Videoanalitika za zaštitu perimetra

Kompanije koje se bave videoanalitikom kontinuirano se fokusiraju na unapređivanje mogućnosti na planu detekcije objekata i njihove klasifikacije s ciljem pronalaska odgovora na izazove zaštite perimetra. Nekoliko ponuđača rješenja iz ove oblasti objašnjava šta se realno može očekivati od analitike videosadržaja (VCA) te koji od njihovih proizvoda mogu poboljšati preciznost detekcije i smanjiti broj lažnih alarma

Izvor: a&s International

E-mail: editorial@www.asadria.com

Analitika videosadržaja (VCA) i njene mogućnosti automatske detekcije događaja i uzbunjivanja sigurnosnog osoblja donijele su veliki napredak na planu sigurnosti. Postoje objektivna ograničenja u pogledu dužine intervala u kojem ljudi mogu pratiti videosadržaje, a da pri tome ne izgube fokus. Videoanalitika, s druge strane, predstavlja uvijek budno oko. Jedna od popularnijih vidova njene primjene je sigurnost perimetra. Ipak, korištenje videoanalitike u takvu svrhu i danas predstavlja izazov.

Nerazumijevanje iskrivljuje stvarnost

Uprkos velikom napretku ostvarenom u svijetu VCA algoritama tokom posljednjih godina, ova tehnologija se ni danas ne može smatrati savršenom. „Najčešći vid nerazumijevanja u pogledu VCA i zaštite perimetra tiče se činjenice da većina VCA rješenja ugrađenih u IP kamere jednostavno nije dovoljno precizna za potrebe realnih aplikacija zaštite perimetra“, kaže Zvika Ashani, tehnički direktor kompanije Agent Video Intelligence (Agent Vi). „Postoji vrlo širok spektar mogućnosti i nivoa pouzdanosti koji su dostupni u okviru videoanalitike. Osnovne mogućnosti koje su danas dostupne u brojnim IP kamerama omogućavaju kalibriranje VCA i detekciju, ali one donose i visoke stope lažnih alarma te nisku vjerovatnoću detekcije. Rješenja visoke klase nude kvalitetnije performanse u oba ova segmenta“, kaže on.

Ron Grinfeld, direktor globalnog vertikalnog marketinga u kompaniji DVTel, dodaje da se s videoanalitikom često povezuju određena nerazumijevanja i nerealna očekivanja. „Klijenti vjeruju da rješenja za sigurnost perimetra nude 100% vjerovatnoću detekcije i nepostojeće lažne alarme, da se više pojedinačnih objekata može uvijek pratiti putem različitih kamera, čak i kada se preklapaju ili kreću u grupama, te da je vizuelna identifikacija facijalnih karakteristika, brojeva tablica i manjih objekata zagarantirana unutar svih udaljenosti za detekciju. Još jedna od zabluda je da VCA za sigurnost perimetra može ponuditi detekciju specifičnih scenarija, npr. situacija kada neka osoba reže ogradu ili nosi oružje, kada dođe do sukoba itd.“, kaže on. Jürgen Konetschnig, direktor proizvodnje u austrijskoj kompaniji Cogvis, smatra da je razlikovanje vozila po veličini jednostavnije ako ona presijeku vidno polje kamere u odnosu na situaciju kada se kreću prema kameri. Ipak, razlikovanje modela vozila, proizvođača ili osoba koje nose oružje u stvarnom vremenu pomoću klasičnih postavki za perimetre i danas je moguće jedino u holivudskim filmovima.

Nerealna poređenja

Nerealna očekivanja su posljedica jednako nerealnog poređenja VCA s ljudskim okom, smatra Mike Jamieson, programer za tehnologiju računarskog vida u kompaniji Aimetis. „Ljudi često potcjenjuju složenost zadataka koje vizuelni sistem obavlja tokom obrade scene. Ljudsko oko to radi bez posebnog napora, ali za to koristi veliki dio mozga“, kaže on. „VCA sisteme ponekad mogu ometati promjene na sceni koje ljudi jednostavno podsvjesno ignorišu. U vezi s tim, dodatni faktor koji otežava rad je činjenica da na pouzdanost analitike utječe veliki broj stvari. Mi bismo voljeli reći da će se, ako je neki objekat visok određeni broj „x“ piksela, njega moći uvijek pratiti. U konkretnoj instalaciji, ipak, na pouzdanost utječu kontrast, osvjetljenje, vremenski uvjeti, kvalitet slike, geometrija i kretanje objekta. Jedna sasvim mala promjena u postavkama može predstavljati razliku između pouzdane i nepouzdane instalacije. S vremenom poboljšanja u oblasti senzora i algoritama dovela su do povećanja broja situacija u kojima se može očekivati da stvari idu svojim tokom, ali se pojavila i jedna nesretna situacija u kojoj iste stvari u jednom kontekstu daju rezultate, a u drugom ne, bez obzira na to što su oni slični. Osim nerealnih očekivanja, dodatni problem je nedovoljna fokusiranost korisnika na ispunjavanje preporuka i zahtjeva koji se tiču instalacije i ambijenta.

„Naša iskustva su pokazala da je zaštita perimetra jedan od modula u okviru kojeg korisnici dođu do najkvalitetnijih saznanja u pogledu onog šta mogu očekivati od ovog konkretnog VCA modula. To znači da se nerazumijevanje javlja samo u situacijama kada korisnici žele uštedjeti na broju kamera potrebnih za pokrivanje određene zone. VCA nije sistem koji može razmišljati i/ili nagađati. On radi u skladu s jasnim uputama i ne može improvizirati, zbog čega su mu potrebni precizni podaci. To je i razlog zbog kojeg se moraju detaljno pratiti sve preporuke u pogledu uvjeta osvjetljenja, ugla kamere u odnosu na objekte i drugi detalji“, kaže Aleksandr Jesikov, voditelj kupaca u kompaniji Luxriot Europe.

Mašinska klasifikacija objekata 

Mašinsko učenje igra važnu ulogu kao dio videoanalitičkih rješenja jer ono pomoću algoritama uči o okruženju, vrši klasifikaciju objekata i smanjuje broj lažnih alarma. Tradicionalno, prepoznavanje objekata se temelji na eksplicitnim pravilima koja utvrđuje programer algoritama, a ona se tiču veličine i oblika objekata, te obrazaca njihovog kretanja. „Ne postoje ograničenja u pogledu složenosti pravila koja se mogu manuelno dizajnirati i, u zavisnosti od ugla gledanja, većina njih nije relevantna, npr., za osobu koja puže. Nešto kvalitetniji klasifikacijski pristupi utemeljeni na mašinskom učenju predstavljeni su u akademskoj zajednici i oni polahko postaju dio VCA sistema. Ovi klasifikatori nove generacije mogu pouzdano razlikovati puzanje ili kotrljanje na temelju bogatijeg seta algoritama za kretanje na upotrebljivim udaljenostima. Ipak, mašinsko učenje ne možemo tretirati kao univerzalno rješenje. Objekti koji se raspoznaju u okviru scenarija perimetra mogu se sastojati od veoma malog broja piksela ili ih se prati u vrlo zahtjevnim uvjetima. Najbolje što algoritam može postići jeste da isključi greške iz tipičnih situacija i rezerviše ih samo za ekstremne scenarije“, kaže Jamieson.

Za zaštitu perimetra danas su tipični scenariji koji uključuju ograde koje se prostiru duž širokih pojasa, a preko kojih se može postići uspješno razlikovanje osobe od životinje. Ipak, svako perimetarsko okruženje ima i vlastite izazove i previše stroga klasifikacija može dovesti do smanjenja stope detekcije. „Kako bi otklonili ove probleme, ponudili smo opciju posebne faze učenja, koja nakon poluautomatske klasifikacije incidenata kreira inteligentni filter za odlučivanje, koji je optimiziran za konkretnu scenu. Naravno, korisnik ima opciju da odabere unaprijed podešene filtere ili dozvoli sistemu da sam uči za konkretnu situaciju“, kaže Konetschnig. Današnja VCA tehnologija vrši klasifikaciju objekata prema makroklasama, poput automobila, kamiona, ljudi, velikih kamiona, malih i velikih plovila i sl. „Zahvaljujući aplikaciji i dostupnim senzorima, tehnologija se postepeno kreće u pravcu ‘identifikacije’, odnosno dodatne razrade makroklasa u podklase: npr., crveni auto, plavi kamion itd. Kako tehnologija nastavlja evoluirati, ona će se kretati u pravcu mogućnosti identifikacije konkretne osobe ili vozila“, tvrdi Eric Olson, zamjenik direktora marketinga u kompaniji Puretech Systems.

Praćenje objekata

Nakon detekcije i klasifikacije objekata njihovo praćenje je sljedeći cilj za proizvođače VCA rješenja. „U idućoj fazi VCA tehnologija se fokusira na identitet objekata pomoću njihovih dodatnih karakteristika (boje, kretanja, držanja) i primjenu praćenja korištenjem više kamera. Cilj je da se brzo i na automatski način utvrdi pravac kretanja pojedinca ili pojedinaca tako što će se njihovo kretanje identificirati pomoću više nepovezanih kamera“, kaže Olson. Ove mogućnosti su još u ranoj fazi razvoja, ali korisnici mogu očekivati da će uskoro dobiti korisne informacije i unaprijediti svoju produktivnost. Uprkos problemima sa stopom detekcije i lažnim alarmima, VCA je i dalje kvalitetno rješenje za kontinuirani nadzor pomoću više desetaka, pa i stotina kamera u kontekstu scenarija zaštite perimetra. U kombinaciji s ostalim tehnologijama za detekciju i fokus na zahtjeve koji se tiču videoanalitike, krajnji korisnici mogu postići vrhunske rezultate.

Termalne kamere

Prema Olsonu, termalne kamere mogu reducirati većinu smetnji za koje su odgovorni ambijentalni uvjeti, posebno na otvorenom. Na taj način se VCA algoritmima omogućava da lakše detektiraju i prate ciljne objekte, a da pri tome smanje broj lažnih alarma. „Uobičajena zabluda u vezi s VCA jeste da je detekcija objekata zahtjevna. Zapravo, teži zadatak je detekcija nečeg što nije od interesa za korisnika, poput promjene osvjetljenja, kiše, snijega, pomjeranja vegetacije, refleksija, sjenki itd.“, kaže on. John Romanowich, predsjednik i izvršni direktor kompanije SightLogix, smatra da optimalno rješenje predstavlja videoanalitika u kombinaciji s termalnim kamerama. „Termalne kamere su savršene za detekciju ljudi. One uočavaju objekte na velikim udaljenostima koje su tipične za perimetarske aplikacije. Osim toga, one ignorišu probleme s osvjetljenjem koji kod kamera kreiraju lažne uzbune. Kako je došlo do značajnog pada cijena termalnih kamera, paralelno s jačanjem njihovih performansi, ovi proizvodi upareni s videoanalitikom postali su odlično rješenje za sigurnost perimetra.“

Uvođenje termalnih kamera visoke rezolucije imalo je veliki ekonomski odjek. Ove kamere nude kvalitet na način da značajno smanjuju troškove zaštite velikih perimetara. „Ipak, iako je mnogo toga postignuto na planu kvalitetnog prikaza crno-bijele slike s vizuelnim detaljima u uvjetima dana/noći, termalne kamere ne mogu ponuditi jednak nivo detalja kao i HD kamere. Zato je najbolji pristup kombinacija termalnih kamera za detekciju, a regularnih za procjenu alarma“, dodaje Romanowich. Boghos Boghossian, tehnički direktor u britanskoj kompaniji Ipsotek, skreće pažnju na rizike koji su povezani s termalnim kamerama. „Termalne kamere su odlične, ali nisu savršene. Termalni senzori nude informacije koje u određenim situacijama nije lahko interpretirati. Britansko Ministarstvo unutrašnjih poslova radilo je eksperimente u okviru kojih je dokazano da uljezi mogu ostati neprimjetni ako se prekriju termoizolacijskim i odsjajnim materijalom koji je slične temperature kao i okruženje. Na taj način se pomoću vanjske temperature uljez može sakriti od detekcije. Također, u vodi plivač može obući ronilačko odijelo i staviti masku i na taj način emitovati vrlo malo toplote, što sprečava detekciju pomoću termalnih kamera.“ Ipsotek ova pitanja rješava korištenjem tehnologije tzv. regionalne senzitivnosti. „U osnovi, mi pratimo kretanje u različitim segmentima scene i u visokoj rezoluciji zumiramo one rejone u kojima detektiramo aktivnosti, slično kao kod ljudskog oka. Na taj način podižemo nivo pouzdanosti i pratimo manje ali koherentne promjene u termalnom tragu objekta jer možemo identificirati obrasce kretanja.“

Još jedan od problema na koji upozorava Boghossian tiče se drmanja kamere tokom detekcije na daljinu. „Što je udaljenost veća, adekvatno postavljanje kamere igra veću ulogu. Scenariji koji uključuju perimetre, npr. u pograničnim zonama, predstavljaju veoma zahtjevne i složene aplikacije. Svaka instanca u kojoj dolazi do drmanja kamere može uzrokovati probleme za VCA. Zbog toga je vrlo važno da se instaliraju adekvatni sistemi za stabilizaciju, kako mehanički tako i optički.“ Ipak, sigurnosni sistemi predstavljaju tek jednu stranu novčića. S druge strane se nalaze uljezi koji će učiniti sve da izbjegnu detekciju. Uljezi iskorištavaju prednosti tame i lošeg vremena kako bi probili perimetar. Termalne kamere mogu u značajnoj mjeri ublažiti ove probleme i u kombinaciji s VCA podići nivo detekcije i ponuditi vrhunske i pouzdane rezultate.

Edukacija o VCA i dalje je potrebna

Kako dolazi do postepene komodifikacije kamera, njihova uloga ključnog faktora u okviru sigurnosnih projekata gubi na važnosti. Videoanalitika ima potencijal da preuzme ovu ulogu od njih, kako za proizvođače tako i za sistem-integratore, i njeno uključivanje u buduće projekte zasigurno će biti izraženije. Uprkos tehnološkom napretku, naprednim algoritmima i kvalitetnim kamerama, korisnici i danas često imaju nerealna očekivanja u odnosu na svoje analitičke sisteme. Ona mogu dovesti do razočarenja, napuštanja rješenja i narušavanja ugleda videoanalitike. Proizvođači i integratori stoga moraju jasno predstaviti njene mogućnosti, uz paralelno kreiranje realistične slike o tome šta analitika može, a šta ne može uraditi.