Видеоаналитика не для всех. Реальный потенциал и завышенные ожидания

ВИДЕОНАБЛЮДЕНИЕ В КОНТЕКСТЕ ИНТЕРНЕТА ВЕЩЕЙ

В 2014 году объем продаж сетевых IP-видеокамер для организации видеонаблюдения впервые превысил аналогичный показатель для традиционных аналоговых камер. Несмотря на появление таких технологий, как аналоговое видео высокой четкости (Analog High Definition, AHD), нет никаких сомнений в том, что использование IP-камер для целей видеонаблюдения будет расширяться благодаря их широким возможностям, которые отнюдь не ограничиваются лучшим видеоразрешением. Более того, их полезность может многократно возрасти за счет интеграции с другими IP-устройствами обеспечения безопасности в рамках реализации концепции Интернета вещей.

Как утверждают в Axis, компания выпустила первое устройство для Интернета вещей в 1996 году, когда такого понятия еще не существовало, — это была сетевая камера для видеонаблюдения. За прошедшие с тех пор 20 лет такие устройства стали гораздо более эффективными, причем не только из-за улучшения качества изображения, но и благодаря возможности его обработки непосредственно на камере — от детектирования движения до распознавания автомобильных номеров. За счет повышения вычислительной мощности, видеокамеры способны самостоятельно обрабатывать информацию и принимать решения, если заданы сценарии поведения. Сколь бы ни было привлекательно расширение функциональности отдельных устройств, их совместная работа позволит решать более серьезные задачи.

В рамках IoT камеры могут обмениваться данными и принимать решения без участия посредника (центрального компьютера — сервера). Так, например, несколько камер, объединенных в сеть, могут «вести» подозрительное лицо или объект: когда он выходит из сектора обзора одной, наблюдение за ним продолжает следующая. Другой возможный сценарий — взятие под контроль соседнего сектора, когда какая-либо камера оказывается тем или иным образом ослеплена или повреждена (для этого устройство должно быть оснащено датчиком стороннего вмешательства). Кроме того, камера сама отправит сигнал тревоги охраннику, чтобы он обратил внимание на сложившуюся ситуацию.

По мере того как вместо прежних аналоговых устройств будет использоваться все больше устройств безопасности с поддержкой IP, IoT позволит реализовать комбинированные решения, объединяющие прежде разрозненные устройства: камеры видеонаблюдения, детекторы дыма, устройства доступа, громкоговорители и др. Axis выпустила целый ряд устройств безопасности с поддержкой IP, включая громкоговорители, сетевой видеодомофон и устройство контроля доступа. Взаимодействие устройств между собой позволит составить более полную картину происходящего на контролируемом объекте.

В своем выступлении на форуме «Бизнес-Видео» Алексей Майоров, менеджер по работе с ключевыми клиентами компании Axis, представил следующий возможный сценарий совместного использования различных устройств для охраны периметра. При возникновении внештатной ситуации — пересечении охраняемого периметра потенциальным злоумышленником в ночное время — тепловизионная камера, которая его засекла, отправляет сигнал поворотной камере, после получения которого та должна развернуться в указанном направлении. Автоматически отправляется оповещение на мобильное устройство или рабочее место оператора. Одновременно через громкоговоритель транслируется звуковое предупреждение о том, что постороннему необходимо покинуть территорию. Как свидетельствуют данные alarm.org, таким образом удается предотвратить до трех четвертей (74%) всех незавершенных вторжений. В этой схеме нет никакого компьютера — устройства общаются только между собой.

Как и в случае облаков, главная проблема для Интернета вещей (и препятствие на пути его распространения) — сомнения относительно достаточной защищенности решения, что особенно актуально, когда эта концепция применяется непосредственно для решения задач обеспечения безопасности. Как отмечает Алексей Майоров, взломать камеру значительно сложнее, чем компьютер, — у нее меньше интерфейсов, меньше возможностей доступа, более высокая степень защиты. Если раньше системы безопасности на устройствах были разрозненными, то сейчас необходимо создать единую платформу безопасности (референсную архитектуру). Для создания такой архитектуры свои усилия объединили компании Axis, Avaya, EMC и Genetec. Стандарты будут едиными для всей цепочки передачи и обработки видео, начиная от камер и заканчивая хранилищами.

Что же ожидает нас в области видеонаблюдения в контексте Интернета вещей? Алексей Майоров дал следующий прогноз. С ростом вычислительных возможностей камеры будут становиться все более интеллектуальными, а выполняемые ими функции, соответственно, все более сложными и затратными. Многие из тех задач, которые сейчас решаются на сервере, станут выполняться на камере — в некоторых уже реализованных проектах даже выполнение простейшего детектирования движения позволило сократить количество серверов до четырех раз. Все больше записей будет храниться непосредственно на камере, особенно с появлением терабайтных флеш-накопителей. Благодаря расширению функциональных и ресурсных возможностей камер, сценарии их использования станут гораздо более разнообразными, тем более что сейчас даже невозможно представить, какие еще устройства появятся и как они будут взаимодействовать между собой.

В рамках IoT камеры будут взаимодействовать между собой и с другими устройствами при принятии решений без участия посредника. На диаграмме представлена схема взаимодействия тепловизора, видеокамеры и громкоговорителя при пересечении нарушителем охраняемого периметра

ВИДЕОАНАЛИТИКА В РЕТЕЙЛЕ

Улучшение характеристик камер видеонаблюдения, и прежде всего качества получаемого изображения, позволило использовать снимаемое видео для дальнейшего анализа. В результате спектр задач, для которых могут применяться IP-камеры, значительно расширился и вышел за пределы изначальной сферы их применения для обеспечения физической безопасности. Как отмечалось в предыдущем разделе, все больше функций видеоаналитики выполняется на камерах, однако, как правило, эта поддержка ограничивается самыми простыми типовыми задачами. Для выполнения же более сложных и нестандартных требуются весьма значительные вычислительные мощности и ресурсы хранения и, как следствие, специальное серверное программное обеспечение.

Одной из наиболее перспективных областей применения видеоаналитики является розничная торговля. По прогнозу Transparency Market Research, спрос на нее будет расти более быстрыми темпами, чем на все другие виды видеоаналитики, в том числе задействованные в промышленных приложениях. В ретейле видеоаналитика может использоваться для решения таких задач, как предоставление персонализированного сервиса в рамках программ лояльности, анализ клиентуры магазина и определение конверсии (доли посетителей, сделавших покупки), исследование поведения покупателей с целью оптимизации размещения товаров, борьба с воровством и т. д.

Как отметил в своем выступлении Алексей Кадейшвили, технический директор компании «Вокорд», применение видеоаналитики в бизнесе проще обосновать — отдача видна сразу. Такая ситуация резко контрастирует с той, что характерна для использования видеонаблюдения в целях безопасности, из-за чего обосновывать необходимость инвестиций довольно сложно (см. также врезку ««Слепые» видеокамеры»).

Самая типичная задача — подсчет посетителей. Определили, сколько людей вошло в магазин и сколько дошли до касс, — получили коэффициент конверсии. Дальше можно отслеживать, как этот показатель меняется во времени. Решение достаточно простое: на потолок вешается камера, и покупатели считаются «по головам». Однако видеоаналитика может использоваться и для решения куда более сложных задач, с которыми не удается эффективно справиться другими средствами.

Предприятиям розничной торговли нужна информация о том, что и как человек делает в магазине, сколько времени проводит у того или иного прилавка, как перемещается между отделами. В идеале хотелось бы идентифицировать этого покупателя, когда он оплачивает покупки. Видеоаналитика на базе распознавания лиц такую задачу позволяет решить. «Например, фото лица человека можно привязать к карте программы лояльности и при предъявлении карты на кассе все его перемещения по магазину связать в единую траекторию, чтобы затем проанализировать, — объясняет Алексей Кадейшвили. — Эти вопросы обычно возникают у маркетологов, и на них мы можем ответить с помощью системы распознавания лиц».

Дополнительный бонус от реализации систем видеонаблюдения и видеоаналитики состоит в создании эффективной системы безопасности. Розничным сетям приходится постоянно бороться с мелкими хищениями, и применение системы распознавания лиц может быть крайне выгодно. По словам Алексея Кадейшвили, она особенно полезна в магазинах, где наблюдается систематическое воровство. Воры делятся на две категории: любители, отличающиеся спонтанным поведением, и профессионалы, которые крадут систематически, причем делают это в составе устойчивых групп.

Система распознавания лиц позволяет выявлять такие группы и эффективно с ними бороться. Она фиксирует лица всех входящих в помещение. Потом в автоматическом режиме позволяет установить, что одни и те же люди регулярно находятся в магазине в одно и то же время, даже если заходят в него порознь. Если информация о них будет занесена в базу данных сетевого ретейлера, при их появлении в любом магазине сети сработает сигнал тревоги.

Для выявления лиц из черного списка системе распознавания лиц компании «Вокорд» требуются всего 1–2 сек, что позволяет розничным сетям эффективно бороться с воровством в магазинах

ВИДЕОАНАЛИТИКА НЕ ДЛЯ ВСЕХ

Помимо розничной торговли, видеоаналитика широко используется в промышленных приложениях. Согласно оценке Transparency Market Research, в 2014 году рынок решений в области машинного зрения составил 15,7 млрд долларов, а к 2012 году он должен вырасти почти в два раза — до 28,5 млрд долларов. Технологии машинного зрения на производстве используются для выявления дефектов, проверки качества, измерения компонентов и мониторинга допусков. Увеличению спроса на такие решения способствует повсеместная автоматизация производства, поскольку компьютеризированные системы способны выполнять измерения и анализ более точно, чем неавтоматизированные.

Среди сдерживающих факторов развития этого рынка аналитики отмечают нехватку операторов, обладающих необходимыми навыками, и отсутствие стандартов в области обеспечения совместимости различных используемых устройств. Еще на одно потенциальное препятствие для разработки таких решений указал Артем Разумков, генеральный директор Macroscop: «Системы видеонаблюдения были изобретены для обеспечения безопасности. Каким бы ни был [охраняемый] объект, эти задачи одинаковы, будь то офис, гостиница или магазины. Однажды разработанные технологии и решения могут применяться на миллионах объектов. Производство же все разное, причем совсем разное — на каждом существует свой производственный процесс. В результате задачи автоматизации производственных процессов с помощью видео-наблюдения настолько различны, что для решения каждой из них необходима уникальная разработка — стандартными инструментами этого не сделать».

В ретейле системы видеонаблюдения позволяют эффективно решать более сложные задачи, чем при обеспечении безопасности: перемещение покупателей, подсчет посетителей, оценка длины очереди. Однако, где бы это ни делалось, все происходит одинаково, важно лишь соблюсти набор условий, чтобы получить результат с заданной точностью. Если задачи по обеспечению безопасности одинаковы и не зависят от типа объектов, как и анализ для ретейла, то на производстве возникает множество специфичных требований. В качестве примеров Артем Разумков приводит запросы на разработку видеоаналитики для распознавания отломившегося зубца экскаватора (компания занимается разработкой карьеров), определения количества бутылок в палете, обнаружения больших камней и посторонних предметов на ленте транспортера.

Безусловно, подобные заказные разработки будут стоить совсем недешево. Если модуль подсчета посетителей потенциально востребован на десятках тысяч объектов, значит, его можно продать не очень дорого. А алгоритм для распознавания отломившегося зубца экскаватора вряд ли понадобится кому-то еще, поэтому все инвестиции должны быть оплачены конкретным заказчиком. Артем Разумков видит только два пути выхода из этой ситуации: не применять технологии развитого видеоанализа для производственных процессов и продолжать решать те же задачи с помощью низкоквалифицированной рабочей силы либо платить за разработку очень большие деньги, что может быть оправдано лишь при реализации крупных проектов. (В принципе, возможен и третий путь — проявить смекалку, использовать стандартный модуль нестандартным способом.)

Впрочем, как указывает Алексей Кадейшвили, в каждой отрасли промышленности можно выделить свой класс типовых задач. Например, при производстве микроэлектроники технологии машинного зрения используются для контроля микросхем и компонентов, таких как сопротивления и конденсаторы, в автомобильной отрасли — для осмотра окрашенных поверхностей, контроля качества сварки и проверки двигательного блока. Соответственно, проблема ему видится в другом: «Экономика у нас такого размера, что заказчик находится только один и трудно что-нибудь масштабировать — решение получается либо плохим, либо очень дорогим». По мере выхода из кризиса, надеется он, с появлением типовых задач массового спроса для автоматизации производства появится и достаточное количество тех, кто станет их решать.

ОЖИДАНИЯ НАЧИНАЮТ ОПРАВДЫВАТЬСЯ?

Распространение IP-камер создало предпосылки для развития видеоаналитики. Однако завышенные ожидания в отношении возможности решения всех задач видеомониторинга и способности анализировать сцену с той же эффективностью, что и человек, пошли скорее во вред развитию этой технологии. Как рассказал Алексей Кадейшвили в ходе проведения круглого стола по проблемам видеоаналитики, в начале 2000-х годов активно пропагандировалась тема распознавания лиц — все понимали, что эта функция нужна в системах безопасности, но в силу объективных причин реальные решения работали очень плохо. В результате на какое-то время об этой теме забыли, и если в середине 2000-х кто-то упоминал про распознавание лиц, его поднимали на смех — отношение было такое же, как к продукции компании Herbalife. И только в последние годы удалось реанимировать это направление и вернуть к нему доверие, поскольку технологии позволили получать желаемый результат (см. материал Александра Барскова «Видеоинтеллект востребован» в мартовском номере «Журнала сетевых решений/LAN» за 2016 год).

По мнению Артема Разумкова, развитие видеоаналитики сдерживается отсутствием однотипных повторяемых задач. Для каких-то прикладных областей удалось выделить такую общую задачу — распознавание лиц. За нее взялись много команд разработчиков, и в результате появилось реально работающее решение. Но, чтобы продвинуться дальше, нужна еще большая критическая масса — еще хотя бы одна четко сформулированная типовая задача, на которую будет запрос от миллионов клиентов. «При обсуждении с разработчиками недостатков того или иного алгоритма часто приходится слышать такое объяснение: если бы [у нашего продукта] был миллион пользователей и они присылали бы нам претензии каждый день по 50 штук, мы бы точно довели его до ума».

Как отметил Алексей Майоров, видеоаналитика успешно справляется с простыми повторяющимися задачами, для которых предусмотрены все возможные сценарии, например с подсчетом посетителей. По его мнению, главный сдерживающий фактор для ее широкого распространения — отсутствие обучаемости алгоритмов, поскольку предусмотреть все сценарии, например, при выявлении оставленных предметов, невозможно. В принципе, для конкретного помещения в течение дня-двух аналитическую систему можно настроить таким образом, чтобы ложных срабатываний на оставленные предметы было немного. Но проблема в том, что камер сотни тысяч, если не миллионы, и предусмотреть все возможные ситуации очень сложно. Если аналитика на камере или сервере начнет обучаться и понимать, когда предмет был оставлен специально, то со временем ложные срабатывания удастся убрать и это будет прорывом, но пока таких алгоритмов нет.

Трудно предсказать, когда случится прорыв в той или иной технологической области. Однако даже без революционных переворотов уже удается добиться качественных улучшений — за счет последовательного инкрементального совершенствования технологии, как в случае распознавания лиц, которое теперь осуществляется с такой же точностью, как это делает человек. Видеоаналитика становится пригодна для решения все более сложных практических задач. Соответствующие современные приложения выполняют двойную функцию: во-первых, они выявляют критическую информацию, относящуюся к сфере безопасности, а во-вторых, предоставляют данные для бизнес-аналитики и оптимизации ресурсов. Дальнейшее развитие этого направления будет связано с высокоуровневой интеграцией аналитических инструментов с другими системами, такими как автоматизация зданий, аудиовизуальные системы и ИТ-инфраструктура, с целью корреляции информации из разных источников для получения взаимосвязанной картины событий.

Потенциал развития видеоаналитики огромен и ограничен только воображением и креативностью тех, кто использует эти решения и разрабатывает необходимые алгоритмы.

Дмитрий Ганьжа — главный редактор «Журнала сетевых решений/LAN». С ним можно связаться по адресу: diga@lanmag.ru.