Почему классическая видеоаналитика в реальном времени не работает:
- Растет количество видеокамер в системах безопасности и соответственно количество поступающих от них событий, среди которых неизбежно присутствует много ложных срабатываний.
- Для снижения количества ложных срабатываний необходимо заранее настраивать потенциальные модели угроз и нарушителей, которые на деле могут оказаться совершенно иными.
- Как следствие — оператор физически не способен в реальном времени обрабатывать весь поток событий от камер. Доверие пользователя к возможностям видеоаналитики пропадает,
Чтобы вернуть исконную функцию безопасности в ситуационную видеоаналитику, нужно, чтобы система видеонаблюдения стала подобна человеческому мозгу, научилась давать оценку происходящему и самостоятельно принимать решения. Эту способность может обеспечить нейросеть.
Преимущество методов анализа изображений с помощью нейросети заключается в том, что они могут решать некоторые сложные задачи, для которых создать классический алгоритм очень затратно или практически невозможно.
Компания Мелдана реализовала процесс подготовки нейросетевых фильтров под требования конкретного объекта. Обучение нейросети производится для решения специфической задачи с использованием видеоматериала, полученного в реальных условиях будущего применения, что обеспечивает высокое качество ее работы.
Для решения проблем, связанных с ресурсоемкостью нейросетей, компания Мелдана применяет комбинированный подход с использованием нейросетевого фильтра поверх трекера объектов — фильтр выделяет движущиеся объекты или оставленные предметы определенного типа. Технология реализована в программных продуктах «Интеллект» и Axxon Next.
- Классический трекер обнаруживает в кадре движущиеся объекты или оставленные предметы.
- Фрагмент кадра с объектом передается на обработку нейросети.
- Все объекты, кроме нужного типа, игнорируются видеоаналитикой (не вызывают тревогу).
Применение — для сцен с высокой интенсивностью движения, в которых помимо объектов нужного типа в кадре присутствует большое количество помех (листья деревьев, блики на воде, транспорт, техника и т.п.). Например, генерация тревоги при появлении людей в опасных зонах на производстве, значительное сокращение количества ложных срабатываний детектора оставленных предметов в общественном месте.
- Обнаружение объектов нужного типа среди других движущихся объектов.
- Обнаружение объектов нужного типа среди оставленных предметов.
- Видеодетекция огня и дыма.
Также в продуктах компании используются инструменты сторонних разработчиков для распознавания лиц, номеров автомобилей, вагонов и контейнеров.
