Искусственный интеллект для видеонаблюдения

Искусственный интеллект для видеонаблюдения использует компьютерные программы, которые анализируют аудио и изображения с камер видеонаблюдения с целью распознавания людей, транспортных средств, объектов и событий [1] . Программа Security contractors - это программа для определения ограниченных зон в поле зрения камеры (например, огороженная территория, парковка, но не тротуар или общественная улица за пределами участка) и программа для времени суток (например, после закрытия бизнеса) для имущества, защищаемого камерой наблюдения . Искусственный интеллект ("A. I.") отправляет предупреждение, если он обнаруживает нарушителя, нарушающего набор" правило", что ни один человек не допускается в этой области в течение этого времени суток.

Программа A. I. функционирует с помощью машинного зрения . Машинное зрение серия алгоритмов, или математические процедуры, которые работают как блок-схема или ряд вопросов для сравнения объекта, увиденного с сотнями тысяч сохраненных эталонных изображений людей в разных позах, углах, положениях и движениях. ИИ спрашивает себя, движется ли наблюдаемый объект подобно эталонным изображениям, имеет ли он приблизительно одинаковую высоту по отношению к ширине, имеет ли он характерные две руки и две ноги, движется ли он с одинаковой скоростью и вертикальен ли он вместо горизонтального. Возможны и многие другие вопросы, такие как степень отражения объекта, степень его устойчивости или вибрации и плавность его движения. Объединяя все значения из различных вопросов, выводится общий рейтинг, который дает A. I. вероятность того, что объект является или не является человеком. Если значение превышает установленный предел, отправляется предупреждение. Для таких программ характерно, что они самообучение в определенной степени, например, что люди или транспортные средства кажутся больше в определенных частях контролируемого изображения – тех областях около камеры – чем в других частях, которые являются областями, наиболее удаленными от камеры.

В дополнение к простому правилу, ограничивающему людей или транспортные средства из определенных районов в определенное время суток, могут быть установлены более сложные правила. Пользователь системы может захотеть узнать, движутся ли транспортные средства в одном направлении, но не в другом. Пользователи могут хотеть знать, что есть больше чем определенное заранее установленное число людей в пределах определенной области. ИИ способна вести наблюдение за сотнями камер одновременно. Его способность замечать нарушителя на расстоянии, в дождь или яркий свет превосходит способность человека делать это.

Этот тип ИИ для безопасности известен как "Основанный на правилах", потому что программист-человек должен установить правила для всех вещей, для которых пользователь хочет быть предупрежден. Это наиболее распространенная форма ИИ для обеспечения безопасности. Многие системы камеры видеонаблюдения сегодня включают в себя этот тип И. И. возможности. Жесткий диск, на котором размещается программа, может быть расположен либо в самих камерах, либо в отдельном устройстве, которое получает вход от камер.

Была разработана новая, не основанная на правилах форма ИИ для обеспечения безопасности под названием "поведенческая аналитика". Это программное обеспечение полностью самообучается без первоначального программирования пользователя или подрядчика безопасности. В этом типе аналитики ИИ узнает, что такое нормальное поведение для людей, транспортных средств, машин и окружающей среды на основе собственного наблюдения моделей различных характеристик, таких как размер, скорость, отражательная способность, цвет, группировка, вертикальная или горизонтальная ориентация и так далее. ИИ нормализует визуальные данные, что означает, что он классифицирует и помечает объекты и шаблоны, которые он наблюдает, создавая постоянно уточненные определения того, что является нормальным или средним поведением для различных наблюдаемых объектов. После нескольких недель обучения таким образом он может распознать, когда вещи нарушают шаблон. Когда он наблюдает такие аномалии, он посылает предупреждение. Например, это нормально для автомобилей ездить на улице. Автомобиль, увиденный подъезжающим к тротуару, был бы аномалией. Если огороженный двор обычно пуст ночью, то человек, входящий в эту область, будет аномалией.

История

Постановка проблемы

Ограничения в способности людей бдительно контролировать видео наблюдения в прямом эфире привели к спросу на искусственный интеллект, который мог бы лучше выполнять эту задачу. Люди, наблюдающие за одним видеомонитором более двадцати минут, теряют 95% своей способности поддерживать внимание, достаточное для того, чтобы различать значимые события.с двумя мониторами это снова разрезается пополам.[3]] Учитывая, что многие объекты имеют десятки или даже сотни камер, задача явно выходит за рамки человеческих возможностей. В общем, вид камеры пустых коридоров, складских помещений, парковок или сооружений чрезвычайно скучен и, таким образом, внимание быстро ослабляется. Когда несколько камер контролируются, как правило, используя настенный монитор или банк мониторов с разделенными видами экрана и вращаясь каждые несколько секунд между одним набором камер и следующим, визуальная скука быстро подавляющим. В то время как камеры видеонаблюдения распространялись с большим внедрением пользователями, начиная от автосалонов и торговых площадей до школ и предприятий и заканчивая высокозащищенными объектами, такими как атомные станции, было признано, что видеонаблюдение со стороны человеческих офицеров (также называемых "операторами") было непрактичным и неэффективным. Обширные системы видеонаблюдения были отнесены к простой записи для возможного использования судебно-медицинской экспертизы для идентификации кого-либо после факта кражи, поджога, нападения или инцидента. Там, где использовались широкоугольные виды камер, особенно на больших открытых площадках, были обнаружены серьезные ограничения даже для этой цели из-за недостаточного разрешения. в этих случаях невозможно идентифицировать нарушителя или преступника, потому что их изображение слишком мало на мониторе.

Более ранние попытки решения

Камеры обнаружения движения

В ответ на недостатки людей-охранников для наблюдения за мониторами наблюдения в долгосрочной перспективе, первым решением было добавить детекторы движения к камерам. Было высказано предположение, что движение злоумышленника или преступника может направить предупреждение офицеру дистанционного мониторинга, устраняющему необходимость постоянной бдительности человека. Проблема заключалась в том, что во внешней среде происходит постоянное движение или изменение пикселей, составляющих общее просматриваемое изображение на экране. Движение листьев на деревьях, развевающихся на ветру, подстилки на земле, насекомые, птицы, собаки, тени, фары, солнечные лучи и так далее составляют движение. Это вызвало сотни или даже тысячи ложных предупреждений в день, делая это решение неработоспособным за исключением внутренних условий во время нерабочих часов.

Расширенное обнаружение движения видео

Следующее развитие уменьшило ложные сигналы тревоги к степени но ценой осложненной и требующей много времени ручной тарировки. Здесь обнаруживаются изменения цели, такой как человек или транспортное средство, относительно фиксированного фона. Там, где фон меняется сезонно или из-за других изменений, надежность со временем ухудшается. Экономика реагирования на слишком много ложных предупреждений снова оказалась препятствием, и это решение было недостаточным.

Появление истинной видеоаналитики

Машинное обучение визуальному распознаванию относится к паттернам и их классификации.[5] [6] истинная видеоаналитика может отличить человеческую форму, транспортные средства и лодки или отобранные объекты от общего движения всех других объектов и визуальных статических или изменений в пикселях на мониторе. Он делает это путем распознавания шаблонов. Когда объект интереса, например человек, нарушает заданное правило, например, что количество людей не должно превышать нуля в заданной области в течение заданного интервала времени, то отправляется предупреждение. Красный прямоугольник или так называемый" ограничивающий прямоугольник " обычно автоматически следует за обнаруженным нарушителем, и короткий видеоклип этого отправляется в качестве предупреждения.

Практическое применение

Профилактическое действие в реальном времени

Обнаружение злоумышленников с помощью видеонаблюдения имеет ограничения, основанные на экономике и характере видеокамер. Как правило, камеры на открытом воздухе установлены на широкий угол обзора и все же смотрят на большое расстояние. Частота кадров в секунду и динамический диапазон для обработки ярко освещенных областей и тускло освещенных дополнительно бросают вызов камере, чтобы на самом деле быть адекватным, чтобы увидеть 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, он будет казаться тонким или едва различимым призраком или полностью невидимым. Условия яркого света, частичного затемнения, дождя, снега, тумана и темноты-все это усугубляет проблему. Даже когда человек направлен для того чтобы посмотреть фактическое положение на мониторе вопроса в этих условиях, вопрос обычно не будет обнаружен. ИИ может беспристрастно смотреть на все изображение и изображения всех камер одновременно. Используя статистические модели степеней отклонения от изученной модели того, что составляет человеческую форму, он будет обнаруживать нарушителя с высокой надежностью и низким уровнем ложной тревоги даже в неблагоприятных условиях.Его изучение основано приблизительно на четверти миллиона изображений людей в различных положениях, углах, положениях, и так далее .

Одна мегапиксельная камера с встроенной видеоаналитикой смогла обнаружить человека на расстоянии около 350' и под углом зрения около 30 градусов в неидеальных условиях. Правила могут быть установлены для" виртуального забора " или вторжения в заранее определенную область. Правила могут быть установлены для направленного движения, оставленного объекта, формирования толпы и некоторых других условий.

Разговор-вниз

Одной из наиболее мощных особенностей системы является то, что человек-офицер или оператор, получающий предупреждение от ИИ, может немедленно поговорить с нарушителем через наружные громкоговорители. Это имело высокую сдерживающую ценность, поскольку большинство преступлений являются оппортунистическими, и риск захвата нарушителя становится настолько очевидным, когда с ним разговаривает живой человек, что они, скорее всего, воздержатся от вторжения и отступят. Офицер безопасности опишет действия нарушителя так, чтобы тот не сомневался, что за ними наблюдает реальный человек. Офицер объявит, что нарушитель нарушил закон, и что с правоохранительными органами связываются, и что они записываются на видео.

Проверенный отчет о нарушении

Полиция получает огромное количество ложных тревог от охранной сигнализации. Фактически, Индустрия безопасности сообщает, что более 98% таких тревог являются ложными. Соответственно, полиция отдает очень низкий приоритет реагированию на охранную сигнализацию и может занять от двадцати минут до двух часов, чтобы отреагировать на сайт. В отличие от этого, видеоаналитическое раскрытое преступление сообщается сотруднику центрального мониторинга, который своими глазами проверяет, что это настоящее преступление. Затем он или она направляются в полицию, которая уделяет этим вызовам первостепенное внимание.

Продолжающиеся достижения

Аналитика работает с цифровыми камерами или аналоговыми камерами с аналого-цифровыми преобразователями . Различные компании, кроме VideoIQ и Avigilon, предлагают видеоаналитику. Во многих случаях образцы программного обеспечения до стандартного определения или меньше, независимо от разрешения камеры. Прогресс, достигнутый Avigilon, - это настоящая аналитика на 30-мегапиксельных камерах с чрезвычайно высоким разрешением.

Поведенческая аналитика

Активные среды

В то время как основанная на правилах видеоаналитика работала экономично и надежно для многих приложений безопасности, есть много ситуаций, в которых она не может работать.[9] для внутренней или наружной зоны, где никто не принадлежит в определенное время суток, например, в ночное время, или для областей, где никто не принадлежит в любое время, таких как вышка сотовой связи традиционная аналитика на основе правил вполне уместна. В Примере вышки сотовой связи редкое время, которое может потребоваться специалисту по обслуживанию для доступа к области, просто потребует вызова с кодом доступа, чтобы поставить ответ мониторинга "на тест" или деактивировать в течение короткого времени, когда уполномоченное лицо было там.

Но есть много потребностей в безопасности в активных средах, в которых сотни или тысячи людей принадлежат повсюду все время. Например, кампус колледжа, действующая фабрика, больница или любой действующий операционный центр. Невозможно установить правила, которые бы проводили дискриминацию между законными людьми и преступниками или правонарушителями.

Преодоление проблемы активных сред

Используя поведенческую аналитику, самообучающийся, не основанный на правилах ИИ берет данные с видеокамер и непрерывно классифицирует объекты и события, которые он видит. Например, человек, пересекающий улицу, является одной классификацией. Другая классификация-группа людей. Транспортное средство-это одна классификация, но при продолжении обучения общественный автобус будет отличаться от небольшого грузовика и от мотоцикла. С ростом сложности система распознает закономерности в поведении человека. Например, он может заметить, что люди проходят через контролируемую дверь доступа по одному за раз. Дверь открывается, человек представляет свою карточку близости или бирку, человек проходит через и дверь закрывается. Эта модель активности, наблюдаемая неоднократно, формирует основу для того, что является нормальным с точки зрения камеры, наблюдающей эту сцену. Теперь, если уполномоченное лицо открывает дверь, но второй" хвостовой " несанкционированный человек захватывает дверь до того, как она закрывается и проходит, это своего рода аномалия, которая создаст предупреждение. Этот тип анализа намного сложнее, чем анализ на основе правил. В то время как основанная на правилах аналитика работает главным образом, чтобы обнаружить злоумышленников в областях, где никто обычно не присутствует в определенное время дня, поведенческая аналитика работает, где люди активны, чтобы обнаружить вещи, которые необычны.

Пожар, вспыхнувший на улице, был бы необычным событием и вызвал бы тревогу, как и поднимающееся облако дыма. Транспортные средства, ведущие неправильный путь в одностороннюю дорогу, также будут характеризовать тип события, который имеет сильную визуальную подпись и будет отклоняться от неоднократно наблюдаемой картины транспортных средств, ведущих правильный односторонний путь в переулке. Кто-то, брошенный на землю нападавшим, будет необычным событием, которое, вероятно, вызовет тревогу. Это зависит от конкретной ситуации. Так что если камера смотрела на спортивный зал, где практиковалась борьба ИИ научился бы один человек обычно бросать другого на землю, и в этом случае он бы не насторожился на это наблюдение.

Что "понимает" искусственный интеллект

ИИ не знают и не понимают, что такое человек, огонь или транспортное средство. Это просто поиск характеристик этих вещей, основанных на их размере, форме, цвете, отражательной способности, угле, ориентации, движении и так далее. Затем он обнаруживает, что объекты, которые он классифицировал, имеют типичные шаблоны поведения. Например, люди ходят по тротуарам, а иногда и по улицам, но они не очень часто поднимаются по стенам зданий. Автомобили ездят по улицам, но не ездят по тротуарам. Таким образом, аномальное поведение человека, взбирающегося на здание или автомобиль, сворачивающий на тротуар, вызовет тревогу.

Отличается от традиционного мышления систем безопасности

Типичные аварийные системы конструированы для того чтобы не пропустить истинные позитвы (реальные случаи преступления) и иметь как можно низко ложного тарифа сигнала тревоги. В связи с этим, охранная сигнализация пропускает очень мало истинных срабатываний, но имеет очень высокий уровень ложной тревоги даже в контролируемых помещениях. Камеры обнаружения движения пропускают некоторые истинные положительные стороны, но страдают от подавляющих ложных тревог в наружной среде. Основанная на правилах аналитика надежно обнаруживает большинство истинных положительных сторон и имеет низкий уровень ложных положительных сторон, но не может работать в активных средах, только в пустых. Кроме того, они ограничиваются простым различением того, присутствует ли нарушитель или нет.

Что-то столь же сложное или тонкое, как борьба, вспыхивающая или сотрудник, нарушающий процедуру безопасности, невозможно для анализа на основе правил обнаружить или различить. С поведенческой аналитикой это так. Места, где люди переезжают и работают, не представляют проблемы. Тем не менее, ИИ могут обнаружить многие вещи, которые кажутся аномальными, но невинны по своей природе. Например, если студенты в кампусе ходят по площади, это будет изучено как обычно. Если парочка студентов решит вынести на улицу большую простыню, развевающуюся на ветру, это может спровоцировать тревогу. Офицер по наблюдению будет предупрежден, чтобы посмотреть на свой монитор и увидеть, что событие не является угрозой, а затем проигнорирует его. Степень отклонения от нормы, которая запускает оповещение, может быть установлена так, чтобы сообщалось только о самых ненормальных вещах. Тем не менее, это все еще представляет собой новый способ взаимодействия человека и ИИ, не типичный для традиционного мышления индустрии сигнализации. Это связано с тем, что будет много ложных тревог, которые, тем не менее, могут быть ценными для отправки человеческому офицеру, который может быстро посмотреть и определить, требует ли сцена ответа. В этом смысле, это" похлопывание по плечу " от ИИ, чтобы человек посмотрел на что-то.

Ограничения поведенческой аналитики

Потому что так много сложных вещей обрабатываются непрерывно, образцы программного обеспечения вниз к очень низкому разрешению только 1 CIF для того чтобы сохранить вычислительное требование. Разрешение 1 CIF означает, что объект размером с человека не будет обнаружен, если используемая камера широкоугольна, а человек находится на расстоянии более шестидесяти-восьмидесяти футов в зависимости от условий. Большие объекты, такие как транспортные средства или дым, могут быть обнаружены на больших расстояниях.

Количественная оценка ситуационной осведомленности

Полезность искусственного интеллекта для безопасности не существует в вакууме, и его развитие не было обусловлено чисто академическими или научными исследованиями. Скорее, она адресована потребностям реального мира, а значит, и экономическим силам. Своя польза для применений non-обеспеченностью как рабочая эффективность, жар-отображение покупателя зон дисплея (значить сколько людей в некоторой области в торговом пространстве), и посещаемость на типах начинают пользы.[10]] Люди не так хорошо квалифицированы, как ИИ, для компиляции и распознавания шаблонов, состоящих из очень больших наборов данных, требующих одновременных вычислений в нескольких удаленных местах. В таком осознании нет ничего изначально человеческого. Было показано, что такая многозадачность расфокусирует внимание и производительность человека. A. I. s имеют возможность обрабатывать такие данные. В целях безопасности взаимодействуя с видеокамерами, они функционально обладают большей остротой зрения, чем люди или приближение к ним машины. Для судить тонкости поведений или намерений вопросов или степеней угрозы, люди остают далеко главными на настоящем положении технологии. Таким образом, ИИ в функции безопасности, чтобы широко сканировать за пределы человеческого потенциала и проверить данные на первый уровень сортировки актуальности и предупредить человека офицера, который затем берет на себя функцию оценки и реагирования.

Безопасность в практическом мире определяется экономически таким образом, чтобы расходы на превентивную безопасность никогда не превышали предполагаемой стоимости риска, которого следует избегать. Исследования показали, что компании, как правило, тратят только около одной двадцать пятой суммы на обеспечение, что их фактические потери стоят им.То, что по чистой экономической теории должно быть эквивалентностью или гомеостазом, таким образом, значительно отстает от нее. Одна из теорий, которая объясняет это когнитивный диссонанс или легкость, с которой неприятные вещи, такие как риск, могут быть изгнаны из сознательного ума. Тем не менее обеспечение безопасности является одним из основных расходов, и сопоставление расходов на различные средства обеспечения безопасности всегда занимает ведущее место среди специалистов по вопросам безопасности.

Другая причина, по которой будущие угрозы безопасности или потери недооцениваются, заключается в том, что зачастую учитывается только прямая стоимость потенциального ущерба, а не спектр сопутствующих потерь. Например, вандализм-разрушение изготовленной на заказ производственной машины на заводе или прицепа-рефрижератора приведет к длительной замене, в течение которой клиенты не могут быть обслужены, что приведет к потере их бизнеса. Насильственное преступление нанесет значительный ущерб общественным отношениям работодателя, помимо прямой ответственности за неспособность защитить работника.

Поведенческая аналитика уникально функционирует вне простой безопасности и, из-за ее способности наблюдать нарушения в стандартных образцах протоколов, это может эффективно найти небезопасные действия сотрудников, которые могут привести к рабочим инцидентам comp или общественной ответственности. И здесь оценка стоимости будущих инцидентов не соответствует действительности. Исследование компании Liberty Mutual Insurance Company показано, что расходы для работодателей примерно в шесть раз превышают прямые страховые расходы, поскольку незастрахованные расходы на возмещение косвенного ущерба включают расходы на временную замену работников, расходы на наем для замены, расходы на обучение, время руководителей в отчетах или суде, отрицательное моральное состояние других работников и влияние на клиентов и связи с общественностью. потенциал ИИ в форме поведенческой аналитики для упреждающего перехвата и предотвращения таких инцидентов значителен.

См. также

• Признание деятельности
• INDECT
• Анализ видеоданных