Strona główna Bezpieczne miasto Rozwój VCA podąża za najnowszymi trendami

Rozwój VCA podąża za najnowszymi trendami

UDOSTĘPNIJ

Eifeh Strom
a&s International


Rozwój technologii VCA (Video Content Analytics) podąża za najnowszymi trendami technologicznymi. Staje się ona niezastąpionym narzędziem nie tylko w zastosowaniach security.

Analiza zawartości wizji przez ostatnią dekadę była lansowana jako kolejny ważny trend w obszarze telewizji dozorowej. I chociaż VCA jest obecnie potężnym narzędziem dozoru wizyjnego, przez długi czas rozczarowywała niską dokładnością wykrycia i wysokim poziomem fałszywych alarmów. Jednak zwłaszcza w ostatnich kilku latach prawdopodobieństwo poprawności działania wyraźnie się poprawiło. VCA stała się integralną częścią systemów dozoru wizyjnego, pojawiło się wiele kamer z wbudowanymi algorytmami analityki.

Badania pokazują, że rośnie zarówno powszechność stosowania VCA, jak i jej niezawodność. Jak prognozuje w raporcie z czerwca 2016 r. agencja Markets&Markets, rynek VCA zwiększy się z 1,7 mld USD w 2016 r. do 4,2 mld USD w 2021 r., przy średnim wskaźniku wzrostu CAGR równym 20,2%. Zapowiadany dwukrotny w ciągu najbliższych pięciu lat wzrost wynika z oczekiwań niezwiązanych z zabezpieczeniami, które obejmują funkcje zarządzania tłumem, a także współpracę technologii VCA z IoT.

Kierunki rozwoju VCA
Trendy mogą być chwilowe, odciskają jednak trwałe piętno na technologii. Od czasu wprowadzenia VCA do branży zabezpieczeń lansowano różne rozwiązania. Znajomość najnowszych technologii jest sprawą kluczową dla dostawców systemów zarządzania obrazem (Video Management System – VMS), ponieważ oczekiwania klientów idą w parze z pojawiającymi się nowościami. Zapytani, co ich zdaniem wpływa obecnie na dynamiczny rozwój VCA, deweloperzy wymieniają m.in. platformy mobilne oraz zarządzanie tłumem.

Siłą napędową rozwoju metod VCA są obecnie inteligentne platformy mobilne, takie jak drony czy autonomiczne samochody – podkreśla Eric Olson, wiceprezes ds. marketingu w amerykańskim PureTech Systems. – Rynki te oczekują analizy nowego typu obiektów, takich jak znaki drogowe, scenariusze bezpieczeństwa itd. Ich celem jest wykorzystanie analizy danych wizyjnych do pomocy w nawigacji i unikaniu kolizji w ruchu drogowym.

Eric Olson wyjaśnia, że ewolucja analizy zawartości obrazu podąża w kierunku zaspokojenia potrzeb nowych rynków, z uwzględnieniem ruchu samej platformy (m.in. samochodu, drona, łodzi itd.), nauki nowego typu celów, integracji z układami sterującymi i analizy dużych strumieni wizyjnych za pomocą kompaktowych, niedrogich rozwiązań programistycznych i sprzętowych.

Kolejnym ważnym kierunkiem mającym wpływ na rozwój VCA jest zarządzanie tłumem. Klienci są świadomi tego, że największe ryzyko zagrożeń powstaje w zatłoczonym środowisku, i oczekują dostosowanych rozwiązań – wyjaśnia Rustom Kanga, prezes iOmniscient z Australii.

Agencja Markets&Markets przewiduje szybki wzrost w latach 2016–2021 zastosowań technik zliczania i zarządzania tłumem. Pod tym pojęciem kryje się zdolność aplikacji do informowania użytkownika – w czasie rzeczywistym lub w formie raportów okresowych – o przepływie osób przez wybrane punkty wejścia i wyjścia na danym terenie, przez drzwi czy budynek. Zdolność aplikacji do automatycznej identyfikacji wąskich gardeł oraz ostrzeżenia o ich lokalizacji pomaga personelowi pokierować tłumem zdalnie oraz analizować zachowania osób lub pojazdów w czasie rzeczywistym. Nie tylko poprawia to bezpieczeństwo, ale także wspomaga podejmowanie decyzji.

Lepsze kamery i dostępne cenowo czujniki
Ważną rolę w rozwoju VCA odegrały też postęp technologiczny w dziedzinie czujników i większa ich dostępność. Kamery o wyższej rozdzielczości udostępniają obrazy lepszej jakości, ostrzejsze i bardziej szczegółowe. Obrazy o wysokiej rozdzielczości pomagają zwiększyć jakość analizy VCA, zwłaszcza w środowiskach krytycznych. Wysoka rozdzielczość zapobiega utratom pola widzenia przy wykonywaniu zbliżeń, a także problemom wynikającym z długiej ogniskowej – podkreśla E. Olson. Kamery mają teraz nie tylko wyższą rozdzielczość, stały się także bardziej inteligentne i dostępne cenowo.

E. Olson zwraca uwagę na to, że analityka wizji umożliwiła w ostatnich latach współpracę z innymi systemami. VCA nie opiera się wyłącznie na danych wizyjnych, potrafi też wykorzystywać dane z sensorów innego typu – mówi. Jest to po części możliwe za sprawą obniżenia cen czujników. Nowa i tańsza technologia czujników położenia zapewnia – według E. Olsona – bardzo dokładne odczyty skoku (pitch), przewinięcia (roll) i odchylenia (yaw). Dane te są następnie wykorzystywane przez system VCA do szybkiego, odpowiedniego skonfigurowania kamery w celu zapewnienia poprawnej pracy algorytmu analizy oraz do ustawienia kamery w pozycji zapewniającej daleki zasięg detekcji.
VCA może też wykorzystywać dane z coraz tańszych, zaawansowanych technologicznie czujników aktywnych, takich jak lidary, radary czy kamery termowizyjne, w sektorach o wysokiej wrażliwości na składową kosztów. Rozwiązania te, niegdyś zarezerwowane dla wojska, dziś mogą być w przystępnej cenie instalowane tam, gdzie potrzebny jest wyższy poziom detekcji zagrożenia – podkreśla E. Olson.

Deep learning i VCA
Głębokie uczenie, dział uczenia maszynowego, także odgrywa ważną rolę w analizie treści obrazu. Pojawienie się wyszukanych systemów komputerowej analizy wizji (computer vision) i algorytmów głębokiego uczenia zostało uznane przez firmę analityczną Tractica za główny czynnik napędzający rozwój analizy wizji.

Rozwój bardziej złożonych technologii rozpoznawania obrazu i algorytmów deep learning będzie prawdopodobnie kluczowym czynnikiem wzrostu w sektorze analizy obrazu

W połączeniu z analizą obrazu uczenie głębokie może wyeliminować szum informacyjny i dodać nowe możliwości, takie jak udoskonalona klasyfikacja obiektów. Staje się pomocne w dokładniejszej identyfikacji obiektów, zwłaszcza w złożonych scenach i wysokiej rozdzielczości strumieni wizyjnych – mówi E. Olson.

Mimo korzyści płynących z uczenia głębokiego R. Kanga z iOmniscient zwraca uwagę, że technologie te opierają się na skomplikowanych obliczeniach i w związku z tym mogą wymagać specjalistycznego sprzętu. Firma iOmniscient stosuje połączenie heurystyki z sieciami neuronowymi opartymi na sztucznej inteligencji. R Kanga twierdzi, że technologie te dają wyniki porównywalne do uczenia głębokiego, ale nie wymagają tak dużej mocy obliczeniowej i mogą być stosowane w sprzęcie dostępnym w regularnej sprzedaży.

Współpraca z IoT
W minionym roku agencja ABI Research określiła analitykę obrazu jako narzędzia analityki biznesowej mianem jednego z głównych trendów w branży telewizji dozorowej, zwracając jednocześnie uwagę na jej konwergencję z Internetem Rzeczy (IoT). Największym klientem analityki biznesowej jest handel detaliczny, VCA natomiast współpracuje z IoT także w innych obszarach zastosowań. Przykładem jest używanie kamer nasobnych (wearables) przez służby porządkowe.

System obejmujący analizę obrazu, kamery nasobne, kamerę montowaną w pojeździe, z komunikacją audio na żywo może wspierać służby porządkowe poprzez odtworzenie sceny zdarzenia za pomocą metadanych w celu alarmowania w czasie rzeczywistym, łatwej analizy post factum i udostępniania – mówi E. Olson. Taki system mógłby wyświetlać miejsce zdarzenia w formie mapy z lokalizacją funkcjonariusza i innych uczestników, kierować komunikaty głosowe do konkretnych osób, zbierać dane o pojazdach, a nawet interpretować trwające działania.
Informacje te byłyby dostępne w czasie rzeczywistym, a także zapisane w pamięci jako dowód w śledztwie lub w celu poprawy bezpieczeństwa.

W publikacji McKinsey & Company, znanej na świecie firmy konsultingowej, zwrócono uwagę na sposób, w jaki VCA może kształtować IoT, a nie na odwrót.
Zgodnie z tezą artykułu opublikowanego w grudniu 2016 r. aplikacje IoT mają wyższą wartość, gdy są połączone z technologią analizy obrazu. Dzieje się tak dlatego, że VCA dostarcza urządzeniom IoT więcej danych do podejmowania bardziej złożonych decyzji. Jako przykład w artykule opisano wykorzystanie przez niektóre aplikacje IoT beaconów (nadajniki naprowadzające) do przekazywania informacji o położeniu za każdym razem, gdy łączą się w sklepie ze smartfonem klienta. Bez analizy obrazu dane te mogłyby służyć wyłącznie do zliczania klientów. Wsparcie przez VCA może je wzbogacić o takie szczegółowe dane, jak wiek i płeć kupujących.

Chociaż współczesny rynek analizy obrazu wykorzystującej IoT jest niewielki, McKinsey & Company wierzy, że najbliższe dziesięć lat będzie obfitować w nowe możliwości. Takie połączenie dwóch technologii znajdzie dużo większe zastosowanie. Agencja uważa, że w efekcie analiza obrazu stanie się wkrótce jednym z najistotniejszych czynników rozwoju IoT.

Nie tylko safety i security
Użytkownicy oczekują, że dane uzyskane dzięki VCA pomogą poprawić wydajność operacyjną i usprawnić analitykę biznesową, zapewniając wysoki zwrot z inwestycji w analitykę wizji. Oprócz zastosowań w sektorze sprzedaży detalicznej VCA jest wykorzystywana np.do zliczania obiektów w celach zarządzania operacyjnego i detekcji urządzeń do skimmingu w bankach.
VCA jest stosowana do zliczania pojazdów, pomagając zwiększyć wydajność i przychody dużych parkingów. E. Olson wyjaśnia, że dla tej branży wiedza o liczbie dostępnych miejsc oraz sprawne doprowadzanie do nich kierowców są kluczowe dla klientów i wpływają na wzrost przychodów. Zastosowanie obrazu z kamer dozorowych zapewnia dokładność i jest niedrogie, biorąc pod uwagę dostępność kamer na rynku i możliwość ich bezkolizyjnej instalacji – podkreśla.

Innym przykładem jest wykorzystywanie technologii VCA przez banki do wykrywania urządzeń do skimmingu. Urządzenia te są prawie niewidoczne – mówi R. Kanga. – Przyczyniają się do wyłudzeń z bankomatów na wiele milionów dolarów rocznie. System wykrywa takie urządzenia. Co więcej, jest w stanie nagrać twarz osoby, która je instaluje, i uruchomić alarm, gdy ta sama osoba pojawi się przy innym bankomacie.

Przyszłość VCA
Liczba zastosowań analizy treści obrazu będzie rosnąć wraz z rozwojem jej funkcji i możliwości. Szczególnie teraz, gdy klient oczekuje, że w produktach zabezpieczeń zostaną wykorzystane najnowsze technologie, dystrybutorzy VCA muszą sprostać tym potrzebom. Przy stale pojawiających się nowych scenariuszach zastosowań możliwości wykorzystania technologii VCA będą ograniczane jedynie wyobraźnią klientów.

VCA w monitorowaniu robót drogowych
Bill Flind, prezes Ipsotek (Wielka Brytania), przedstawił – jako przykład – zastosowanie rozwiązania do monitorowania robót drogowych i zapewnienia ich optymalnej realizacji w zakładzie komunikacji miejskiej (Transport for London – TfL) w Londynie. TfL poszukiwał sposobu na zmniejszenie negatywnego wpływu robót drogowych na ruch uliczny. W tym celu wprowadził tzw. Lane Rental Scheme (plan najmu pasa), chcąc zwrócić uwagę wykonawców prac na koszty związane z zamykaniem dróg. Wprowadzono kary za niedotrzymanie terminu robót oraz wykonawstwo niezgodne z umową. Technologia wymagała elastyczności i mobilności, aby nadążać za zmieniającymi się lokalizacjami robót. Wszystko to zostało uwzględnione przy opracowywaniu systemu automatycznego monitorowania sieci drogowej (Automatic Road Network Monitoring System – ARNM). Londyński zakład komunikacji miejskiej uznał analitykę wizji za kluczowy element rozwiązania, ponieważ fundamentalną częścią technologii VCA jest przełożenie obrazu na metadane, które następnie mogą się znaleźć w bazach danych i stanowić podstawę do śledzenia działań w miejscach robót. Przedstawiciele TfL we współpracy z firmami Ipsotek i Axis Communications opracowali inteligentne rozwiązanie kamerowe. Wykorzystując narzędzie Scenario Based Detection Engine (silnik detekcji zależny od scenariusza) firmy Gipsotek, TfL może zdalnie konfigurować oprogramowanie analityczne, aby uzyskać dokładne wyniki. Dane wygenerowane przez kamerę pozwalają pracownikom TfL otrzymywać automatyczne alerty, gdy robotnicy pracują poza wyznaczonymi godzinami albo nie pracują zgodnie z planem. System tworzy codzienne raporty, na których widać zakres i czas wykonywania prac.
Wprowadzenie systemu ARNM było szybkim i istotnym krokiem w stronę optymalizacji robót drogowych.