Искусственный интеллект для видеонаблюдения

Распознавание лиц на фотографии

Искусственный интеллект для видеонаблюдения использует компьютерные программы, которые анализируют звук и изображения с камер видеонаблюдения , чтобы распознавать людей, транспортные средства, объекты, атрибуты и события. Подрядчики по обеспечению безопасности программируют программное обеспечение для определения ограниченных зон в поле зрения камеры (например, огороженная территория, парковка, но не тротуар или общественная улица за пределами парковки) и программируют время суток (например, после закрытия рабочего дня). за имущество, находящееся под охраной камеры наблюдения . Искусственный интеллект («ИИ») отправляет предупреждение, если обнаруживает нарушителя, нарушившего набор «правил», запрещающих никому находиться в этой зоне в это время суток.

Программа искусственного интеллекта работает с использованием машинного зрения . Машинное зрение — это серия алгоритмов или математических процедур, которые работают как блок-схема или серия вопросов для сравнения видимого объекта с сотнями тысяч сохраненных эталонных изображений людей в разных позах, углах, положениях и движениях. ИИ спрашивает себя, движется ли наблюдаемый объект так же, как эталонные изображения, имеет ли он примерно одинаковый размер высоты относительно ширины, имеет ли он характерные две руки и две ноги, движется ли он с одинаковой скоростью и является ли он вертикальным. горизонтального. Возможны многие другие вопросы, такие как степень отражения объекта, степень его устойчивости или вибрации и плавность, с которой он движется. Объединив все значения различных вопросов, выводится общий рейтинг, который дает ИИ вероятность того, что объект является или не является человеком. Если значение превышает установленный предел, отправляется предупреждение. Для таких программ характерно то, что они в определенной степени самообучение , например, понимание того, что люди или транспортные средства кажутся больше в определенных частях контролируемого изображения – тех областях, которые находятся рядом с камерой – чем в других частях, которые являются наиболее удаленными от камеры областями.

В дополнение к простому правилу, запрещающему людям или транспортным средствам находиться в определенных местах в определенное время суток, могут быть установлены более сложные правила. Пользователь системы может захотеть узнать, движутся ли транспортные средства в одном направлении, а не в другом. Пользователи могут захотеть узнать, что в определенной области проживает больше определенного заданного количества людей. Искусственный интеллект способен одновременно вести наблюдение за сотнями камер. Его способность обнаружить нарушителя на расстоянии, под дождем или в ярком свете превосходит способность человека сделать это.

Этот тип ИИ для обеспечения безопасности известен как « основанный на правилах », поскольку программист-человек должен устанавливать правила для всего, о чем пользователь хочет получать оповещения. Это наиболее распространенная форма ИИ для обеспечения безопасности. Сегодня многие системы камер видеонаблюдения включают в себя возможности искусственного интеллекта такого типа. Жесткий диск, на котором находится программа, может находиться либо в самих камерах, либо в отдельном устройстве, получающем входные данные от камер.

новая, не основанная на правилах форма ИИ для обеспечения безопасности, называемая « поведенческая аналитика Была разработана ». Это программное обеспечение является полностью самообучающимся, без необходимости первоначального программирования со стороны пользователя или подрядчика по обеспечению безопасности. В этом типе аналитики ИИ изучает нормальное поведение людей, транспортных средств, машин и окружающей среды на основе собственного наблюдения за закономерностями различных характеристик, таких как размер, скорость, отражательная способность, цвет, группировка, вертикальная или горизонтальная ориентация и т. д. и так далее. ИИ нормализует визуальные данные, то есть классифицирует и помечает объекты и закономерности, которые он наблюдает, создавая постоянно уточняемые определения того, что является нормальным или средним поведением для различных наблюдаемых объектов. После нескольких недель обучения таким образом он сможет распознать, когда что-то нарушает шаблон. При обнаружении таких аномалий он отправляет предупреждение. Например, это нормально, что машины ездят по улице. Автомобиль, выехавший на тротуар, был бы аномалией. Если огороженный двор ночью обычно пуст, то входящий в него человек будет аномалией.

История

Постановка задачи

Ограничения в способности людей бдительно следить за видеонаблюдением в реальном времени привели к потребности в искусственном интеллекте, который мог бы лучше выполнять эту задачу. Люди, смотрящие на один видеомонитор более двадцати минут, теряют 95% способности сохранять внимание, достаточное для различения важных событий. С двумя мониторами это снова сокращается вдвое. Учитывая, что на многих объектах установлены десятки, а то и сотни камер, эта задача явно выходит за рамки человеческих возможностей. В целом, виды пустых коридоров, складских помещений, парковок или построек с камеры чрезвычайно скучны, и поэтому внимание быстро ослабляется. Когда ведется наблюдение за несколькими камерами, обычно с использованием настенного монитора или группы мониторов с разделенным экраном и сменой одного набора камер каждые несколько секунд, визуальное утомление быстро становится невыносимым. В то время как камеры видеонаблюдения получили широкое распространение и получили широкое распространение среди пользователей, от автосалонов и торговых центров до школ и предприятий, а также объектов с высокой степенью защиты, таких как атомные электростанции, задним числом было признано, что видеонаблюдение со стороны людей-офицеров (также называемых «операторами») было непрактичным. и неэффективно. Обширные системы видеонаблюдения были сведены к простой записи для возможного судебно-медицинского использования для идентификации кого-либо после факта кражи, поджога, нападения или инцидента. Там, где использовались камеры с широким углом обзора, особенно на больших открытых площадках, даже для этой цели были обнаружены серьезные ограничения из-за недостаточного разрешения. В этих случаях невозможно идентифицировать нарушителя или преступника, поскольку их изображение на мониторе слишком мелкое.

Более ранние попытки решения

Камеры обнаружения движения

В ответ на неспособность людей-охранников следить за мониторами наблюдения в течение длительного времени, первым решением было добавить к камерам детекторы движения . Было обосновано, что движение злоумышленника или преступника отправит предупреждение офицеру дистанционного наблюдения, что избавит от необходимости постоянной человеческой бдительности. Проблема заключалась в том, что на открытом воздухе происходит постоянное движение или изменение пикселей, составляющих общее просматриваемое изображение на экране. Движение листьев на деревьях, развевающихся на ветру, мусора на земле, насекомых, птиц, собак, теней, фар, солнечных лучей и т. д. — все это составляет движение. Это приводило к сотням или даже тысячам ложных оповещений в день, что делало данное решение неработоспособным, за исключением закрытых помещений в нерабочее время.

Расширенное обнаружение движения видео

Следующая эволюция в некоторой степени снизила количество ложных предупреждений, но за счет сложной и трудоемкой ручной калибровки. Здесь обнаруживаются изменения цели, такой как человек или транспортное средство, относительно фиксированного фона. Если фон меняется сезонно или из-за других изменений, надежность со временем ухудшается. Экономика реагирования на слишком большое количество ложных предупреждений снова оказалась препятствием, и этого решения оказалось недостаточно.

Появление

Машинное обучение визуальному распознаванию связано с шаблонами и их классификацией. Настоящая видеоаналитика может отличить человеческую фигуру, транспортные средства и лодки или выбранные объекты от общего движения всех других объектов и визуальной статики или изменений пикселей на мониторе. Это достигается путем распознавания шаблонов . Когда объект интереса, например человек, нарушает заданное правило, например, что количество людей не должно превышать ноль в заранее определенной области в течение определенного интервала времени, тогда отправляется предупреждение. Красный прямоугольник или так называемая «ограничивающая рамка» обычно автоматически следует за обнаруженным злоумышленником, и в качестве предупреждения отправляется короткий видеоклип.

Практическое применение

Обнаружение пешеходов

Превентивные меры в режиме реального времени

Обнаружение злоумышленников с помощью видеонаблюдения имеет ограничения, связанные с экономикой и природой видеокамер. Обычно камеры, установленные на открытом воздухе, настроены на широкий угол обзора, но при этом смотрят на большое расстояние. Частота кадров в секунду и динамический диапазон для обработки ярко освещенных и тускло освещенных участков еще больше усложняют задачу того, чтобы камера действительно была достаточной для того, чтобы увидеть движущегося человека-злоумышленника. Ночью, даже на освещенных открытых площадках, движущийся объект не собирает достаточно света за кадр в секунду и поэтому, если он не находится достаточно близко к камере, он будет выглядеть как тонкий клочок, едва различимый призрак или вообще невидимый. Условия яркого света, частичного затемнения, дождя, снега, тумана и темноты усугубляют проблему. Даже когда человеку приказано посмотреть на фактическое местоположение субъекта на мониторе в этих условиях, субъект обычно не обнаруживается. ИИ способен беспристрастно смотреть на все изображение и изображения всех камер одновременно. Используя статистические модели степеней отклонения от усвоенного шаблона человеческой формы, он обнаружит злоумышленника с высокой надежностью и низким уровнем ложных срабатываний даже в неблагоприятных условиях. Его обучение основано примерно на четверти миллиона изображений людей в различных положениях, ракурсах, позах и т. д.

Одномегапиксельная камера со встроенной видеоаналитикой смогла обнаружить человека на расстоянии около 350 футов и угле обзора около 30 градусов в неидеальных условиях. Могут быть установлены правила для «виртуального забора» или вторжения в заранее определенную зону. Могут быть установлены правила для направления движения, оставленных предметов, образования толпы и некоторых других условий. Искусственный интеллект для видеонаблюдения широко используется в Китае. См. Массовое наблюдение в Китае .

Разговор

Одной из наиболее мощных функций системы является то, что офицер или оператор, получив предупреждение от ИИ, может немедленно поговорить с злоумышленником через внешние громкоговорители. Это имело высокую ценность сдерживания, поскольку большинство преступлений носят оппортунистический характер, и риск быть пойманным для злоумышленника становится настолько выраженным, когда с ним разговаривает живой человек, что он, скорее всего, воздержится от вторжения и отступит. Сотрудник службы безопасности описывал действия злоумышленника так, чтобы у злоумышленника не оставалось сомнений в том, что за ним наблюдает реальный человек. Офицер объявлял, что злоумышленник нарушает закон, что с правоохранительными органами связываются и их записывают на видео.

Подтвержденный отчет о нарушении

Полиция получает огромное количество ложных сигналов тревоги от охранной сигнализации. Фактически, индустрия безопасности сообщает, что более 98% таких тревог являются ложными. Соответственно, полиция уделяет очень низкий приоритет реагированию на сигналы охранной сигнализации, и на реагирование на месте может потребоваться от двадцати минут до двух часов. Напротив, о преступлении, обнаруженном с помощью видеоаналитики, сообщается сотруднику централизованного наблюдения, который своими глазами проверяет, действительно ли это совершающееся преступление. Затем он или она отправляет вызов в полицию, которая уделяет таким звонкам первостепенное внимание.

Поведенческая аналитика

Активные среды

Хотя видеоаналитика на основе правил работает экономично и надежно для многих приложений безопасности, существует множество ситуаций, в которых она не может работать. Для помещений в помещении или на открытом воздухе, где никому не место в определенное время суток, например, ночью, или для мест, где никому не место в любое время, например, вышка сотовой связи , традиционная аналитика, основанная на правилах, вполне подходит. В примере с вышкой сотовой связи в тот редкий момент, когда техническому специалисту может потребоваться доступ к этой зоне, потребуется просто позвонить с паролем, чтобы поставить реакцию мониторинга «на проверку» или деактивировать на короткое время, когда там находится уполномоченное лицо. .

Но существует множество потребностей в безопасности в активной среде, где постоянно находятся сотни или тысячи людей. Например, кампус колледжа, действующий завод, больница или любой действующий объект. Невозможно установить правила, которые проводили бы дискриминацию между законопослушными людьми и преступниками или правонарушителями.

Преодоление проблемы активных сред

Используя поведенческую аналитику, самообучающийся ИИ, не основанный на правилах, получает данные с видеокамер и постоянно классифицирует объекты и события, которые он видит. Например, человек, переходящий улицу, является одной из категорий. Группа людей – это еще одна классификация. Транспортное средство является одной из категорий, но при дальнейшем обучении общественный автобус будет отличаться от небольшого грузовика и мотоцикла. С ростом сложности система распознает закономерности в поведении человека. Например, он может наблюдать, как люди проходят через дверь с контролируемым доступом по одному. Дверь открывается, человек предъявляет бесконтактную карту или жетон, человек проходит, и дверь закрывается. Этот образец активности, наблюдаемый неоднократно, формирует основу того, что является нормальным с точки зрения камеры, наблюдающей за этой сценой. Теперь, если уполномоченное лицо открывает дверь, но второе несанкционированное лицо, «закрывающее хвост», хватает дверь, прежде чем она закроется, и пройдет через нее, это своего рода аномалия, которая вызовет тревогу. Этот тип анализа намного сложнее, чем анализ на основе правил. В то время как аналитика на основе правил работает в основном для обнаружения злоумышленников в местах, где обычно никто не присутствует в определенное время суток, поведенческая аналитика работает там, где люди активны, чтобы обнаружить необычные вещи.

Пожар, вспыхнувший на открытом воздухе, был бы необычным событием и вызвал бы тревогу, как и поднимающееся облако дыма. Транспортные средства, выезжающие в неправильном направлении на подъездную дорогу с односторонним движением, также будут типичным типом события, которое имеет четкую визуальную подпись и будет отличаться от неоднократно наблюдаемой схемы движения транспортных средств по правильной полосе с односторонним движением. Если злоумышленник сбросит человека на землю, это будет необычным событием, которое, скорее всего, вызовет тревогу. Это зависит от ситуации. Таким образом, если бы камера смотрела на спортивный зал, где практиковали борьбу, ИИ узнал бы, что один человек обычно бросает другого на землю, и в этом случае он не предупредил бы об этом наблюдении.

искусственный интеллект

ИИ не знает и не понимает, что такое человек, огонь или транспортное средство. Это просто поиск характеристик этих вещей на основе их размера, формы, цвета, отражательной способности, угла, ориентации, движения и так далее. Затем он обнаруживает, что классифицированные им объекты имеют типичные модели поведения. Например, люди ходят по тротуарам, а иногда и по улицам, но не часто забираются на стены зданий. Транспортные средства ездят по улицам, но не ездят по тротуарам. Таким образом, аномальное поведение человека, взбирающегося на здание или автомобиля, выезжающего на тротуар, вызовет тревогу.

взгляда на системы

Типичные системы сигнализации спроектированы таким образом, чтобы не пропускать истинные положительные события (реальные криминальные события) и иметь как можно более низкий уровень ложных тревог. В этом отношении охранная сигнализация пропускает очень мало истинных срабатываний, но имеет очень высокий уровень ложных срабатываний даже в контролируемых помещениях. Камеры обнаружения движения упускают некоторые истинные положительные результаты, но страдают от огромного количества ложных тревог на открытом воздухе. Аналитика на основе правил надежно обнаруживает большинство истинных срабатываний и имеет низкий уровень ложных срабатываний, но не может работать в активных средах, а только в пустых. Кроме того, они ограничиваются простым распознаванием присутствия злоумышленника или его отсутствия.

Аналитика, основанная на правилах, не может обнаружить или распознать что-то столь сложное или тонкое, как начавшаяся драка или нарушение сотрудником процедуры безопасности. С поведенческой аналитикой это так. Места, где люди передвигаются и работают, не представляют проблемы. Однако ИИ может обнаружить множество вещей, которые кажутся аномальными, но невинны по своей природе. Например, если студенты кампуса гуляют по площади, это будет усвоено как обычно. Если несколько студентов решат вынести на улицу большую простыню, развевающуюся на ветру, это действительно может вызвать тревогу. Сотруднику по наблюдению будет предложено посмотреть на свой монитор, он увидит, что событие не представляет собой угрозы, и затем проигнорирует его. Степень отклонения от нормы, вызывающую срабатывание оповещения, можно установить таким образом, чтобы сообщалось только о самых аномальных явлениях. Однако это по-прежнему представляет собой новый способ взаимодействия человека и искусственного интеллекта, не типичный для традиционного мышления индустрии сигнализации. Это связано с тем, что будет много ложных тревог, которые, тем не менее, может быть полезно отправить офицеру-человеку, который сможет быстро просмотреть и определить, требует ли ситуация реакции. В этом смысле это «похлопывание по плечу» со стороны ИИ, чтобы заставить человека взглянуть на что-то.

Ограничения поведенческой аналитики

Поскольку так много сложных объектов обрабатываются непрерывно, программное обеспечение выполняет выборку до очень низкого разрешения (всего 1 CIF) , чтобы сэкономить вычислительные ресурсы. Разрешение 1 CIF означает, что объект размером с человека не будет обнаружен, если используемая камера широкоугольная и человек находится на расстоянии более шестидесяти-восьмидесяти футов в зависимости от условий. Более крупные объекты, такие как транспортные средства или дым, можно будет обнаружить на больших расстояниях.

осведомленности

Полезность искусственного интеллекта для обеспечения безопасности не существует в вакууме, и его развитие не было обусловлено чисто академическими или научными исследованиями. Скорее, оно адресовано потребностям реального мира и, следовательно, экономическим силам. Его использование для приложений, не связанных с безопасностью, таких как операционная эффективность, тепловая карта покупателей витринных зон (что означает, сколько людей находится в определенной зоне в торговом помещении) и посещаемость занятий, расширяет возможности использования. Люди не так хорошо подготовлены, как ИИ, для составления и распознавания закономерностей, состоящих из очень больших наборов данных, требующих одновременных вычислений в нескольких удаленных местах наблюдения. В таком осознании нет ничего изначально человеческого. Было показано, что такая многозадачность отвлекает человеческое внимание и производительность. ИИ имеют возможность обрабатывать такие данные. В целях безопасности при взаимодействии с видеокамерами они функционально имеют лучшую остроту зрения, чем человек или приближение к нему машины. При нынешнем состоянии технологий люди по-прежнему намного превосходят людей в оценке тонкостей поведения или намерений субъектов или степени угрозы. Таким образом, функции ИИ в сфере безопасности позволяют широко сканировать данные, выходящие за пределы человеческих возможностей, и проверять данные на первом уровне сортировки по значимости, а также предупреждать офицера-человека, который затем берет на себя функции оценки и реагирования.

Безопасность в практическом мире определяется экономически, поэтому расходы на превентивную безопасность обычно никогда не превышают предполагаемую стоимость риска, которого следует избегать. Исследования показали, что компании обычно тратят на безопасность лишь примерно одну двадцать пятую суммы, которой им обходятся их фактические убытки. То, что согласно чистой экономической теории должно быть эквивалентностью или гомеостазом, таким образом, значительно ему не соответствует. Одна из теорий, объясняющая это, — это когнитивный диссонанс , или легкость, с которой неприятные вещи, такие как риск, могут быть вытеснены из сознания. Тем не менее, безопасность — это серьезная статья расходов, и сравнение стоимости различных средств безопасности всегда стоит на первом месте среди специалистов по безопасности.

Другая причина того, что будущие угрозы безопасности или потери недооцениваются, заключается в том, что часто учитывается только прямая стоимость потенциальной потери, а не спектр сопутствующих потерь, которые могут быть понесены. Например, разрушение в результате вандализма изготовленной по индивидуальному заказу машины на заводе или тягача-рефрижератора приведет к длительной замене, в течение которой клиенты не смогут обслуживаться, что приведет к потере их бизнеса. Преступление с применением насилия нанесет работодателю серьезный ущерб связям с общественностью, помимо прямой ответственности за неспособность защитить работника.

Поведенческая аналитика уникальным образом выходит за рамки простой безопасности и благодаря своей способности наблюдать нарушения в стандартных шаблонах протоколов может эффективно выявлять небезопасные действия сотрудников, которые могут привести к инцидентам с работниками или к ответственности перед общественностью. И здесь оценка стоимости будущих инцидентов не соответствует действительности. Исследование компании Liberty Mutual Insurance Company показало, что затраты работодателей примерно в шесть раз превышают прямые страховые затраты, поскольку незастрахованные затраты на косвенные убытки включают в себя временную замену работников, затраты на найм замены, затраты на обучение, время менеджеров на отчеты или судебные издержки, неблагоприятные последствия. моральное состояние других работников и влияние на отношения с клиентами и общественностью. Потенциал искусственного интеллекта в форме поведенческой аналитики для упреждающего перехвата и предотвращения таких инцидентов значителен.

См. также

• Признание активности
• Анализ толпы
• ИНДЕКС
• Анализ видеоконтента