Искусственный интеллект для видеонаблюдения

Было высказано предположение , что эта статья будет объединен в видео контент - анализа . ( Обсудить ) Предлагается с февраля 2021 года.

Искусственный интеллект для видеонаблюдения использует компьютерные программы, которые анализируют звук и изображения с камер видеонаблюдения с целью распознавания людей, транспортных средств, объектов и событий. Программа для подрядчиков по обеспечению безопасности - это программное обеспечение для определения зон ограниченного доступа в поле зрения камеры (например, огороженная территория, парковка, но не тротуар или общественная улица за пределами стоянки) и программы на время суток (например, после закрытия рабочего дня). ) для имущества, охраняемого камерой видеонаблюдения . Искусственный интеллект ( «AI») посылает сигнал тревоги при обнаружении нарушителя разрывая «правила» набор, ни один человек не допускается в этой области в это время суток. ^[1]

Программа AI работает с использованием машинного зрения . Машинное зрение - это серия алгоритмов, или математические процедуры, которые работают как блок-схема или серия вопросов для сравнения наблюдаемого объекта с сотнями тысяч сохраненных эталонных изображений людей в разных позах, углах, положениях и движениях. ИИ спрашивает себя, движется ли наблюдаемый объект, как эталонные изображения, имеет ли он примерно одинаковый размер, высоту относительно ширины, имеет ли он характерные две руки и две ноги, движется ли он с одинаковой скоростью и вертикально ли вместо этого горизонтального. Возможны многие другие вопросы, такие как степень отражения объекта, степень его устойчивости или вибрации и плавность, с которой он движется. Комбинируя все значения из различных вопросов, получается общий рейтинг, который дает ИИ вероятность того, что объект является или не является человеком.Если значение превышает установленный предел, отправляется предупреждение. Для таких программ характерно то, что онисамообучающаяся до такой степени, обучение, например , что люди или транспортные средства появляются больше в определенных участках контролируемого изображения - те области , рядом с камерой - чем в других частях, те будучи участки вдали от камеры.

В дополнение к простому правилу, ограничивающему людей или транспортные средства из определенных областей в определенное время дня, могут быть установлены более сложные правила. Пользователь системы может захотеть узнать, движутся ли транспортные средства в одном направлении, а не в другом. Пользователи могут захотеть знать, что в определенной области находится больше определенного заранее заданного количества людей. ИИ способен одновременно вести наблюдение за сотнями камер. Его способность замечать нарушителя на расстоянии, под дождем или ярким светом превосходит способность человека делать это.

Этот тип ИИ для обеспечения безопасности известен как « основанный на правилах », потому что человек-программист должен установить правила для всех вещей, о которых пользователь хочет получать предупреждения. Это наиболее распространенная форма ИИ для обеспечения безопасности. Многие системы камер видеонаблюдения сегодня включают в себя этот тип искусственного интеллекта. Жесткий диск, на котором размещена программа, может находиться либо в самих камерах, либо в отдельном устройстве, которое принимает входные данные с камер.

Была разработана новая, не основанная на правилах форма ИИ для обеспечения безопасности, называемая « поведенческой аналитикой ». Это программное обеспечение полностью самообучающееся, без начального программирования со стороны пользователя или подрядчика по безопасности. В этом виде аналитики, ИИ изучает, что является нормальным поведением людей, транспортных средств, машин и окружающей среды, основываясь на собственном наблюдении закономерностей с различными характеристиками, такими как размер, скорость, отражательная способность, цвет, группировка, вертикальная или горизонтальная ориентация и т. д. ИИ нормализует визуальные данные, что означает, что он классифицирует и маркирует наблюдаемые объекты и шаблоны, создавая постоянно уточняемые определения того, что является нормальным или средним поведением для различных наблюдаемых объектов. После нескольких недель обучения таким образом он может распознать, когда что-то нарушает шаблон. Когда он обнаруживает такие аномалии, он отправляет предупреждение. Например, автомобили ездят по улице - это нормально. Автомобиль, замеченный на тротуаре, был бы аномалией. Если огороженный двор ночью обычно пуст, то вход в него человека будет аномалией.

История [ править ]

Постановка проблемы [ править ]

Ограничения в способности людей бдительно отслеживать записи видеонаблюдения в реальном времени привели к спросу на искусственный интеллект, который мог бы лучше справиться с этой задачей. Люди, наблюдающие за одним видеомонитором более двадцати минут, теряют 95% своей способности сохранять внимание, достаточное для распознавания значимых событий. ^[2] С двумя мониторами это снова уменьшается вдвое. ^[3]Учитывая, что на многих объектах установлены десятки или даже сотни камер, задача явно выходит за рамки человеческих возможностей. Как правило, изображения с камеры на пустые коридоры, складские помещения, парковки или строения чрезвычайно утомительны, и поэтому внимание быстро отвлекается. Когда контролируется несколько камер, обычно используется настенный монитор или группа мониторов с разделенным экраном и вращением каждые несколько секунд между одним набором камер и другим, визуальная скука быстро становится невыносимой. Хотя камеры видеонаблюдения получили широкое распространение среди пользователей, начиная от автосалонов и торговых площадей до школ и предприятий и заканчивая объектами с высокой степенью защиты, такими как атомные электростанции, задним числом было признано, что видеонаблюдение со стороны офицеров-людей (также называемых «операторами») было непрактичным. и неэффективно.Обширные системы видеонаблюдения были превращены в простую запись для возможного использования в судебной медицине для идентификации кого-либо после кражи, поджога, нападения или инцидента. Там, где использовались широкоугольные камеры, особенно для больших открытых площадок, даже для этой цели были обнаружены серьезные ограничения из-за недостаточного разрешения.^[4] В этих случаях невозможно идентифицировать нарушителя или преступника, потому что их изображение слишком маленькое на мониторе. Мы можем распознать людей отдельно, животных, транспортных средств, искусственный интеллект и человеческий мозг.

Предыдущие попытки решения [ править ]

Камеры обнаружения движения [ править ]

В ответ на то, что охранники-люди не могут в течение длительного времени наблюдать за мониторами наблюдения, первым решением было добавить к камерам детекторы движения . Было высказано предположение, что движение злоумышленника или преступника отправит сигнал тревоги офицеру удаленного наблюдения, устраняя необходимость в постоянной человеческой бдительности. Проблема заключалась в том, что на открытом воздухе наблюдается постоянное движение или изменение пикселей, составляющих общее просматриваемое изображение на экране. Движение листьев на деревьях, развевающееся на ветру, мусор на земле, насекомые, птицы, собаки, тени, фары, солнечные лучи и т. Д. - все это составляет движение. Это приводило к сотням или даже тысячам ложных срабатываний в день, что делало это решение неработоспособным, за исключением помещений в нерабочие часы.

Расширенное обнаружение движения на видео [ править ]

Следующая эволюция в некоторой степени снизила количество ложных срабатываний, но за счет сложной и трудоемкой ручной калибровки. Здесь обнаруживаются изменения цели, такой как человек или транспортное средство, относительно фиксированного фона. Если фон меняется сезонно или из-за других изменений, надежность со временем ухудшается. Экономика реагирования на слишком много ложных срабатываний снова оказалась препятствием, и этого решения было недостаточно.

Появление настоящей видеоаналитики [ править ]

Машинное обучение визуального распознавания относится к шаблонам и их классификации. ^{[5] [6]} Истинная видеоаналитика может отличить человеческую форму, транспортные средства и лодки или выбранные объекты от общего движения всех других объектов и визуальной статики или изменений пикселей на мониторе. Он делает это путем распознавания закономерностей . Когда интересующий объект, например человек, нарушает заранее установленное правило, например, что количество людей не должно превышать нуля в заранее определенной области в течение определенного интервала времени, отправляется предупреждение. Красный прямоугольник или так называемая «ограничивающая рамка» обычно автоматически следует за обнаруженным злоумышленником, и короткий видеоклип об этом отправляется в качестве предупреждения.

Практическое применение [ править ]

Профилактические действия в режиме реального времени [ править ]

Обнаружение злоумышленников с помощью видеонаблюдения имеет ограничения, связанные с экономикой и характером видеокамер. Как правило, камеры на открытом воздухе настроены на широкий угол обзора и все же смотрят с большого расстояния. Частота кадров в секунду и динамический диапазон для работы с ярко освещенными и тускло освещенными участками еще больше усложняют задачу, чтобы камера действительно могла видеть движущегося человека-нарушителя. Ночью, даже на освещенных открытых площадках, движущийся объект не собирает достаточно света на кадр в секунду, и поэтому, если он не находится достаточно близко к камере, будет выглядеть как тонкий пучок, еле различимый призрак или полностью невидимый. Яркость, частичное затемнение, дождь, снег, туман и темнота усугубляют проблему. Даже когда человека направляют посмотреть на фактическое местоположение на мониторе объекта в этих условиях,объект обычно не обнаруживается. ИИ может беспристрастно смотреть на все изображение и изображения со всех камер одновременно. Используя статистические модели степеней отклонения от изученного паттерна того, что составляет человеческую форму, он обнаружит злоумышленника с высокой надежностью и низким уровнем ложных предупреждений даже в неблагоприятных условиях.^[7] Его обучение основано примерно на четверти миллиона изображений людей в различных положениях, углах, позах и так далее.

Одномегапиксельная камера со встроенной видеоаналитикой смогла обнаружить человека на расстоянии около 350 футов и под углом зрения около 30 градусов в неидеальных условиях. Могут быть установлены правила для «виртуального забора» или вторжения в заранее определенную зону. Могут быть установлены правила для движения в прямом направлении, оставленного позади объекта, формирования толпы и некоторых других условий. Искусственный интеллект для видеонаблюдения широко используется в Китае. См. Массовую слежку в Китае .

Обсуждение [ править ]

Одна из самых мощных функций системы заключается в том, что офицер или оператор, получивший предупреждение от ИИ, может немедленно заговорить с нарушителем через наружные громкоговорители. Это имело высокую сдерживающую ценность, поскольку большинство преступлений носит конъюнктурный характер, и риск поимки злоумышленника становится настолько очевидным, когда с ним разговаривает живой человек, что он, скорее всего, воздержится от вторжения и отступит. Офицер службы безопасности описывал действия злоумышленника, чтобы у злоумышленника не было сомнений в том, что за ними наблюдает реальный человек. Офицер объявлял, что злоумышленник нарушает закон, что с правоохранительными органами связываются и что их снимают на видео. ^[8]

Отчет о подтвержденном нарушении [ править ]

В полицию поступает огромное количество ложных срабатываний охранной сигнализации. На самом деле индустрия безопасности сообщает, что более 98% таких тревог являются ложными. Соответственно, полиция реагирует на охранную сигнализацию с очень низким приоритетом и может занять от двадцати минут до двух часов, чтобы ответить на объект. Напротив, о преступлении, обнаруженном с помощью видеоаналитики, сообщается центральному сотруднику по мониторингу, который собственными глазами удостоверяет, что это настоящее преступление. Затем он или она отправляется в полицию, которая уделяет таким звонкам самый высокий приоритет.

Поведенческая аналитика [ править ]

Активные среды [ править ]

Хотя основанная на правилах видеоаналитика работала экономично и надежно для многих приложений безопасности, во многих ситуациях она не может работать. ^[9] Для внутренней или внешней зоны, где никто не находится в определенное время дня, например, в ночное время, или для зон, где никто не находится в любое время, таких как вышка сотовой связи , традиционная аналитика, основанная на правилах, идеально подходит. В примере с вышкой сотовой связи в редкое время, которое может потребоваться техническому специалисту по обслуживанию для доступа в зону, просто потребуется позвонить с кодом доступа, чтобы поставить контрольный ответ «на проверку» или деактивировать на короткое время, когда уполномоченное лицо будет там. .

Но существует множество требований к безопасности в активной среде, в которой постоянно находятся сотни или тысячи людей. Например, кампус колледжа, действующий завод, больница или любое действующее действующее предприятие. Невозможно установить правила, по которым проводилось бы различие между законными людьми и преступниками или правонарушителями.

Преодоление проблемы активных сред [ править ]

Используя поведенческую аналитику, самообучающийся ИИ, не основанный на правилах, берет данные с видеокамер и непрерывно классифицирует объекты и события, которые он видит. Например, человек, переходящий улицу, является одной из классификаций. Группа людей - это еще одна классификация. Транспортное средство - это одна из классификаций, но при постоянном обучении общественный автобус будет отличаться от небольшого грузовика и мотоцикла. С возрастанием сложности система распознает закономерности человеческого поведения. Например, можно заметить, что люди проходят через дверь с контролируемым доступом по одному. Дверь открывается, человек предъявляет свою бесконтактную карту или бирку, человек проходит и дверь закрывается. Этот образец активности, наблюдаемый неоднократно, формирует основу того, что является нормальным в представлении камеры, наблюдающей за этой сценой.Теперь, если авторизованное лицо открывает дверь, но второй неавторизованный человек, «зашедший через хвост», схватывает дверь, прежде чем она закрывается и проходит внутрь, это своего рода аномалия, которая вызовет тревогу. Этот тип анализа намного сложнее, чем аналитика на основе правил. В то время как основанная на правилах аналитика работает в основном для обнаружения злоумышленников в тех областях, где обычно никто не присутствует в определенное время дня, поведенческая аналитика работает там, где люди активны, чтобы обнаруживать необычные вещи.В то время как основанная на правилах аналитика работает в основном для обнаружения злоумышленников в тех областях, где обычно никто не присутствует в определенное время дня, поведенческая аналитика работает там, где люди активны, чтобы обнаруживать необычные вещи.В то время как основанная на правилах аналитика работает в основном для обнаружения злоумышленников в тех областях, где обычно никто не присутствует в определенное время дня, поведенческая аналитика работает там, где люди активны, чтобы обнаруживать необычные вещи.

Возникновение пожара на открытом воздухе будет необычным событием и вызовет тревогу, как и поднимающееся облако дыма. Транспортные средства, движущиеся в неправильном направлении по проезжей части с односторонним движением, также будут типичными для типа события, которое имеет сильную визуальную сигнатуру и будет отклоняться от неоднократно наблюдаемой схемы движения транспортных средств, движущихся по правильной полосе с односторонним движением. Если злоумышленник повергнет человека на землю, это будет необычным событием, которое, скорее всего, вызовет тревогу. Это зависит от ситуации. Таким образом, если камера просматривала спортзал, где практиковалась борьба, ИИ узнал бы, что один человек обычно бросает другого на землю, и в этом случае он не будет предупреждать об этом наблюдении.

Что «понимает» искусственный интеллект [ править ]

ИИ не знает и не понимает, что такое человек, огонь или транспортное средство. Это просто поиск характеристик этих вещей на основе их размера, формы, цвета, отражательной способности, угла, ориентации, движения и так далее. Затем он обнаруживает, что классифицированные им объекты имеют типичные модели поведения. Например, люди ходят по тротуарам, а иногда и по улицам, но не очень часто взбираются на стены зданий. Транспортные средства едут по улицам, но не по тротуарам. Таким образом, аномальное поведение человека, взбирающегося на здание или автомобиля, выезжающего на тротуар, вызовет тревогу.

Отличается от традиционного мировоззрения систем безопасности [ править ]

Типичные системы сигнализации предназначены для того, чтобы не пропустить истинные срабатывания (реальные события преступления) и иметь как можно более низкий уровень ложных срабатываний. В этом отношении сигнализация о взломе пропускает очень мало истинных срабатываний, но имеет очень высокий уровень ложных срабатываний даже в контролируемой внутренней среде. Камеры, обнаруживающие движение, пропускают некоторые истинные положительные результаты, но страдают от огромного количества ложных срабатываний на открытом воздухе. Аналитика на основе правил надежно обнаруживает большинство истинных срабатываний и имеет низкий уровень ложных срабатываний, но не может работать в активных средах, только в пустых. Также они ограничиваются простым распознаванием присутствия злоумышленника или его отсутствия.

Такая сложная или тонкая вещь, как вспыхнувшая драка или нарушение сотрудником процедуры безопасности, не может быть обнаружена или различена аналитикой, основанной на правилах. С поведенческой аналитикой это так. Места, в которых люди перемещаются и работают, не представляют проблемы. Однако ИИ может обнаруживать многие вещи, которые кажутся аномальными, но невинными по своей природе. Например, если студенты в кампусе гуляют по площади, это будет учиться как обычно. Если пара учеников решит вынести на улицу большую простыню, развевающуюся на ветру, это действительно могло бы вызвать тревогу. Офицер по мониторингу будет предупрежден, чтобы он посмотрел на свой монитор и увидит, что событие не является угрозой, и затем проигнорирует его. Степень отклонения от нормы, вызывающая срабатывание предупреждения, может быть установлена ​​так, чтобы сообщалось только о самых ненормальных вещах. Тем не мение,это по-прежнему представляет собой новый способ взаимодействия человека и ИИ, не характерный для традиционного мышления индустрии сигнализации. Это связано с тем, что будет много ложных тревог, которые, тем не менее, могут быть полезны для отправки сотруднику-человеку, который может быстро осмотреть и определить, требует ли сцена реагирования. В этом смысле это «похлопывание по плечу» со стороны ИИ, чтобы человек на что-то посмотрел.

Ограничения поведенческой аналитики [ править ]

Поскольку так много сложных вещей обрабатывается непрерывно, программное обеспечение производит выборку до очень низкого разрешения, всего 1 CIF, для экономии вычислительных ресурсов. Разрешение 1 CIF означает, что объект размером с человека не будет обнаружен, если используемая камера широкоугольная, а человек находится на расстоянии более шестидесяти-восьмидесяти футов в зависимости от условий. Более крупные объекты, такие как автомобили или дым, будут обнаруживаться на больших расстояниях.

Количественная оценка ситуационной осведомленности [ править ]

Использование искусственного интеллекта для обеспечения безопасности не существует в вакууме, и его развитие не было обусловлено чисто академическими или научными исследованиями. Скорее, он адресован потребностям реального мира и, следовательно, экономическим силам. Его использование для приложений, не связанных с безопасностью, таких как операционная эффективность, тепловое отображение покупателя в демонстрационных областях (то есть, сколько людей находится в определенной области в торговом пространстве) и посещаемость занятий развиваются. ^[10]Люди не так хорошо подготовлены, как ИИ, для составления и распознавания закономерностей, состоящих из очень больших наборов данных, требующих одновременных вычислений в нескольких удаленных просматриваемых местах. В таком осознании нет ничего изначально человеческого. Было показано, что такая многозадачность отвлекает человеческое внимание и производительность. У ИИ есть возможность обрабатывать такие данные. В целях безопасности при взаимодействии с видеокамерами они функционально обладают большей остротой зрения, чем люди или машинное приближение к нему. Что касается тонкостей поведения или намерений субъектов, а также степени угрозы, люди остаются намного лучше в нынешнем состоянии технологий. Итак, ИИв функциях безопасности для широкого сканирования, превышающего человеческие возможности, и проверки данных до первого уровня сортировки по релевантности, а также для предупреждения сотрудника-человека, который затем берет на себя функцию оценки и реагирования.

Безопасность в практическом мире определяется экономически, так что расходы на превентивную безопасность обычно никогда не превышают предполагаемую стоимость риска, которого необходимо избежать. Исследования показали, что компании обычно тратят на обеспечение безопасности лишь примерно одну двадцать пятую суммы, которой им обошлись их фактические убытки. ^[11] То, что с точки зрения чистой экономической теории должно быть эквивалентностью или гомеостазом, таким образом, в значительной степени не соответствует этому. Одна теория, объясняющая это, - это когнитивный диссонанс , или легкость, с которой неприятные вещи, такие как риск, могут быть вытеснены из сознательного разума. Тем не менее, безопасность - это основные расходы, и профессионалы в области безопасности всегда уделяют первостепенное внимание сравнению затрат на различные средства безопасности.

Другая причина того, что будущие угрозы или потери безопасности недооцениваются, заключается в том, что часто учитывается только прямая стоимость потенциальной потери, а не спектр косвенных потерь, которые одновременно возникают. Например, вандализм с разрушением специальной производственной машины на заводе или рефрижераторного тракторного прицепа приведет к длительной замене, в течение которой клиенты не смогут обслуживаться, что приведет к потере их бизнеса. Насильственное преступление нанесет работодателю серьезный ущерб общественным отношениям, помимо прямой ответственности за неспособность защитить работника.

Поведенческая аналитика уникальна, помимо простой безопасности, и, благодаря своей способности отслеживать нарушения в стандартных шаблонах протоколов, она может эффективно обнаруживать небезопасные действия сотрудников, которые могут привести к нарушениям требований сотрудников или к инцидентам с общественной ответственностью. Здесь также оценка стоимости будущих инцидентов не соответствует действительности. Исследование, проведенное компанией Liberty Mutual Insurance Company, показало, что затраты работодателей примерно в шесть раз превышают прямые страховые затраты, поскольку незастрахованные затраты на косвенные убытки включают временных замещающих рабочих, затраты на найм для замены, затраты на обучение, время менеджеров в отчетах или суде, неблагоприятные моральный дух на других работников и влияние на клиентов и связи с общественностью. ^[12] Потенциал ИИ в форме поведенческой аналитики для упреждающего перехвата и предотвращения таких инцидентов велик.

См. Также [ править ]

• Распознавание активности
• Анализ толпы
• УКАЗАТЬ
• Анализ видеоконтента

Ссылки [ править ]