Zastosowanie analizy zawartości wizji w obiektach handlowych
![](https://aspolska.pl/wp-content/uploads/2020/09/tytuł.jpg)
Cezary Mecwaldowski
Coraz więcej nawet małych obiektów handlowych ma zainstalowany system dozoru wizyjnego (Video Surveillance Systems – VSS). Jeszcze do niedawna pełnił on funkcję pasywną – służył wyłącznie do zapisu obrazu z kamer w celach dowodowych. Nie zawsze było to wystarczające do ukarania sprawcy zdarzenia, nie mówiąc o odzyskaniu strat poniesionych w związku ze zdarzeniem. Właściciel sklepu wcześniej czy później przekonuje się, że skuteczność VSS zależy od wielu czynników – to tylko pozornie klocki pasujące jeden do drugiego.
W wyniku błędów w doborze parametrów kamery czy obiektywu zapisany obraz może być bezużyteczny. Producenci VSS zauważyli słabe strony pasywnej funkcji systemów, a rosnące oczekiwania rynku wymusiły wdrożenia funkcji aktywnej w postaci analizy wizyjnej wspartej obecnie mechanizmami uczenia maszynowego (deep learning, artificial intelligence – AI). Pozwala to nie tylko na zdalny wgląd na żywo w obrazy z obiektu, ale także proaktywne informowanie o różnych zdarzeniach czy gromadzenie statystyk.
Mechanizmy współczesnej analizy wizyjnej są intuicyjne, wynika to z podobieństw do mechanizmów zachodzących w ludzkim mózgu. Wzrok dostarcza sygnał wizyjny, a mózg nie tylko obraca obraz, ale także tworzy obraz stereoskopowy. Generuje stabilny obraz przestrzeni mimo ruchu głowy, wyodrębnia obszary centralnego i peryferyjnego widzenia, w jednym rozpoznając szczegóły i kolory, w drugim kształty i prędkość ich poruszania się. Wiele mechanizmów widzenia dzieje się poza naszą świadomością. Niestety mamy zbytnie zaufanie do tego zmysłu, który najczęściej nas zwodzi. Również ta analogia przenosi się na systemy inteligentnej analizy sygnału wizyjnego (intelligent video analysis – IVA) i ich skuteczność.
Analizę sygnału wizyjnego w obiektach handlowych można podzielić ze względu na zakres zastosowania w:
- ochronie,
- reklamie,
- generowaniu statystyk sprzedaży,
- organizacji i zarządzaniu.
Mogą się one wzajemnie przenikać i uzupełniać, co najczęściej ma miejsce. W ostatnim czasie rozwiązanie to jest wdrażane w sklepach samoobsługowych. Bazuje ono na systemie IVA, który liczy produkty i rozpoznaje produkt wzięty przez klienta (fot. 1), a następnie łączy ten produkt z konkretnym rachunkiem i obciąża konto klienta bez udziału kasjera.
Fot. 1. Przykład zastosowania analizy wizyjnej w sklepie samoobsługowym
Źródło: https://www.youtube.com/watch?v=yeS8TJwBAFs
Obecnie sygnały wizyjny i dźwiękowy są źródłem ogromnej ilości danych; od zastosowanych algorytmów oraz celu analizy zależy, jak zostaną zinterpretowane i przedstawione jako dane wynikowe. Pierwsze rozwiązania IVA miały na celu ograniczenie błędów detekcji ruchu realizowanej przez systemy telewizji dozorowej jako rozpoznanie jedynie zmian w obrazie. Następnie pojawiła się funkcja wykrywania kierunku poruszającego się obiektu i jego wielkości w obrazie. Równolegle rozwijały się systemy rozpoznawania tablic rejestracyjnych pojazdów (LPR) i rozpoznawania twarzy. W obiektach handlowych rozwiązania IVA wprowadzono najpierw na dużych parkingach. Pozwalały one wykrywać szwendanie się osoby (mogące wskazywać na próbę dokonania kradzieży) lub parkowanie w niedozwolonym miejscu. Zintegrowanie systemu LPR z biletami parkingowymi i szlabanami umożliwiło automatyzację opłat za postój. Współczesne rozwiązania IVA na parkingach pozwalają ograniczyć urządzenia i instalacje związane z detekcją pojazdu w danym miejscu parkingowym oraz dynamicznie zarządzać wolnymi miejscami.
Na rozwój analizy wizyjnej w marketach wpłynęły także multimedialne reklamy w postaci ekranów z wbudowaną kamerą. Taki system rozpoznaje płeć, osobę dorosłą, dziecko, osobę z wózkiem dziecięcym, rodzaj ubioru, a następnie personalizuje aktualnie wyświetlane reklamy lub kieruje do proponowanych miejsc w galerii handlowej. Kolejny etap rozwoju IVA to mapy ciepła (heat map) wskazujące natężenie ruchu osób lub pojazdów w dozorowanym obszarze (fot. 2). Pozwala to planować lokalizację produktów nie tylko w sklepie czy magazynie, ale także w konkretnych miejscach na półkach. Wdrażane są systemy informujące o brakach produktów na półkach (fot. 3). Systemy VSS z IVA pozwalają także zliczać osoby, rozpoznawać płeć, wiek, czy osoba jest zainteresowana zakupami, czy nie, czy rozmawia przez telefon. Aplikacje gromadzą dane, które są następnie poddawane analizie statystycznej (fot. 4), dając podstawę do dynamicznej optymalizacji i zarządzania biznesem.
Fot. 2. Przykład analizy wizyjnej, tzw. mapy ciepła
Źródło: materiały Hanwha Techwin: https://www.youtube.com/watch?v=F-mXnNln2dM
Fot. 3. Przykład zastosowania analizy wizyjnej do wskazania braku produktu na półce
Źródło: materiały Panasonic: https://www.youtube.com/watch?v=yDDLmnag0fI
Fot. 4. Przykład analizy statystycznej zebranych danych
Źródło: materiały BriefCam: https://www.youtube.com/watch?v=iI3qJVCV4Xc
Obecnie pandemia zwielokrotniła sprzedaż kamer termowizyjnych z IVA, które mierzą temperaturę osób wchodzących do obiektów. Wśród innych zastosowań analizy wizyjnej znajdują się aplikacje wykrywające, czy osoba ma okulary ochronne, maseczkę ochronną, kamizelkę, kask, zachowuje bezpieczny odstęp od innych itp. W dużych sklepach, magazynach, galeriach handlowych zdarzają się omdlenia, upadki. Aplikacja może dokonać detekcji leżącej osoby, rozpoznać grupy osób lub czyjeś agresywne zachowanie. Inne rozwiązanie sygnalizuje zastawienie wyjść ewakuacyjnych, hydrantów lub gaśnic.
Magazyny i systemy logistyczne to także dynamicznie rozwijający się kierunek zastosowań analizy wizyjnej. W opcji śledzenia produktu od półki po transport IVA może zapobiegać pomyłkom lub szybko weryfikować reklamacje. Także w obszarach narażonych na zmienne warunki atmosferyczne (np. rozległe parkingi, wiaty, hale z otwartymi bramami i przejściami), gdzie występują trudności z zastosowaniem klasycznych systemów detekcji pożaru, pojawia się rozwiązanie z IVA – kamery rozpoznające dym i ogień w obrazie.
Analiza wizyjna ma zastosowanie w materiale wizyjnym zarówno bieżącym, jak i zarejestrowanym. W przypadku wystąpienia zdarzenia i konieczności przejrzenia wielogodzinnego zapisu IVA oferuje mechanizmy szybkiego wyszukiwania wg zadanych parametrów (kolor obiektu, rodzaj, wielkość, szybkość czy kierunek poruszania, nr rejestracyjny, rodzaj pojazdu itp.), co znacznie przyspiesza odszukanie.
Technologię IVA można zaimplementować na wiele sposobów:
– bezpośrednio w kamerach,
– w rejestratorach cyfrowych (DVR) i sieciowych (NVR),
– w systemie zarządzającym (VMS),
– w rozwiązaniach opartych na chmurze (video analytics as a service – VAaaS).
Każde z rozwiązań ma słabe i mocne strony, różnią się skalą możliwych zastosowań i kosztami wdrożenia. Możliwe są także rozwiązania hybrydowe.
Dane przetwarzane w systemie dozoru wizyjnego, takie jak wizerunek i głos, są prawnie chronione. Stosując VSS, należy mieć świadomość konieczności spełnienia wymogów prawnych kodeksu pracy czy RODO1) oraz konsekwencji ich naruszenia. Wiąże się to z kosztami zapewnienia bezpieczeństwa danych osobowych i niezbędnymi procedurami informacyjnymi, dostępowymi itp. Zdalny wgląd w obraz z kamer jest wygodny, jednak wiąże się z poważnym ryzykiem i kosztami zabezpieczeń.
Urządzenia, a także systemy mogą mieć luki w oprogramowaniu2) umożliwiające włamania do sieci firmowej, serwerów i zgromadzonych tam danych. Haker może nie być zainteresowany wglądem w obraz z kamer, ale danymi klientów czy firmowymi. Takie próby łączenia przez sieci handlowe danych osobowych (np. wizerunku klienta, płci, wieku) z rachunkiem bankowym czy numerem karty kredytowej mogą budzić sprzeciw społeczny, o czym przekonała się ostatnio jedna z sieci w Polsce3).
Możliwości technologii AI budzą coraz większe obawy w wielu obszarach praw i wolności obywatelskich, pojawiają się głosy domagające się regulacji i określenia zasad stosowania4). Niezbędne stają się funkcje systemu dozoru wizyjnego pozwalające na anonimizację, np. by ochrona, obserwując obraz z kamer, nie miała wglądu w wizerunki osób (fot. 5). Wgląd w wizerunek następuje dopiero w przypadku wystąpienia zdarzenia.
Fot. 5. Przykład dynamicznego maskowania – anonimizacji obrazu
Źródło: materiały Axis Communications
Stosując system dozoru wizyjnego, należy mieć świadomość jego słabych punktów. Jednym z nich są odpowiednie warunki oświetlenia dozorowanego obszaru (wyjątek stanowią kamery termowizyjne). Przykładem na lekkomyślne zaufanie skuteczności VSS jest tragedia związana z pożarem w galerii handlowej w Rosji, gdzie po ok. 10 sekundach od powstania pożaru wystąpiło tak duże zadymienie, że obraz z kamery stał się bezużyteczny. Uniemożliwił ochronie w centrum monitoringu wspomaganie i realizację ewakuacji (fot. 6).
Fot. 6. Zadymienie galerii handlowej po 10 sekundach od powstania pożaru, całkowicie wyłączające z użycia system dozoru wizyjnego. Źródło: „The Guardian”
Technologia analizy wizyjnej jest dynamicznie rozwijana, jednak i tu zdarzają się pomyłki, ostatnio w rozpoznaniu twarzy sprawców przestępstw lub osób poszukiwanych5). Dla potencjalnego inwestora to także informacja o słabych stronach IVA. Rosnąca liczba pomyłek podnosi społeczny sprzeciw wobec stosowania takich technologii w przestrzeni publicznej.
Nowe technologie uczenia maszynowego pozwalają realizować dotychczas nieosiągalne przedsięwzięcia, ich możliwości trudno sobie nawet wyobrazić. Ulegamy jednak złudzeniu, że te rozwiązania są łatwe we wdrożeniu i zawsze skuteczne. Jest przeciwnie, wraz ze wzrostem zaawansowania technologii rosną wymagania – przede wszystkim co do wiedzy projektanta i instalatora. Niezbędne są odpowiednie testy, zapewnienie bezpieczeństwa teleinformatycznego, dodatkowe procedury i szkolenia użytkowników, inwestor natomiast powinien mieć świadomość słabych i mocnych stron wdrażanego rozwiązania.
1) Ogólne rozporządzenie o ochronie danych, inaczej rozporządzenie o ochronie danych osobowych, RODO (ang. General Data Protection Regulation – GDPR). 2) https://spidersweb.pl/2020/01/ring-kamera-amazonu-pozew.html. 3) https://niebezpiecznik.pl/post/kamery-w-zabce-nagrywaja-i-rozpoznaja-twarz-klientow-nie-tylko-w-zabce-i-nie-tylko-twarze/. 4) Stanowisko Fundacji Panoptykon w konsultacjach białej księgi Komisji Europejskiej dot. sztucznej inteligencji https://panoptykon.org/biblio/konsultacje-whitepaper-ai. 5) https://tech.wp.pl/amerykanska-policja-aresztowala-czarnoskorych-na-podstawie-technologii-ktora-prawie-zawsze-sie-myli-6527872622819457a.
|
![]() |