В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
Обычно на предприятиях, где используется большое количество камер, мониторинг осуществляет небольшое количество операторов. Постоянный просмотр изображений всех камер – это просто неэффективное использование ресурсов персонала, так как люди в один момент времени отслеживают множество изображений, вследствие чего быстро утомляются. При потере концентрации важные детали упускаются, что существенно подрывает общую идею обеспечения безопасности. И это создает только видимость безопасности.
Для того чтобы исправить эту ситуацию, нужно выделить релевантную информацию из общего объема данных. К счастью, алгоритмы анализа прекрасно справляются с задачей постоянного мониторинга картинки в необходимом вам объеме, а также автоматического привлечения внимания оператора к критическим ситуациям.
Таким образом, если вы хотите, чтобы система анализа изображения работала действительно эффективно и надежно, важно четко определить так называемую критическую ситуацию и идеально соответствующий ей алгоритм.
В рамках маркетинговых кампаний, проводившихся в последнее время на рынке CCTV, продвигались весьма радикальные утверждения о возможностях так называемого интеллектуального видеоанализа. В результате многие пользователи полагают, что алгоритмы анализа обладают человеческим интеллектом. Они считают, что раз они сами своими глазами могут увидеть, что на картинке ползущий человек, а не идущая на четырех лапах собака, то, безусловно, и алгоритм должен быть в состоянии отличить человека от животного. Если бы все было так просто!
На самом деле в большинстве алгоритмов используются относительно упрощенные критерии различения, например транспортных средств и людей от других движущихся объектов и т.п. В первую очередь они реагируют на движение: если на картинке присутствует группа близко расположенных и систематизированных пикселей (то есть присутствующих на нескольких последовательных изображениях), которые перемещаются из одной части картинки в другую, тогда алгоритм делает заключение, что эти пиксели относятся к однородному объекту. Затем идет проверка по критериям, например относительной размерности объекта. Если высота объекта превышает его ширину и приблизительно равна размерам человеческого тела, тогда система предполагает, что этот объект является человеком и предпринимает соответствующие действия. Если в этом случае система должна подавать сигнал тревоги, она именно это и делает.
Но для того чтобы алгоритм пришел к такому логическому заключению, в него необходимо заложить информацию о размерах человеческого тела на изображении, когда человек находится на переднем плане, и о размерах тела, изображенного на заднем плане. Все это делается в процессе настройки, когда сервисный инженер "измеряет" экран для определения ширины переднего и заднего планов.
Многие производители камер поставляют оборудование с уже встроенными алгоритмами. Эти производители поддерживают систему децентрализованного анализа видео, когда анализ производится на периферийном оборудовании системы, а не на основном сервере. У такого способа организации анализа есть одно преимущество: анализируются несжатые данные изображения, что обеспечивает надежный анализ.
При использовании IP-камер и централизованном анализе изображений все данные, перед тем как они будут переданы в сеть, сначала сжимаются, а потом направляются на сервер, который разворачивает сжатые данные и анализирует их. К сожалению, это может привести к тому, что искусственное сжатие негативно скажется на анализе. А кроме того, это неизбежно означает загрузку сети графическими данными, которые не содержат какой-либо важной информации, при этом разворачивание этих данных создает дополнительные требования к вычислительной мощности центрального сервера.
Но и у централизованного анализа есть свои преимущества. Он более гибок в отношении используемых алгоритмов – часто это принципиально важно для решения специальных задач, кроме того, он требует меньшей вычислительной мощности камер, а значит, можно использовать более дешевые камеры.
Часто наилучшим решением является сочетание различных типов архитектуры.
Для многих приложений сочетание нескольких различных алгоритмов в одном канале может быть полезным или даже необходимым. Эта идея лежит в основе так называемых дублированных сенсоров, которые параллельно управляют двумя различными процессами распознавания, при этом сигнал тревоги подается только в том случае, если оба сенсора одновременно зафиксировали критическую ситуацию. Механизмы распознавания основаны на различных принципах анализа, которые реагируют на различные факторы тревоги. За счет сочетания в единой системе двух алгоритмов мы исключаем реакцию системы на незначительные факторы, которая может возникать при использовании только одного алгоритма.
С другой стороны, может возникнуть потребность в использовании различных специализированных алгоритмов в одном изображении, например для того, чтобы надежно выявлять критические области движения и точно распознавать оставленные предметы. Так как эти два приложения предъявляют различные требования к алгоритму, логично использовать два различных специализированных алгоритма для получения наилучших результатов.
"Видеоаналитика в камере или на центральном сервере?" нужно отвечать: "Все зависит от ситуации!"
Таким образом, удостоверьтесь, что вы получили множество консультаций экспертов. Настаивайте на тестах с использованием видеоматериала на вашем собственном приложении и выбирайте систему, которая гибко поддерживает различные структуры и алгоритмы – и централизованно, и на периферийной камере, а также параллельно. Наиболее точный выбор – это масштабируемая система, которая способна адаптироваться к изменяющимся требованиям и перспективным разработкам.
Опубликовано: Каталог "CCTV"-2011
Посещений: 8525
Автор
| |||
В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
