A videó rendszerek rohamos fejlődésével nem csak az alkalmazási területek, hanem a rendszerekkel kapcsolatos igények, elvárások is jelentősen növekedtek. Az IP videó rendszerek és multi megapixel kamerák elterjedésével a rendszerek egyre jobb minőségűek, könnyebben kezelhetőek lettek és bárhonnan bármikor elérhetővé váltak. Egy dolog azonban sokáig nem változott: a kamerákat figyelő biztonsági személyzet nélkül a nem kívánt események bekövetkezése aligha volt megakadályozható. A kamerák ugyan fáradhatatlanul figyelnek és rögzítik az eseményeket, de tulajdonképpen vakok, ha valaki nem nézi éppen a képeket és nem hoz döntéseket. Az emberi agy viszonylag rövid ideig (10-15 perc) képes koncentrálni a kameraképekre, ezután a gyanús események 90-95%-át nem képes észlelni. A fenti problémák megoldására kezdték el fejleszteni azokat a videó analitikai (VCA-Video Content Analysis) megoldásokat, melyek a megfigyelő személyzet szerepét hivatottak átvenni több-kevesebb sikerrel.
A videó analitikai rendszerek sokféle forrásból beszerezhetők. Tipikus példa a kamerákba, vagy videó menedzsment szoftverekbe eleve beépített, vagy opcionálisan rendelhető analitikák. Gondoljunk például az egyszerű mozgásérzékelésekre, vagy akár rendszámfelismerő megoldásokra, melyek egyféle videó analitikai megoldások. Több videó rendszert gyártó nem foglalkozik analitikai rendszerek fejlesztésével inkább erre specializálódott harmadik fél jól bevált termékeit integrálja rendszereibe.
A gyakorlatban alkalmazott videó analitikák fontosabb fajtái a következők:
- Dinamikus maszkolás: például a területen mozgó személyek arcának, gépjárművek rendszámának kitakarása, a személyiségi jogok tiszteletben tartása érdekében.
- Mozgásérzékelés: a megfigyelt területen észlelt változások, mozgások detektálása.
- Objektum detektálás: a megfigyelt területen lévő tárgyak, személyek detektálása (ember, autó, állat, csomag), elvitt vagy otthagyott tárgyak felismerése.
- Felismerési analitikák: arcfelismerés, rendszámfelismerés.
- Manipulálás, babrálás detektálás: ha a kamerát elmozdítják, letakarják, lefújják, vagy a kamera képet egyéb módon manipulálják.
- Videó tracking (követés): egy mozgó objektum, tárgy, személy követése kamera segítségével.
A videó analitikai rendszerek két alapvető technológiára épülnek:
- Mozgásérzékelés (Video Motion Detection)
- Minta felismerés (Video Pattern Recognition)
A széles körben használt egyszerű mozgásérzékelés (VMD) a kamera képek pixel változását értékeli (Frame Differencing). A feldolgozó processzor a kép minden egyes pixelét összehasonlítja az megelőző kép pixeleivel és így a legkisebb változást is érzékelni tudja. A mozgásérzékelés paraméterei a felhasználó által beállíthatók, például ha a változás egy megadott területen átlép egy megadott küszöböt, akkor riasztási eseményt generál. Manapság ez a nagyon egyszerű algoritmus szinte minden videó menedzsment szoftverbe és kamerába be is van építve. A fejlettebb mozgásérzékelési algoritmusok (Advanced VMD) már a kép hátterét is figyelembe veszik és csak az előtérben megjelenő mozgásokra figyelnek (Background Modelling).
A legfejlettebb analitikák minta felismerési algoritmusai képesek a különböző objektumokat (összetartozó pixel csoportokat) megkülönböztetni a képeken. A megkülönböztetett minták, objektumok felismerése esetén programozható, hogy mi történjen. Például ha az objektum eltűnik, vagy nagy sebességgel mozog akkor a szoftver riasztást generál.
Forrás: Avigilon (VideoIQ)
A fenti ábra a technológiák közötti alapvető különbségeket érzékelteti:
- Egyszerű mozgásérzékelés: minden változás az előző képhez képest fontos.
- Továbbfejlesztett mozgásérzékelés: minden változás a háttérhez képes fontos.
- Továbbfejlesztett mintaérzékelés: minden ismert minta (objektum) változása fontos.
Már az egyszerű mozgásérzékelés alkalmazásával is nagyszerű eredményeket érhetünk el: a kamerák képeit csak akkor kell rögzíteni illetve nagy felbontásban megjeleníteni, ha az algoritmus a beállított paramétereknek megfelelő pixel változásokat észlel. Ezzel a módszerrel jelentősen, akár felére, harmadára lehetett csökkenteni a videók tárolásához szükséges diszk területeteket, illetve az igényelt hálózati sávszélességet is. Az egyszerű mozgásérzékelési algoritmusok ugyanakkor nem ismerik fel a pixelek közötti összefüggéseket, nem alkalmasak a legelemibb objektumok (ember, állat, jármű, stb.) azonosítására. Egy egyszerű mozgásérzékelésre alapozott riasztási módszer rengeteg téves riasztást generál így bár segítheti a kezelő munkáját, de feladatát nem válthatja ki.
A továbbfejlesztett mozgásérzékelési algoritmusok közös lényege, hogy az elfogadható működéshez a kamerákat és az algoritmus paramétereit kalibrálni kell. A kalibráció kapcsán meg kell adnunk a kamera helyzetét, látószögét, a megfigyelt terület méreteit, az embernek vagy járműnek tekinthető objektumok magasságát szélességét stb. Ez egy meglehetősen macerás művelet és minden esetben meg kell ismételni, ha a környezet (háttér) megváltozik. Betesznek egy új asztalt, pultot, a helyiségbe, vagy leparkoltak egy elhagyott gépjárművet a területen, leesett a hó, kivirágoztak a fák, stb.). Ezek az algoritmusok még mindig nem azonosítják az objektumokat, úgy mint ember, állat vagy jármű, de a méretük alapján eldöntik, hogy ezek mozgását a háttérképhez képest figyelembe vegyék-e vagy sem. A fejlettebb mozgásérzékelési analitikák már nagyobb mértékben segítik a biztonsági személyzet munkáját, de még mindig nagy szükség van az emberi kontrollra: a kívánatosnál még mindig több téves riasztás közül a kezelőnek kell kiválasztani a tényleges beavatkozást igénylő eseményeket.
A fenti képen egy egyszerű kalibrálási folyamat látható: meg kell adnunk a kamera magasságát, dőlésszögét, az optika látószögét és a képen az észlelt objektumok méretét….
A továbbfejlesztett minta (Advanced Pattern Detection) alapú videó analitikák legnagyobb elismerésnek örvendő képviselője a VideoIQ (Avigilon) cég. Az adaptív videó analitikával felvértezett termékek az öntanulási folyamatnak köszönhetően semmilyen kalibrálást nem igényelnek, így használatuk egyszerű. A meglehetősen fejlett objektum azonosítási algoritmus, több százezer -adatbázisban tárolt-minta alapján el tudja dönteni a detektált objektum típusát: ember, autó, állat, stb. Az öntanulási folyamat pedig az adott környezetre szabja ezeket a felismeréseket, folyamatosan bővítve és módosítva a minták adatbázisát. Az ilyen analitikával felszerelt, jól megtervezett rendszer rendkívül kevés téves riasztást generál így kiválóan alkalmas távoli elhagyott helyeken lévő objektumok védelmére, az élőerős védelem, és a megfigyelő személyzet létszámának drasztikus csökkentésére is.
A fejlett videó analitikai rendszerek és hőkamerák együttes alkalmazása pedig eddig elképzelhetetlen biztonsági megoldásokat nyújt nagyobb területek hatékony és költség takarékos védelmére. A hőkamerák ideális eszközök a megbízható analitikai rendszerek kialakításra, mert nem érzékenyek a fény és időjárás viszonyokra, sötétben, hóesésben, ködben, füstben is ugyanúgy látnak, hatótávolságuk pedig akár több száz méter is lehet.
Az alábbi képen egy elektromos elosztó bázis kerítésvédelmét láthatjuk mindössze 4 db hőkamerával.
Forrás: Flir-Avigilon (VideoIQ)
Az alábbiakban pedig területvédelemre láthatunk egy szemléletes megoldást összesen két kamerával:
Forrás: Flir-Avigilon (VideoIQ)
Az Avigilon 2014 elején felvásárolta a VideoIQ céget, a képviselt technológiát, eszközöket az Avigilon portfóliójába illesztette. Az Avigilon 2014 végén forgalomba kerülő egyes kamerái már a legmodernebb videó analitikai detektorokkal is el lesznek látva. A Rialto elnevezésű videó analitikai eszközök – az Avigilon kínálatában- továbbra is elérhetők és támogatottak, sőt a most megjelent ACC (Avigilon Control Center) videó menedzsment szoftver 5.4 verziójában szorosan integráltak is.
A CNS Digitál Média Kft. az Avigilon videó rendszerek minősített szakértője és integrátora. További információkért, ajánlatokért kérjük, vegye fel velünk a kapcsolatot!