Pobierz
najnowszy numer

Newsletter

Zapisz się do naszego Newslettera, aby otrzymywać informacje o nowościach z branży!

Jesteś tutaj

Sztuczna inteligencja w systemach VMS

Printer Friendly and PDF

Rozwijający się zaledwie od kilku lat rynek urządzeń służących do analizy treści obrazu z wykorzystaniem sztucznej inteligencji przeżywa rozkwit. Jest dużo szumu informacyjnego mającego związek z tym tematem. Trzeba umieć odróżnić to, co faktycznie już działa, od obietnic marketingowych. Aby tego dokonać, należy zrozumieć, co naprawdę mogą, a czego jeszcze nie mogą skutecznie zrobić dzisiejsze systemy analizy treści obrazu oparte na sztucznej inteligencji.

Zacznijmy od stwierdzenia, czego sztuczna inteligencja nie może zrobić w wizyjnym systemie dozorowym. Nie może analizować związków przyczynowo-skutkowych ani zrozumieć logiki tego, co dzieje się na obserwowanym obszarze. Innymi słowy, nie ma czegoś takiego jak narzędzie wykrywające naruszenia prawa czy przestępstwa. Sztuczna inteligencja może jednak skutecznie pomóc w rozpoznawaniu i klasyfikowaniu obiektów oraz podejrzanych zachowań. Na przykład potrafi odróżnić ludzi od pojazdów, pojazdy od innych poruszających się obiektów, rowerzystów od pieszych itp. Jest używana przede wszystkim do identyfikacji i śledzenia obiektów określonego typu. Zwykle stosuje się ją do analizy złożonych scen z dużą liczbą nieistotnych szczegółów, w których klasyczny tracker utopiłby się w fałszywych alarmach. Lokalizator wykorzystujący sztuczną inteligencję może służyć do wykrywania ludzi w niebezpiecznych obszarach (np. w niektórych strefach zakładów produkcyjnych), rowerzystów jadących po chodnikach lub kłusowników próbujących wkraść się do rezerwatów przyrody.


Dzięki funkcji identyfikacji obiektu możliwe jest również wykrywanie osób bez kasku lub bez kamizelki odblaskowej w obiektach, w których są one wymagane, a także pożaru i dymu w otwartych przestrzeniach lub w dużych pomieszczeniach z aktywną cyrkulacją powietrza, w których nie można zastosować zwykłych systemów sygnalizacji pożarowej lub mogą one zadziałać zbyt późno.

Rys. 1.  Funkcja analityczna pozwalająca ostrzegać o możliwości sabotażu bankomatu

 

Analiza zachowań to kolejna dziedzina, w której można wykorzystać sztuczną inteligencję. Nawet jeśli rozpoznanie podejrzanego lub niewłaściwego zachowania jest trudne, można wykryć ryzykowne sytuacje na podstawie stwierdzenia charakterystycznego ustawienia ludzkiego ciała, takiego jak pozycja strzelca, podniesienie rąk do góry lub pozycja leżąca. Oprócz tego od dłuższego czasu z powodzeniem stosuje się systemy służące do rozpoznawania twarzy i tablic rejestracyjnych. Chociaż nie są one nowe, ich skuteczność poprawia się z każdym rokiem, a osiągane rezultaty są bardzo dobre.

Rys. 2. Funkcja analityczna wykrywania specyficznego ułożenia ciała umożliwiająca wykrycie m.in. leżącego człowieka

 

Inteligentne przeszukiwanie archiwalnego materiału wizyjnego

Możliwość szybkiego przeszukiwania materiału archiwalnego jest jedną z najważniejszych cech wizyjnego systemu dozorowego. Pod wieloma względami jest ważniejsza nawet od obserwacji w czasie rzeczywistym. Średnie i duże firmy zwykle mają dział ochrony zajmujący się utrzymywaniem na bieżąco porządku w obiekcie. Z kolei wiele małych firm wykorzystuje materiał wizyjny do badania wypadków, rozwiązywania konfliktów lub kontroli pracy pracowników. Na ogół takie firmy nie wymagają obserwacji w czasie rzeczywistym, za to sprawne wyszukiwanie odpowiednich fragmentów zarejestrowanego materiału wizyjnego jest dla nich szczególnie ważne.

Proste systemy dozorowe umożliwiają jedynie łatwy dostęp do archiwalnych nagrań i przeszukiwanie oparte na klasyfikacji wydarzeń. Aplikacja VMS wykorzystująca sztuczną inteligencję analizuje nagranie i zapisuje uzyskane metadane w bazie danych. W najprostszym przypadku metadane zawierają informacje o ruchu w obserwowanej scenie, a także o współrzędnych poruszającego się obiektu. Podczas wyszukiwania można wybrać jakiś obszar (zaznaczony w ramce) i obejrzeć wszystkie fragmenty nagrania, w których widać ruch w tym miejscu. Bardziej zaawansowane systemy mogą określać np. rozmiar, kolor, prędkość czy kierunek ruchu poruszających się obiektów. Umożliwia to stworzenie bardziej precyzyjnych kryteriów i jeszcze szybsze odnalezienie interesującego fragmentu nagrania.

Pierwszy system VMS z funkcjami wyszukiwania danych kryminalistycznych pojawił się na początku 2010 roku. Od tamtej pory trwa rozwój sprzętu i oprogramowania zwieńczony wykorzystaniem sztucznej inteligencji. Niektóre systemy są w stanie rozpoznać wszystkie twarze i tablice rejestracyjne zarejestrowane przez kamery zainstalowane na danym terenie i dokonać stosownych zapisów w bazie danych. Można szybko znaleźć wszystkie fragmenty nagrania zawierające obraz konkretnej osoby lub samochodu. Jednym ze sposobów wykorzystania tych systemów przez organy ścigania jest szukanie podejrzanych za pomocą kamer rozmieszczonych w całym mieście. Można przytoczyć wiele innych przykładów tego typu działań.

Rys. 3.  Moduł rozpoznawania oraz wyszukiwania tablic rejestracyjnych

 

Sprzętowe wspomaganie sztucznej inteligencji

W systemach analizy treści obrazu wykorzystujących sztuczną inteligencję problemem jest wysoki stopień wykorzystania zasobów procesora realizującego funkcje sieci neuronowej. Jeden serwer może obsłużyć mniej kamer niż w klasycznym systemie bazującym na prostej analizie ruchu. To sprawia, że system wykorzystujący sztuczną inteligencję może być znacznie droższy od klasycznego.

Rozwiązaniem jest użycie akceleratorów sztucznej inteligencji w postaci procesorów graficznych i kart akceleracyjnych instalowanych w serwerach. Większość tych urządzeń jest produkowana przez firmy Intel i NVIDIA. Intel oferuje również zestaw OpenVINO – pakiet narzędzi programistycznych, który pomaga jak najefektywniej rozłożyć obciążenie procesora, karty graficznej i akceleratorów poprzez optymalne wykorzystanie wszystkich dostępnych zasobów.

Należy pamiętać, że niemożliwe jest zbudowanie wizyjnego systemu dozorowego ze znaczną liczbą bazujących na sztucznej inteligencji kanałów analitycznych bez użycia akceleratorów neuronowych. Tematem zainteresowali się producenci urządzeń mikroprocesorowych i obecnie mamy na rynku dostęp do wielu sprzętowych akceleratorów sztucznej inteligencji. Różne modele akceleratorów mogą znacznie różnić się od siebie ceną, skutecznością działania i zużyciem energii. Podczas rozmów z dostawcami specjalizującymi się w modułach analitycznych VMS i AI należy zapytać o rolę akceleratora sprzętowego w oferowanym przez nich systemie.

Rys. 4. Funkcja analityczna informująca o braku kamizelki odblaskowej

 

Konkluzja

Niezależnie od tego, czy jesteś integratorem szukającym systemów VMS dla swoich klientów czy użytkownikiem końcowym poszukującym odpowiednich rozwiązań dla siebie, sprawdź, co potrafi sztuczna inteligencja w dziedzinie analizy treści obrazu. Ten sektor rozwija się bardzo szybko i nieustannie wprowadzane są nowe funkcje, które mogą być właśnie tym, czego szukasz.

Funkcja wyszukiwania materiału dowodowego w nagranym materiale wizyjnym jest kluczem do zbudowania skutecznego w działaniu systemu nadzoru wizyjnego. Pozwala także na stworzenie unikalnej oferty produktowej dla integratorów.


Nie trzeba dodawać, że nie można zbudować ekonomicznego systemu nadzoru wizyjnego bez rozsądnego wykorzystania zasobów procesora. Jeśli funkcjonalność systemu jest dokładnie taka, jakiej potrzebujesz, zapytaj producentów, jaki akcelerator neuronowy został użyty, aby poprawnie oszacować koszt serwerów wizyjnych i całego systemu.

AxxonSoft
Opracowanie: Andrzej Walczyk, redakcja

 

Zabezpieczenia 3/2020

Wszelkie prawa zastrzeżone. Kopiowanie tekstów bez zgody redakcji zabronione / Zasady użytkowania strony