Prepoznavanje registarskih tablica (LPR) danas je popularna tehnologija s raznovrsnom primjenom, u rasponu od kontrole pristupa do aktivnosti organa reda. U LPR sistemu najvažnija komponenta je kamera, koja mora zadovoljiti različite zahtjeve i biti pravilno instalirana kako bi krajnjim korisnicima ponudila najbolje rezultate
Izvor: a&s International
E-mail: redakcija@asadria.com

Prepoznavanje registarskih tablica danas je poznato i kao automatsko prepoznavanje registarskih tablica (ALPR) ili automatsko prepoznavanje numeričkih tablica (ANPR). Kako god je zvali, ova tehnologija uživa sve širu prihvaćenost na tržištu. Prema istraživanju kompanije Research and Markets, procjenjuje se da će globalno tržište u ovom segmentu između 2017. i 2025. rasti uz složenu godišnju stopu rasta od 12 posto. Očekuje se da bi do 2025. njegova vrijednost trebala dosegnuti 1,7 milijardi dolara.

Primjena LPR tehnologije
Tablice se prepoznavaju tako što se snimljena slika tablice pretvara u numeričke vrijednosti pomoću tehnologije optičkog prepoznavanja znakova (OCR). Broj tablice može se koristiti kao jedinstveni identifikator za podršku krajnjem korisniku u oblasti sigurnosti, upravljanja i poslovne inteligencije. “Specificirali smo LPR u sljedećim namjenama: za kontrolu parkiranja na univerzitetima, otkrivanje neprijatelja u vojnim bazama, kontrolu protoka saobraćaja u garažama, vođenje baze podataka za određivanje učestalosti posjeta u autopraonicama”, kaže Dennis Gallen, potpredsjednik kompanije Kintronics. U skladu s tim, osnovna primjena LPR tehnologije danas obuhvata više oblasti.

Kontrola pristupa
Kontrola pristupa je očekivano popularan vid primjene tehnologije prepoznavanja registarskih tablica. Pomoću nje vozila mogu ulaziti u odgovarajuće prostore i napuštati ih na jednostavniji način. “LPR tehnologija se najuspješnije koristi za kontrolu pristupa vozilima. Pri tome se prati i odobrava pristup parkingu ili objektu u zavisnosti od toga da li se registarske tablice nalaze na listi za dozvoljeni ili zabranjeni pristup”, kaže Kevin Bowyer, tehnički direktor u kompaniji NW Security Group.

Organi reda
Osim kontrole pristupa, i sektor provedbe zakona ima koristi od ove tehnologije. “Prepoznavanje tablica ne samo da može pomoći u detekciji neregistrovanih ili čak i ukradenih vozila nego i označiti one koji ne plaćaju kazne ili ih trebaju dobiti. U ekstremnim slučajevima tehnologija čak može pomoći organima reda zakona da pronađu osumnjičene teroriste i kriminalce”, kaže Andres Vigren, menadžer proizvoda u kompaniji Axis Communications. “Organi reda pomoću LPR tehnologije mogu tražiti ukradena vozila, osobe s potjernica i suspendovane, odnosno opozvane vozače. Isto važi i za pronalaženje droge i krijumčarene robe”, kaže Nate Maloney, zamjenik direktora marketinga u kompaniji Leonardo/ELSAG ALPR Solutions.

Javno parkiranje
Upravljanje parkingom u gradovima, posebno u sredinama koje se brzo razvijaju, pravi je izazov. Tehnologija prepoznavanja tablica i tu može biti od koristi. “Za ručnu kontrolu dozvoljenog, vremenski ograničenog i privremenog parkinga treba mnogo vremena. ALPR tehnologija pojednostavljuje kontrolu parkiranja i poboljšava ukupnu efikasnost tako što omogućava osoblju da brzo i lako provjeri je li parkiranje plaćeno, koja su vozila nelegalno parkirana i gdje treba rasporediti terenske ekipe”, kaže Robert Amante, menadžer linije proizvoda u kompaniji Genetec.

Upravljanje saobraćajem
Podaci koje generišu sistemi za prepoznavanje tablica mogu biti neprocjenjivi za gradske vlasti u pogledu upravljanja i unapređenja kvaliteta saobraćaja. “Prikupljeni podaci iz LPR sistema mogu se koristiti za urbanističko planiranje i upravljanje saobraćajem kroz analizu obima i pravca kretanja vozila po gradu i okolini. Vrijeme putovanja može se odrediti upoređivanjem uzoraka tablica na većem broju LPR kamera. Na taj način se može steći kvalitetniji uvid u obrasce kašnjenja i slati upozorenja o nepredviđenim gužvama ili zastojima koji upućuju na nesreće za koje su zadužene interventne službe”, kaže Scott Frigaard, menadžer pametnih gradova u kompaniji Convergint.

Ostale primjene
Podaci koje nudi LPR tehnologija mogu se koristiti u kontroli granica i za nadzor tunela, ali i u oblasti sigurnosti i poslovne inteligencije. “Prilikom praćenja gostiju kasina ova tehnologija može se koristiti za provjeru posjetilaca koji se nalaze na crnim listama ili im je zabranjen pristup. I supermarketi mogu koristiti prepoznavanje tablica kako bi se osoblje upozorilo na posjetioce kojima treba pomoć, naprimjer na klijente s invaliditetom ili slabovidne osobe”, kaže Lawson Noble, tehnički direktor u kompaniji Vaxtor Recognition Technologies.

Primjeri iz prakse sistem-integratora
Kompanija IP Security Services posluje kao sistem-integrator na području Južnoafričke Republike. Njeni predstavnici opisuju LPR projekte u koje su bili uključeni. “Trenutno radimo LPR instalacije u stambenim kvartovima, rezidencijalnim kompleksima i komercijalnim instalacijama u poslovnim parkovima, nacionalnim parkovima i tržnim centrima”, kaže Walter Canitz, direktor kompanije IP Security Services. Oni implementiraju LPR projekte i za potrebe organa reda. “Trenutno se bavimo jednom mobilnom LPR instalacijom na vozilima lokalnih organa reda, koji prate druga vozila, kao i u kontrolnim centrima. U Južnoafričkoj Republici važno tržište je i borba protiv kriminala i krivolovaca. Koristimo državnu bazu podataka registarskih tablica. Konkretne tablice mogu se dodati u bazu podataka i pratiti ako se neko vozilo proglasi sumnjivim ili bude upleteno u krivično djelo. Različiti nivoi praćenja se dodjeljuju prema ozbiljnosti počinjenog zločina. Baza je vrlo sigurna i svi unosi se provjeravaju i potvrđuju kako ne bi došlo do grešaka”, kaže Canitz.

Kamere kao ključne komponente LPR tehnologije
Komponente u LPR sistemu uključuju kameru, LPR softver koji pokreće odgovarajući procesor, medij za pohranu podataka i opcionalne stavke poput IP releja i zvučnih uređaja. Među njima je kamera najvažnija komponenta jer je njena zadaća cjelodnevno prepoznavanje i očitavanje tablica u vanjskom okruženju tokom cijele godine. Za to je potrebna robusna kamera vrhunskog kvaliteta. “Standardna, komercijalno dostupna i jeftina kamera nije dovoljna za ovaj zadatak. Vi možete gledati demonstracije rada jeftinih kamera sa sporim i jednotračnim ili zaustavljenim saobraćajem, uz kvalitetnu ambijentalnu rasvjetu. No, ovi sistemi moraju raditi neprekidno i prepoznavati sve vrste tablica. Kamera mora biti namjenska LPR kamera s dvostrukim objektivima ili vrhunska CCTV kamera, koja mora biti pravilno postavljena”, kaže Noble.

Analitika na kameri ili udaljenom serveru
Analitika za prepoznavanje tablica može se obavljati na samoj kameri, odnosno na lokalnom ili pozadinskom serveru. Sve više kamera dolazi u paketu s LPR softverom na samom uređaju. One su sve popularnije iz više razloga. “Budući da se putem mreže u tom slučaju prenose samo podaci s očitanih tablica, to podrazumijeva smanjenje opterećenja podacima na mreži i serveru jer se kompletna obrada i analiza snimaka obavlja na samom uređaju”, kaže Amante. “Mi obično ustanovimo da su kamere s integrisanom LPR analitikom preciznije od onih kod kojih je ona na serverima. Sistemi koji prepoznaju tablice na serveru dovoljno su precizni u većini situacija, osim u onim najzahtjevnijim. Ipak, oni u sistem uvode dodatnu komponentu, što povećava složenost, otežava održavanje sistema i upravljanje te diže cijenu korištenja”, kaže Bowyer. Noble ipak upozorava na ograničenja primjene LPR analitike na samoj kameri. “Imajte na umu da OCR softver nekog proizvođača ne mora uvijek raditi kvalitetno na pametnoj kameri i to zbog činjenice da ona ima procesor manje snage (zbog pregrijavanja), kao i zbog neefikasnosti u razvoju samog LPR softvera. Osim toga, neke inteligentne kamere mogu pokrivati samo jednu traku standardne širine i ne mogu čitati šire ili dvostruke trake niti se nositi s dvosmjernim saobraćajem ili tablicama iz različitih regija”, kaže on.

Zahtjevi za kamere
Kamere koje se koriste za prepoznavanje tablica, bilo da su to namjenske LPR kamere ili napredni uređaji podešeni za te zadatke, moraju zadovoljiti različite uslove kako bi postigle maksimalne rezultate. Ključna stvar koju treba imati na umu je potreba da snimljena slika bude jasna i oštra kako bi proces prepoznavanja bio efikasan.

Senzor kamere
Prema Nobleu, kvalitetan senzor je najvažniji element koji treba uzeti u obzir. “Većina novih Sonyjevih IMX senzora može se nositi sa zahtjevnim uslovima osvjetljenja. Povećanje broja piksela znači da je danas senzor, npr., dimenzija trećine inča u stanju primiti više svjetla”, kaže on. On dodaje da senzori moraju biti osjetljivi na infracrvene zrake s obzirom na to da neki vidovi primjene podrazumijevaju rad u tajnosti uz korištenje IC osvjetljenja u rasponu od 850 nm ili više. “Neki skriveni sistemi zahtijevaju potpuno nevidljivo osvjetljenje od 940 nanometara i senzori zbog toga postaju skuplji. Domet kamera se znatno smanjuje kako se povećava frekvencija svjetla“, kaže on.

Osvjetljenje
Osvjetljenje je ključni element jer kamera mora snimati tablice i danju i noću. “Svjetlost je bitan faktor za izradu jasnih slika tablica. Zato je ugrađena IC rasvjeta koristan alat za omogućavanje optimalnog automatskog prepoznavanja, čak i noću”, kaže Vigren. “Sve kamere moraju raditi u mraku. Neke imaju svoje IC osvjetljenje, a ako nemaju, mora se dodati. Ako se koristi namjenska LPR kamera, onda je IC osvjetljenje veoma važno. Površinske LED diode moraju posjedovati adekvatne objektive, a često i difuzore kako bi se osvjetljenje ravnomjerno distribuiralo u obliku pravougaonika, a ne velikog kruga”, kaže Noble.
U Genetecu navode da se različite talasne dužine osvjetljenja mogu koristiti za nestandardne tablice. “Naprimjer, tablice s crvenim slovima nisu idealne za IC osvjetljenje”, kaže Amante. “Neke tablice ne odbijaju svjetlost (npr. one u Ujedinjenim Arapskim Emiratima) i zahtijevaju bijelo svjetlo kako bi se pravilno očitale. Na Floridi narandžaste i zelene metalne tablice predstavljaju pravi izazov i često se koristi 750 nanometar, koji ljudi prepoznaju kao crveno svjetlo”, kaže Noble.

Rezolucija i kompresija
Rezolucija slike je još jedna ključna stavka koju treba uzeti u obzir. “Kvalitet slike je presudan faktor uspjeha, zbog čega rezolucija ne bi trebala ići ispod 1080p”, kaže Vigren. Noble istovremeno upozorava da ne treba koristiti previsoke rezolucije ako to nije potrebno. “OCR prepoznavanju standardnih EU tablica treba oko 256 piksela po metru širine trake. Dakle, za tri metra je potrebna rezolucija od 768p. Ako imate novu kameru sa 4k rezolucijom koja prati jednu traku, možete podesiti rezoluciju na 1020p ili čak 1280p i više vam ne treba. Slike visoke rezolucije dovode do sporog pokretanja sistema, koji obrađuje silne nepotrebne piksele. Zbog toga može doći do propuštanja očitavanja tablica”, kaže on. Osim toga, on napominje da većina modernih kamera koristi IP tehnologiju, koja može slati podatke u MJPEG ili H.264 formatu, ali bi se kompresija trebala svesti na minimum. “Kompresovana slika može izgledati sjajno, ali kada se zumira, možete imati problema s OCR softverom ako su tablice oštećene, prljave ili loše osvijetljene”, napominje Vigren.

Ambijent
Kamera mora biti ojačana kako bi efikasno i bez prestanka radila na otvorenom. Prema stručnjacima, IP67 standard je dovoljan u većini situacija. Noble dodaje da bi kamere trebale imati i kvalitetnu zaštitu od sunca kako bi se spriječio kontakt svjetlosti i objektiva i smanjilo zagrijavanje. “Bijela, pa čak i hlađena kućišta se ponekad koriste u toplijim krajevima. Cjelodnevna zaštita od sunca ponekad se primjenjuje kako bi se spriječilo da prašina s ceste prekrije objektiv”, kaže on.

Instalacija kamera za prepoznavanje registarskih tablica
Pravilna instalacija igra presudnu ulogu u prepoznavanju registarskih tablica, jer njen kvalitet određuje performanse i efikasnost sistema. Tokom instalacije posebno je važno pravilno postaviti kameru. Različiti faktori, poput pozicioniranja kamere i ugla pod kojim je instalirana, značajno utječu na kvalitet snimljenih slika, a samim tim i na performanse prepoznavanja tablica.
Udaljenost između vozila i kamere varira ovisno o lokacijama projekata i potrebama korisnika. “ALPR kamera može očitavati tablice na udaljenosti do 36,5 metara, ali što više povećavate udaljenost, u igru ulazi više varijabli, poput većeg broja automobila”, kaže Amante. U pravilu, udaljenost očitavanja trebala bi biti približno tri ili više puta veća od visine kamere, kaže Noble. Važan je i ugao pod kojim kamera prati vozilo. Korisnik treba uzeti u obzir dva ugla: okomiti ugao između uzdužne osi kamere i ravni u kojoj se vozilo kreće te vodoravni ugao između uzdužne osi kamere i uzdužne osi vozila. Što je ugao manji, to bolje. “Pravilo je da se zadržite unutar 30 stepeni uglova pomicanja i nagiba”, kaže Amante.

Kada kameru postavljate blizu neke prepreke, pokušajte je postaviti iza, a ne ispred nje. “U potonjem slučaju vozilo može proći kroz vidno polje prije zaustavljanja. Ako se iz bilo kojeg razloga tablica pogrešno očita, nećete je više moći pratiti”, kaže Noble i napominje da se na nekim lokacijama saobraćaj može ukrštavati između traka ili se ulaz na lokaciju nalazi pod tupim uglom. “Ako se kamera ne može pozicionirati dublje u pozadinu, čime se saobraćaju daje više vremena za poravnavanje, možete probati još dvije opcije. Možete koristiti dvije kamere koje su usmjerene preko ulaza za oštre uglove ili primijeniti upravljanje saobraćajem. Za ovo posljednje se koriste dvije metode: ležeći policajci i šikane i oznake na trakama”, kaže on.

Broj piksela
Prema Nobleu, veličina slike snimljene tablice je veoma važna i najbolji način za njeno mjerenje je primjena visine u pikselima za svaki znak. “Kvalitetan softver će očitati znakove na tablici u visini do 12 piksela, ali se optimalno prepoznavanje općenito postiže uz veće visine, recimo od 20 do 30 piksela. Zato je vrlo bitno da se koristi ispravan objektiv koji može pokriti ovu visinu znakova”, kaže on i navodi da ako klijentova lokacija ima širok ulaz, tada se mora koristiti HD kamera.

Mobilno prepoznavanje registarskih tablica
Važno je napomenuti da LPR sistem može biti i mobilan, pri čemu se kamera postavlja na vozilo u pokretu. “LPR kamere se mogu postaviti na vozila poput patrolnih automobila, autobusa, kamiona za javne radove i prijevoz otpada. To se radi zbog pasivnog skeniranja i označavanja svakog vozila koje uđe u vidno polje kamere. Vozilo koje vrši skeniranje može se kretati po gradu i obavljati svoje redovne zadatke, a svaka snimljena tablica učitava se na LPR server u oblaku ili na nekoj centralnoj lokaciji. Na snimku se označavaju vrijeme, lokacija i sama tablica, zajedno s pratećom slikom tablice i stražnjeg ili prednjeg dijela vozila, zavisno od pravca kretanja prilikom skeniranja. Nakon toga LPR sistem provjerava svaku oznaku u odnosu na sadržaj baze podataka i može poslati upozorenje policiji ako se neka oznaka podudari s popisom vozila koja učestvuju u prekršajima ili su navedena u upozorenjima o otmici ili nestanku osoba, popisu neregistrovanih vozila, neosiguranih vozača, počinilaca prekršaja u oblasti parkiranja i drugo”, kaže Frigaard. Prema njegovim riječima, prednosti mobilnog LPR sistema leže u fleksibilnosti skeniranja u različitim geografskim zonama i čuvanju podataka u bazi podataka za potrebe budućih istraga. “Manifestacije poput sajmova, sportskih događaja i festivala privlače veliki broj posjetilaca. Patrolnim timovima je dovoljno da prođu kroz parkinge i snime tablice i tako dođu do informacija o kriminalcima, traženim osobama i teroristima. Nedostatak mobilnog LPR sistema je činjenica da kamere vrše skeniranje samo kada je vozilo aktivno, odnosno u pokretu. To znači da LPR sistem na službenom patrolnom vozilu ne skenira kada neki službenik nije na dužnosti”, kaže Frigaard.

S obzirom na ogromnu važnost mobilnog prepoznavanja registarskih tablica, instalateri bi trebali poznavati način postavljanja ovih sistema. “Mobilni sistemi se sastoje od maksimalno četiri ALPR kamere spojene na procesor, obično u prtljažniku vozila. Procesor je povezan s ugrađenim računarom s ALPR softverom, koji putem mobilne veze šalje podatke alatima za upravljanje podacima i analizu u kontrolnom centru”, kaže Maloney.

Ostali faktori
Poteškoće s napajanjem i komunikacijom, kao i mogući otpor na nivou zajednice također mogu predstavljati problem prilikom instaliranja LPR sistema. “Napajanje, komunikacije i montažna konstrukcija su najveći izazovi prilikom postavljanja LPR sistema. Potreba za adekvatnim napajanjem je trajna briga. Komunikacije moraju biti dovoljne za prijenos podataka s kamere i slanje upozorenja do odgovarajuće lokacije. Stanični radiouređaji, kao što su Cradlepoint i Sierra, najčešće su komunikacijske platforme za LPR projekte ako klijent ne posjeduje žičanu vezu s lokacijom kamera. Lokacije za postavljanje su ponekad najzahtjevnija komponenta instalacije. Stubovi saobraćajne signalizacije, električni stubovi, bandere, mostovi, tuneli i znakovi nose jedinstvene probleme koji se tiču korištenja i dozvola za postavljanje dodataka na njih“, kaže Frigaard.

“Ključni problem je dobiti dozvolu za instalaciju na najboljoj lokaciji za kameru, imajući u vidu udaljenost, pravce kretanja i uglove. Kada se rade instalacije u stambenim područjima, pojedinci mogu biti veoma osjetljivi na estetiku instalacije na konkretnim objektima”, kaže Canitz. Na kraju, svaka instalacija ima različite ciljeve i zahtjeve. Vigren smatra da je najbitnije da se oni u potpunosti razumiju prilikom projektovanja sistema za prepoznavanje tablica. “Zamislite situacije u kojima vozilo ulazi u kadar i pokušajte predvidjeti da li će se registarske tablice uvijek naći u vidnom polju ili ne. Provedite neko vrijeme na mjestu događaja, promatrajte vozila i snimite nekoliko videa vozila koja prolaze kroz mjesto detekcije kako biste bolje razumjeli varijacije u njihovom pozicioniranju. Razmislite i o brzini vozila i potrebi za preduzimanjem mjera za smirivanje saobraćaja kako biste usporili vozila ili utjecali na njihov položaj u vidnom polju”, kaže Bowyer.

Videonadzor se već dugo vremena oslanja na računarstvo u oblaku (cloud), pri čemu se zapisi s kamera šalju do pozadinskih sistema za podršku, koji obrađuju i analiziraju podatke. To nosi razne nedostatke, uključujući konstantnu potrebu za što većim propusnim kapacitetima mreže i pojavu latencije prilikom odvijanja komunikacije
Izvor: a&s International
E-mail: redakcija@asadria.com

Mnogo toga se u industriji promijenilo pojavom tzv. rubnog računarstva, odnosno obrade podataka na rubu mreže. Kod njega se podaci obrađuju na samim kamerama, koje posjeduju napredne analitičke funkcije. Nakon što prepozna sumnjivu osobu, kamera s vještačkom inteligencijom (AI) sama može poslati upozorenje obližnjoj alarmnoj centrali i proslijediti slike i tekst pozadinskim sistemima radi analize ili evidentiranja. Time se skraćuje vrijeme potrebno za prebacivanje podataka između krajnje tačke i oblaka, a potreba za propusnim kapacitetima mreže svodi se na minimum. Nema potrebe naglašavati da je rubno računarstvo, tj. ono koje se odvija na rubu mreže (edge) postalo jako bitan trend. Takva obrada podataka smanjuje potrebu za mrežnom propusnošću i latenciju u komunikaciji. Time se krajnjim korisnicima omogućuje da brže donose odluke u vanrednim situacijama. Kod videonadzora rubno računarstvo se prije svega odnosi na obradu podataka na samoj kameri, što nosi različite prednosti. Rubno računarstvo postaje sve popularniji i rašireniji koncept među organizacijama i krajnjim korisnicima. Dok je za prebacivanje podataka od krajnjih tačaka do oblaka potrebno 150 do 200 milisekundi, od krajnjih tačaka do ruba mreže vam za isto treba samo 10 milisekundi. To nudi efikasniju detekciju i brži odgovor na situacije u različitim vertikalima, naprimjer u proizvodnji.

Prednosti rubnog računarstva
Kod videonadzora rubno računarstvo se manifestira kao obrada videopodataka na samoj kameri, a ne na pozadinskim sistemima. Zahvaljujući napretku tehnologija, današnje IP kamere često imaju dovoljnu procesorsku snagu za korištenje vještačke inteligencije, dubokog učenja i algoritama, poput onih za prepoznavanje lica. Obrada podataka na kameri nudi više prednosti. Ključna je smanjenje potreba za propusnim kapacitetima mreže. „U rubnom računarstvu obrađuju se podaci na rubu mreže, odnosno u blizini izvora podataka. Na taj način se može značajno smanjiti propusni opseg koji je potreban za komunikaciju između senzora, uređaja i podatkovnog centra, posebno ako treba prebaciti podatke koji se tiču isključivo konkretnih situacija i kraćih videosekvenci. U mnogim instalacijama dostupna mrežna propusnost predstavlja ograničenje, zbog čega imamo jako kompresovane videozapise. Izvođenje napredne videoanalitike na previše kompresovanom videozapisu smanjuje preciznost same analitike, tako da obrada izvornih podataka na rubu mreže nudi jasne prednosti“, kaže Mats Thulin, direktor ključnih tehnologija u kompaniji Axis Communications.

„Kada se napredna obrada radi na pozadinskim sistemima, svi tokovi videopodataka koji se analiziraju moraju se prenijeti na servere. Prebacivanje obrade na rub mreže omogućava kreiranje rješenja koja su selektivnija u pogledu onoga što se prenosi preko ograničenih propusnih kapaciteta“, kaže Dave Staudacher, programer u kompaniji Pelco. “Uz pomoć algoritama vještačke inteligencije koji su integrisani s rubnim uređajima, izvlače se i šalju samo konkretne informacije, npr. o nekom pojedincu ili vozilu uhvaćenom na videu. To značajno povećava efikasnost prijenosa informacija i smanjuje propusno opterećenje mreže, uz paralelno održavanje visokog kvaliteta i tačnosti“, kaže Max Fang, direktor proizvoda za IP projekte u kompaniji Hikvision.

Brže reagovanje
Još jedna velika prednost obrade na kameri je smanjenje latencije. Umjesto da se video šalje na pozadinske sisteme na obradu i analizu, kamera koja, naprimjer, ima mogućnost prepoznavanja lica može identificirati neželjenu ili sumnjivu osobu i odmah poslati alarmni signal do centrale. „Identifikacija konkretnih situacija na rubu mreže podržava rad rješenja za lokalne odgovore na njih, u odnosu na zaobilazni i duži put preko pozadinskih servera“, kaže Staudacher. „Rizik od pojave izraženih latencija pri aktiviranju alarma je veći ako se oslanjamo na pozadinske servere za obradu podataka. Međutim, ovaj rizik se smanjuje ako se podaci obrađuju na samoj kameri“, kaže Lei Bennett, zamjenica direktora odjela za sigurnosne proizvode u kompaniji FLIR Systems.

Hibridni pristup
Ipak, ne treba odustati ni od računarstva u oblaku. Zapravo, hibridni pristup mogao bi biti idealno rješenje. „Najbolji videonadzorni sistemi koji koriste rubno računarstvo kombinuju se s rješenjima u oblaku umjesto da isključuju jedni druge. Snimanje se, po potrebi, obavlja lokalno i na rubu mreže koja povezuje digitalne i mrežne videosnimače. Snimci se mogu prenositi i dijeliti, uz mogućnost upravljanja njima s bilo koje lokacije u oblaku. Zastarjeli sistemi videonadzora ne mogu ponuditi slične prednosti u pogledu uštede troškova, smanjenja broja potrebnog osoblja i mobilnosti“, kaže Jeff Whitney, zamjenik direktora sektora marketinga u kompaniji Arecont Vision Costar. „Budući da mrežne kamere, senzori zvuka i drugi slični uređaji na rubu mreže postaju sve sofisticiraniji i kvalitetniji, potreba za balansiranjem računarstva u oblaku i onog na rubu postaje sve važnija, posebno ako želimo pristup kvalitetnim, tačnim i upotrebljivim podacima. Oblak i rub mreže nisu međusobni konkurenti i rješenje leži u kombinaciji oba pristupa“, kaže Thulin.

AI kamere novi trend u videonadzoru
Kod videonadzora rubno računarstvo se odnosi na obradu podataka na samoj kameri umjesto u oblaku. Danas sve više proizvođača nudi takozvane AI kamere, odnosno one s vještačkom inteligencijom. To se odvija u skladu s trendovima širenja rubnog računarstva. Tipovi analitike koje podržavaju AI kamere su raznoliki. „Oni uključuju ljudska lica, stas, gestikulaciju, držanje, pokrete, spol, starost, analizu glasa i jezika, kao i analitiku koja može identificirati predmete, arhitekturu, hranu, biljke i životinje“, ističe Wu. Prednosti korištenja ovih algoritama na rubnim uređajima su višestruke. „Računarstvo na rubu mreže omogućava trenutni odgovor na situacije, u isto vrijeme kada ih kamera otkriva i prepoznaje. Nema potrebe za slanjem videozapisa do pozadinskih sistema na analizu. Zbog toga se minimizira i utrošak mrežnih resursa u pogledu propusnosti. Štaviše, budući da se video može pohranjivati i na rubu, štedi se i na troškovima pohrane u oblaku. Kamere koje rade na rubu mreže se mnogo lakše instaliraju u poređenju s pripremom servera i pratećeg softvera. Na kraju, ljudi su uvijek zabrinuti zbog privatnosti, a rubne kamere koje pokrivaju samo lokalni nivo mogu ublažiti njihove brige“, kaže on.

Kao primjer može poslužiti AI kamera kompanije AndroVideo, koja podržava prepoznavanje lica, procjenu držanja, identifikaciju ljudi i njihove dobi i spola. „Prepoznavanje lica se vrši na kameri. Čim kamera otkrije pojedinca koji se nalazi na crnoj listi ili neko lice kojem tu nije mjesto, ona automatski pohranuje slike i tekst na SD karticu za potrebe pristupa krajnjeg korisnika. Nadalje, ako korisnik to želi, kamera putem interneta također može slati upozorenja do alarmne centrale, kao i na korisnikov mobilni uređaj“, objašnjava Wu. Kada su u pitanju komponente, jedinica za obradu podataka i senzor slike igraju ključnu ulogu. „Jedinica za obradu može biti centralna procesorska jedinica, jedinica za grafičku obradu ili neuronsku mrežu, kao i jedinica za procesiranje tenzora. Ona određuje koliko moćan i sofisticiran model vještačke inteligencije jedan sistem može podržati“, kaže Wu.

Primjena AI kamera
Primjene kamera s vještačkom inteligencijom su raznolike. „Čak i površan spisak sigurno bi obuhvatio primjene u segmentu sigurnih gradova, kao što su zaštita od požara, saobraćaj i policija, a tu su i videoigre, zdravstvo, obrazovanje i komunalije“, kaže Staudacher.„U konačnici, svaki sektor će imati koristi od naprednije inteligencije u sistemima videonadzora. Automatizirane mjere će se poduzimati na osnovu podataka koji se prikupljaju uživo, a pomoću razumijevanja ranijih situacija. Naprimjer, tu su zvučna upozorenja osobama koje se nepotrebno zadržavaju u blizini objekata ili se sumnjivo ponašaju. Ona će biti od koristi sigurnosnom osoblju, a brži odgovori na incidente će podići ukupni nivo javne sigurnosti“, smatra Thulin. Pored sigurnosti, sve više AI kamera ovog tipa može se koristiti i za prikupljanje informacija u sferi poslovne inteligencije. „Naprimjer, VIP kupci često učestvuju u posebnim marketinškim promocijama ili sličnim inicijativama i kamere ih mogu lakše prepoznati kako bi im osoblje moglo pružiti adekvatnu vrstu usluge u pravom trenutku“, kaže Fang. „Pored brojnih sigurnosnih prednosti, sistemi vještačke inteligencije koji su integrisani s kamerama mogu odgovoriti na veliki broj zahtjeva koje pred njih stavljaju kompanije. Tu, npr., spada automatsko popunjavanje polica u maloprodajnim objektima kako kupci biraju odgovarajuće proizvode i stavljaju ih u svoje korpe. U kancelarijskom okruženju, nakon što zaposlenik iznese zalihe iz magacina, zamjenski artikli se mogu odmah evidentirati za narudžbu i tako zadržati postojeći nivo opskrbljenosti“, kaže Whitney.

Napredak hardverske tehnologije
Osnovne ključne komponente AI kamera su senzori slike i procesor. Senzor je potreban za efikasnu izradu slika u različitim uvjetima osvjetljenja. Isto tako, za pokretanje algoritama vještačke inteligencije potreban je napredan procesor. „U poređenju s konvencionalnim sigurnosnim kamerama, AI kamere postižu odlične performanse sa svojim GPU čipsetima, koji im nude jači kapacitet za obradu, manju potrošnju energije i kvalitetnije hlađenje“, kaže Fang. Kako je vještačka inteligencija dobijala na važnosti, širile su se i opcije za čipove izvan postojećih CPU i GPU rješenja. „Potrebe za kapacitetima za obradu kod neuronskih mreža zahtijevaju novu hardversku arhitekturu koja je projektovana za rad s velikom količinom matematičkih operacija. Donedavno su korisnici morali birati između GPU-a (grafička procesorska jedinica) ili CPU-a (centralna procesorska jedinica). Arhitektura GPU-a više odgovara zahtjevima za obradu neuronskih mreža i zbog toga se većina industrije razvija na NVIDIA GPU hardveru“, kaže Bennett. „Danas proizvođači čipova nude hibridne arhitekture čipova koje su optimizirane za potrebe obrade podataka u neuronskim mrežama. One kombinuju jezgro CPU procesora s onim što se obično naziva materijal neuronske mreže ili mnoštvo množitelja. To je dovelo do pojave izuzetno snažnih čipseta koji su mnogo jeftiniji i rade uz znatno slabije napajanje. Većina modernih videonadzornih kamera danas u kućištu ima jedan ili više standardnih integrisanih krugova sa sistemom na čipu (SoC), na kojima se pokreću firmver i operativni sistem uređaja (obično Linux)“, kaže Whitney.

Kako razlikovati AI kamere?
Jedan od načina je razlikovanje kamera prema performansama algoritma vještačke inteligencije i kriteriju preciznosti. „Ključ je u preciznosti i performansama AI algoritma. Na to znatno utječe kvalitet podataka koji se koriste za obuku neuronske mreže. Postoji više načina da pogriješite prilikom kreiranja podataka za obuku mreže, tako da je ovo ključni faktor razlikovanja kod ovih kamera“, kaže Bennett. Kamere se mogu razlikovati i po funkcijama koje nemaju veze s vještačkom inteligencijom. Tu, naprimjer, spada vrijeme potrebno za razvoj proizvoda za tržište i sposobnost rješenja da odgovori potrebama određenih vertikala. „Najefikasniji pristup primjeni vještačke inteligencije može biti fokusiranje na posebne tržišne potrebe ili zahtjeve. To može uključivati partnerstvo sa specijaliziranim proizvođačima ili sistem-integratorima koji iza sebe imaju praksu i stručnost na tržištima kao što su maloprodaja, skladištenje, transport, ugostiteljstvo ili obrazovanje. Ovo može biti poželjna opcija umjesto generalnog pristupa koji se fokusira na tržište kamera opće namjene“, kaže Whitney.

Kako se AI kamere i pohrana podataka na rubu nadopunjuju
Kod videonadzora računarstvo i pohrana na rubu se međusobno nadopunjuju. Cilj oba segmenta je minimizirati potrebe za propusnim kapacitetima i poboljšati ukupne performanse sistema. Primjena rubnog računarstva za videonadzor postaje sve značajniji trend. On se najviše ističe u primjeni tzv. AI kamera, koje samostalno obrađuju kompleksne podatke umjesto da ih šalju do pozadinskih sistema na analizu. Na sličan način korisnici ovih kamera mogu imati korist od pohrane na rubu mreže, što se može izvesti na nekoliko načina. Kamera može poslati video do lokalnog mrežnog videosnimača (NVR), koji se također nalazi na rubu mreže, a osim toga, vještačka inteligencija na kameri sama može odrediti šta je bitno, a šta nije. U prvom slučaju kamera pohranjuje konkretnu sliku ili video na SD kartici. Bez obzira na odabranu opciju, pohrana na rubu otklanja potrebu da se video konstantno šalje do oblaka jer to može biti skupo. „Odnos pohrane na rubu mreže i AI kamera je međusobno nadopunjujući. AI kamerama treba rubna pohrana, što uključuje i mrežne videosnimače. Kod rubne pohrane ranije zabilježeni tokovi videopodataka mogu se smjestiti na rub mreže i neće biti problema s propusnim kapacitetima jer se sami uređaji nalaze na intranetu. U skladu s tim, strukturirani podaci se obrađuju i šalju do centra. Time rubna pohrana podataka može značajno smanjiti zahtjeve za propusnošću i povećati ukupne performanse“, kaže Fang.

„S obzirom na količine podataka koje generišu moderne videonadzorne kamere, njihova obrada na rubu će omogućiti da se prepozna šta i kada treba pohraniti ili poslati na centralni server. Zbog toga će i pohrana na rubu postati održivije rješenje i smanjiti zahtjeve u pogledu mrežne propusnosti“, kaže Thulin. Važno je, ipak, napomenuti da pohrana u oblaku ili na rubu mreže zavisi od konkretne primjene.

I SD kartice dobijaju na važnosti
Kod pohrane videa i slika na kameri morate posjedovati kvalitetnu SD karticu sposobnu za intenzivno pisanje podataka. „Upotreba AI kamera postavlja krupne zahtjeve pred SD kartice. Preciznije rečeno, kada se neka osoba pojavi u određenoj zoni, to se tretira kao događaj. Da bi zabilježila događaj, odnosno kreirala strukturirane podatke, SD kartica počinje vršiti upis podataka za tu instancu. Ako se neki drugi događaj desi već u sljedećoj minuti, pisanje se vrši po drugi put. Svi ti događaji se mogu dešavati i nasumično, što znači da SD kartica mora često vršiti pisanje. Odatle proizlazi zahtjev za SD karticama u AI kamerama koje podržavaju često i nasumično pisanje“, kaže Fang. Srećom, danas je dostupno sve više SD kartica za potrebe industrije i pratećeg videonadzora. „Firmware na SD karticama koji nude neki proizvođači sada podržava kontinuiranu upotrebu i snimanje. On nudi primjenu uz više miliona sati srednjeg vremena između kvarova (MTTF) čime ovi uređaji postaju pravi i profesionalni video sistemi. Standardne komercijalne SD kartice nemaju mogućnost sprečavanja pada broja sličica u sekundi tokom rada u potencijalno ekstremnim ambijentalnim uvjetima u kakvim rade kamere. Međutim, tu mogućnost vam nude video kartice najnovije generacije nekih proizvođača“, kaže Whitney.

Pohrana na rubu više nije iznimka
Kao i kod računarstva na rubu, i rubna pohrana postaje sve popularnija opcija. Uz razvoj ovog trenda, ključnu ulogu ima i primjena memorijskih kartica koje su optimizirane za kontinuirano pisanje podataka i snimanje materijala. Kod videonadzora pohrana obično podrazumijeva snimanje videozapisa na serveru, odnosno na videosnimaču na samoj lokaciji ili u oblaku. Iako je u osnovi efikasna, ova arhitektura ima određene nedostatke. „Lokalna instalacija mrežnih videosnimača, mrežne opreme i softvera za upravljanje videom je skupa. Održavanje IT opreme i njen nadzor su također skupi i većina ih malih firmi obično nema u opisu poslova“, kaže David Henderson, direktor marketinga za industriju i potrošače u poslovnom segmentu u kompaniji Micron. Zbog toga se danas sve više pažnje usmjerava na rubnu pohranu, odnosno na snimanje videa na microSD karticu u kameri. Ova pohrana se već dugo koristi kao rezervno sigurnosno rješenje, pri čemu kamera vrši pohranu na microSD karticu samo u situacijama kada mreža otkaže ili postane nestabilna. No, ovaj tip pohrane danas ipak postaje primarni izbor, ponajvše zahvaljujući napretku tehnologije. „Znamo da je napredak u tehnologiji postojane memorije omogućio razvoj rubnih modela koji nude manje troškove i bolje performanse. Budući da se primarni videozapisi pohranjuju lokalno na kameri, ovi sistemi zahtijevaju manju propusnost mreže i eliminišu troškove pohrane u oblaku, uz ponudu bolje skalabilnosti i nižeg ukupnog troška vlasništva u odnosu na rješenja za pohranu u oblaku“, kaže Henderson.

Kako odabrati microSD karticu?
Da biste maksimalno iskoristili rubnu pohranu, potrebna vam je microSD kartica koja je dovoljno kvalitetna za potrebe videonadzora i cjelodnevnog snimanja. „Ključne razlike između microSD kartica za komercijalnu upotrebu i onih za videonadzor leže u NAND flash tehnologiji koja se koristi na kartici, kvalitetu optimizacije za cjelodnevno snimanje videozapisa i načinu testiranja i kontrole NAND tehnologije. Danas je česta greška upotreba komercijalnih microSD kartica za videonadzor. Snimanje na ove microSD kartice tokom 12 ili više sati dnevno obično znači da će memorijska kartica otkazati u roku nekoliko mjeseci nakon instalacije“, kaže Henderson.

Zato Henderson predlaže kupovinu microSD karticu industrijske klase uz nekoliko kriterija.
Kapacitet za pohranu: Može li željeno rješenje podržati rubnu pohranu arhiviranog videomaterijala u intervalu od dvije sedmice ili čak i mjesec dana, u željenoj rezoluciji i s odabranim tehnikama kompresije? Uz kontinuirano snimanje videonadzornih zapisa visokog kvaliteta, korisniku će trebati kvalitetniji uređaj za pohranu.
Izdržljivost i kvalitet: Može li rješenje za rubnu pohranu ponuditi robusnost i fabričku izdržljivost potrebnu za najmanje trogodišnji, pa i duži rad na terenu? Tipično videonadzorno rješenje mora biti učinjeno izdržljivim i potpuno otpornim na vremenske prilike. Kako bi se smanjili troškovi održavanja i stavljanja izvan funkcije tokom servisiranja, kao i ukupni troškovi, ključno je nabaviti izdržljive uređaje s mogućnošću rubne pohrane za potrebe videonadzora. Na taj način se može izbjeći skupo servisiranje na licu mjesta kao i transport kartica koje trebaju zamijeniti pokvarene modele.
Efikasnost snimanja: Zadovoljava li rješenje za rubnu pohranu zahtjeve iz ugovora o korisničkom nivou usluge (SLA) za kvalitet podataka? Neprekidno snimanje videozapisa na uređaj za pohranu može uzrokovati probleme s brzinom prikaza videa. Rubni uređaj za pohranu mora optimizirati performanse snimanja za potrebe videonadzora kako bi se smanjio rizik od gubitka podataka.
Henderson navodi primjer microSD kartice kompanije Micron u kojoj trenutno radi. Ova kartica industrijske klase je posebno dizajnirana za rad u okruženju IP videonadzora i posjeduje visoku gustinu pohrane za kapacitete od 32, 64, 128 i 256 GB, koja, ako se zadovolje određeni uslovi, podržava tri godine kontinuiranog i cjelodnevnog snimanja i dva miliona sati srednjeg vremena između kvarova.