следует держать «человека в курсе».

Сценарии использования видеонаблюдения

По мере развития любой новой технологии за пределами первоначального ажиотажа, слабые стороны и ограничения технологии станут очевидными, и только в тех областях, где она обеспечивает ценность, будет заметен и рост. В вопросах видеонаблюдения важно начинать со сценария использования: какую проблему вы пытаетесь решить или какого эффекта хотите достичь? Основываясь на хорошем понимании конкретного варианта использования, целесообразно применить МО и ГО для достижения впечатляющего результата.

Хотя мы все еще в начале пути ИИ в области IP камер видеонаблюдения, предусмотрены приложения и варианты использования, в которых аналитика ГО уже приносит пользу организациям. Например, при просмотре больших объемов записанного материала в поисках конкретных объектов или событий — то, что мы часто называем судебно-медицинским поиском.

Аналитические приложения и использование комплектов видеонаблюдения с видеоаналитикой Deep learning будут расширяться, но необходим осторожный подход. Истинное понимание сценариев использования, ограничений технологии, а также тщательное тестирование и оценка, позволяющие убедиться в достижении намеченного результата, имеют решающее значение.

Качественные изображения с камер видеонаблюдения, как основа

Фундаментальным для способности анализировать видео считается качество видеокамеры и изображения, или так называемое «удобство использования изображения»: качество изображения напрямую отражается на качестве точности видеоаналитики. Видеокамеры в комплектах видеонаблюдения должны работать круглосуточно, 365 дней в году, реагировать на колебания температуры и различные условия освещения, при этом правильно анализируя изображение в текущем времени.

Одна из отраслевых тенденций заключается в том, что продвинутое программное обеспечение с видеоаналитикой перемещается на периферийные устройства, а приложения работают на самих камерах видеонаблюдения. В этом есть ряд преимуществ: например, экономия полосы пропускания (поскольку с камеры должны передаваться только извлеченные данные), решение проблем конфиденциальности, экономия на дорогостоящем серверном оборудовании и более точная аналитика. Интеллектуальная видеоаналитика на периферии откроет массу опций для приложений, которые еще больше повысят безопасность и защищенность, и принесут дополнительные преимущества в операционной производительности.

Терпение — это добродетель

Как правило, после первоначального ажиотажа по поводу инноваций в области технологий наступает практически неизбежный период разочарования, когда они не оправдывают ожиданий. Но будьте уверены, масса людей работает “за кулисами”, чтобы гарантировать, что искусственный интеллект (а точнее машинное обучение и Deep learning) со временем раскроет их потенциал.

24 0

Другие новости

Новости

В России снизился реальный размер пенсии

Подробнее
Новости

Тренды в сфере систем видеофиксации глазами специалистов рынка безопасности – результаты опроса Hikvision

Подробнее
Новости

Украину беспокоит запуск «Северного потока-2»

Подробнее
Новости

Что такое периферийные устройства и как они могут защитить ваш бизнес?

Подробнее