Периферийная аналитика – перспективные инвестиции в видеонаблюдение

Аватар

Периферийная, или граничная, аналитика в видеонаблюдении – довольно известная сегодня тенденция, означающая – в своей простейшей форме – всё более мощную видеоаналитику, производимую на «границе» сети, то есть в самой камере. Как и в случае с любой новой технологией, которая имеет значительный потенциал, отрасль с энтузиазмом ухватилась за эту концепцию. И неудивительно, если принять во внимание ряд очевидных преимуществ граничной аналитики по сравнению с аналитикой на сервере.

Аналитика, реализуемая на границе сети, означает, что камера должна передавать оператору только полезные данные. И наоборот, выполняемая на сервере аналитика требует, чтобы все данные с камеры передавались для анализа в центр обработки данных, что вызывает гораздо большую потребность в дорогостоящих каналах связи для обеспечения широкой полосы пропускания. Кроме того, анализ видео внутри камеры, как можно ближе к месту его фиксации, означает, что просматриваемые изображения останутся максимально возможного качества: без ухудшения, которое может произойти из-за сжатия изображений перед передачей (как бы иронично это ни звучало – так часто делают в попытках избавиться от первой проблемы).

Но восторженное принятие новой технологической терминологии может вызвать опасные последствия: модными словами часто злоупотребляют или используют неправильно, что приводит к ограниченному или неточному их пониманию. В некоторой степени это относится и к граничной аналитике. Ее понимание сегодня не то чтобы неточное, но определенно неполное. Опасен и хайп вокруг новой темы. Люди настороженно относятся ко всему, что, по их мнению, чрезмерно продвигается, и это может повлиять на адаптацию ценных новых технологий.

Рискуя показаться соучастником этого хайпа, я выскажу убеждение в том, что периферийная аналитика приведет к важным преобразованиям – но по причинам, выходящим за рамки многих обсуждаемых сегодня сценариев. Я также уверен, что даже тем компаниям, которые сегодня не видят веских причин инвестировать в камеры видеонаблюдения с периферийной аналитикой, необходимо будет задуматься об этом, чтобы не упустить возможность перспективных инвестиций.

Понимание периферийной аналитики сегодня – потенциал на завтра

Центральным элементом граничной аналитики на основе глубокого обучения является более точное распознавание объектов. Например, в системах управления трафиком (более подробно о ней говорится в этой статье) одна из проблем традиционной аналитики – количество ложных срабатываний: допустим, камеры ошибочно принимают лужи или тени за стоящие на шоссе автомобили и генерируют ложные тревожные сигналы.

Более точная пограничная аналитика не только значительно снижает количество ложных тревог, но и продвигается гораздо дальше – дает возможность различать разные типы объектов. Возвращаясь к теме транспорта: грузовики, автобусы, автомобили и мотоциклы могут быть отдельно идентифицированы. Это намного повышает эффективность управления дорожным движением и открывает новые возможности.

Подобные применения, безусловно, полезны, они лишь поверхностно раскрывают потенциал периферийной аналитики. Сегодняшние сценарии по-прежнему в большинстве сосредоточены на том, что мы называем «аналитикой сцены»: на просмотре конкретной сцены в реальном времени, анализе происходящего и реагировании с помощью предупреждений или автоматических действий (например, предупреждение о дорожных знаках или контроль трафика).

Однако потенциал будущего – в том, что именно пограничная аналитика может делать с записями и отдельными кадрами, полученными видеокамерой.

Абстракция данных в видеонаблюдении

С традиционной парадигмой видеонаблюдения хорошо знакомы даже те, кто не очень сильно разбирается в нашей отрасли – по крайней мере, по фильмам и телешоу. Живое и/или записанное видео с камер наблюдения просматривается операторами. Иногда они останавливают кадр или увеличивают масштаб, чтобы лучше рассмотреть. Но они всегда просматривают изображение.

Разумеется, у компьютеров нет глаз, и чтобы видеоинформация могла просматриваться и анализироваться машинами (хоть на борту камеры, хоть на сервере), ее необходимо преобразовать в данные. Понятие абстракции данных связано с сокращением объема данных до упрощенного представления целого. Камера видеонаблюдения, оснащенная периферийной аналитикой, не распознает автомобиль так же, как мы, – а скорее воспринимает основные характеристики автомобиля как данные.

А пограничная аналитика не только превращает видеоинформацию в данные (что в основном используется в аналитике сцен), но и создает метаданные.

Метаданные – это, по сути, данные о данных (примите это благосклонно). Если такое толкование сбивает с толку, то вот более наглядный пример: возьмите мобильный телефон и откройте сделанную вами фотографию. Так же, как и пограничная аналитика, вы будете распознавать объекты на этом изображении: дом, зеленую машину, человека. Но изображение также будет содержать метаданные, которые вы сможете найти, открыв параметры снимка – они могут сообщать вам время и дату, когда была сделана фотография, местоположение, выдержку камеры и многое другое.

Благодаря использованию и данных, и метаданных эффективность анализа огромных объемов информации возрастает в геометрической прогрессии. Развертывая наш пример – у меня на телефоне буквально тысячи фотографий, и найти конкретную может быть очень нелегко. Но если бы я стал искать фото с синей лодкой, сделанное в Греции днем, я бы, вероятно, нашел этот снимок из отпуска гораздо быстрее.

Раскрываем суть неведения о том, чего мы не знаем

Комбинация данных и метаданных, созданная пограничной аналитикой, может быть чрезвычайно полезной для анализа огромных объемов информации, собираемой долгое время. Она помогает  организациям получить представление о тех сферах интересов, которые можно обозначить как «знать то, чего не знаешь».

Например, у нас есть запросы: «сколько раз машины блокировали автобусные полосы за последний месяц?» или «сколько в среднем людей вошло на эту станцию метро с 7:00 до 9:00 утра в будний день?» Можно не знать ответа, но знать, что искать.

Хотя такая способность в очередной раз говорит о преимуществах периферийной аналитики, возможно, наибольшую ценность принесут «неведомые неизвестные», когда аналитика начнет приносить понимание в тех случаях, когда вы не знаете, что искать.

Машины – особенно все более умные устройства, использующие глубокое обучение – проявляют отличные способности в распознавании закономерностей и выявлении в них аномалий. Чем больше данных им приходится анализировать, тем точнее становятся их прогнозы, что приводит к более быстрому и точному решению проблемы (например, в таких областях, как медицина).

В этом и заключается истинный потенциал пограничной аналитики в видеонаблюдении: анализ огромных объемов данных, накопленных за большое время времени, ведущий к выявлению закономерностей и их аномалий и содействующий пока еще непредсказуемым улучшениям в области безопасности, защиты, предоставления услуг и эффективности, оптимизации процессов. Этот список можно продолжать.

Возможности для первопроходцев

Кое-что из этого может показаться научной фантастикой. Граничная аналитика только зарождается, и есть соблазн просто подождать, чтобы увидеть, как всё будет развиваться. Но, как говорилось выше, вся ценность периферийной аналитики (или большая часть) может быть осознана не сразу, но определенно проявится со временем.

Соответственно, потенциальные преимущества самой пограничной аналитики для любой организации сейчас – «неведомое неизвестное». Но я уверен, что если организация не начнет использовать периферийную аналитику, она никогда не осознает ее преимуществ. Пришло время прощупывать почву и делать первые шаги.

Узнайте больше об искусственном интеллекте в периферийных вычислениях и возможностях видеонаблюдения.

Узнать бoльше