Verwendung von CCTV-Kameras nicht nur zur Überwachung von Eindringlingen

Die Praxis der Installation von CCTV-Kameras in Städten unter der Schirmherrschaft der Terrorismusbekämpfung und der Kriminalprävention hat sich weltweit verbreitet und gewinnt zunehmend an Bedeutung. Zum Beispiel gab es Anfang 2019 in Moskau mehr als 167.000 Überwachungskameras, obwohl diese Zahl in China oder im Vereinigten Königreich als lächerlich angesehen werden konnte (zum Vergleich: In London gab es 2018 642.000, es gibt keine aktuellen Daten zu Peking im öffentlichen Bereich, aber für Inzwischen sind in ganz China über 176 Millionen Kameras in Betrieb.

Eine solche Anzahl von Objektiven um uns herum ruft unwillkürlich Gedanken von 1984 hervor. Besonders alarmierend wird es, wenn Sie sich daran erinnern, dass die Entwicklung der künstlichen Intelligenz die Videoüberwachung auf ein neues Niveau gebracht hat. Schließlich ermöglicht Deep Learning der KI, ein Objekt im Bild genau von einem anderen zu unterscheiden. Darüber hinaus muss künstliche Intelligenz nicht schlafen, ist nicht abgelenkt und vermisst nichts.



Mit der von Fujitsu GREENAGES City City Surveillance entwickelten Software können Sie beispielsweise mehrere Arten von Objekten gleichzeitig auf dem Kamerabild unterscheiden und verfolgen: Transport, Personen und Objekte. Die darin verwendete KI kann den Zeitpunkt des Auftretens von Objekten im Rahmen, die Anzahl der Objekte verschiedener Typen im Bild, Typ, Marke, Modell und Farbe des Transports, Informationen auf dem Nummernschild, das Erkennen der Gesichter und der Kleidung von Personen usw. berücksichtigen.

Die Überwachung verdächtiger Elemente beschränkt sich jedoch nicht nur auf den Einsatz von Videokameras. Die Fähigkeit der künstlichen Intelligenz, Bilder zu analysieren, eröffnet neue Perspektiven für ihre Verwendung. Sprich für Marktforschung.

Wenn durch die Analyse von Bildern von Videokameras ein bestimmtes Kaufverhalten beispielsweise mit einer Altersgruppe verknüpft wird, wird es in Zukunft möglich sein, die Bedürfnisse der Kunden genauer zu befriedigen. Darüber hinaus ist es mit Hilfe von Deep Learning möglich, die Anzahl der Personen im Bild zu zählen und ihre Bewegungen zu verfolgen. Im Einzelhandel hilft dies, besser zu verstehen, welche Kunden das Geschäft besuchen, und die Bewegungsabläufe innerhalb des Handelsraums zu bestimmen, die zur Optimierung der Verkaufsfläche verwendet werden können.

Die weit verbreitete Verwendung von KI zur Analyse von Kamerabildern wird derzeit jedoch durch zwei Hauptprobleme behindert.


Feige. 1. Der Prozess des Erkennens von KI-Bildern von der Kamera

Betrachten wir zunächst den Prozess der Erkennung des Bildes von der Kamera durch künstliche Intelligenz (Abb. 1). Zuerst nimmt die Kamera das Bild auf und sendet es dann an VMS (Video Management System, voll funktionsfähige Software zur Verwaltung des Videoüberwachungssystems), wo die Aufzeichnungen gespeichert werden, angezeigt usw. werden können. Nachdem die Videodaten auf einen Computer übertragen wurden, der mit einem Grafikprozessor ausgestattet ist, der eine Hochgeschwindigkeitsverarbeitung ermöglicht. In diesem Stadium wird künstliche Intelligenz verwendet, um Bilder zu analysieren. Die Ergebnisse werden dann in Form von Analysedaten angezeigt und anschließend visualisiert. Wie in der Abbildung gezeigt, können die Ergebnisse dieser Analyse in Zukunft direkt in Geschäftsanwendungen verwendet werden.

Damit dieses Schema effektiv funktioniert, müssen die folgenden Probleme gelöst werden: Bereitstellung ausreichender Daten für das Training der KI und Ermöglichung der schnellen Verarbeitung einer großen Datenmenge.

Beginnen wir mit dem ersten. Die Verwendung einer eingehenden Schulung, um beispielsweise das Bild eines Autos zu analysieren, ermöglicht es der KI, nicht nur zu verstehen, dass das Objekt eine Maschine ist, sondern auch den Hersteller und das Modell des Fahrzeugs zu bestimmen. Um jedoch ein genaueres Modell für das Training zu erstellen, ist eine große Menge an Trainingsdaten erforderlich. Bilder von Autos sollten in verschiedenen Winkeln und unter verschiedenen Lichtbedingungen aufgenommen werden. Daher können Millionen von Bildern erforderlich sein, um Fahrzeuge verschiedener Hersteller und Konfigurationen zu identifizieren.

Fujitsu löste das Problem, mithilfe der Simulationstechnologie genügend Daten für das KI-Training zu erhalten. Durch die Modellierung können die Form der Schatten im Bild und andere Parameter geändert werden, wodurch letztendlich die Datenmenge für das Training erhöht wird.

Fujitsu verarbeitet die enorme Datenmenge, die Kameras übertragen (insbesondere wenn sie in hoher Auflösung erfassen), mit der Fujitsu Technical Computing (TC) Cloud, einer Hochleistungs-Computing-Lösung, die GPUs für maschinelles Lernen verwendet. GPUs eignen sich besser zum Erlernen der KI. Dank der Architektur des Kerns ist es für sie einfacher, eine große Anzahl einfacher Aufgaben des gleichen Typs zu bewältigen, und das Erlernen der KI auf GPUs ist viel schneller.

Selbst bei der Lösung des Problems können Grenzberechnungen dazu beitragen, die Datenverarbeitung zwischen Kameras und VMS zu teilen, wodurch letztendlich die Last verringert wird.

Es ist weiterhin wichtig, die kontinuierliche Übertragung von Videodaten während des gesamten Prozesses ihrer Erfassung und Analyse sicherzustellen. Zu diesem Zweck verwendet Fujitsu die Best Practices aus der Zeit, als das Unternehmen an Systemen für Fernsehsender arbeitete.

Beispielsweise ermöglicht eine der Lösungen für den Austausch von Echtzeitvideos (Echtzeit-Videofreigabe vor Ort) eine sichere Videoübertragung auch über nicht die stabilsten mobilen Datenleitungen. Zusätzlich zur Echtzeitkomprimierung und Videoübertragung verfügt es über eine eigene Technologie zur Steuerung der Videoübertragung, die eine stabile Übertragung auch bei schlechtem Empfang und geringer Bandbreite gewährleistet. Mit dieser Technologie ist es beispielsweise möglich, Bilder von in Fahrzeugen installierten Kameras in Echtzeit zu senden, einschließlich von Kameras mit einem Aufnahmewinkel von 360 °, die viel mehr Informationen übertragen.

Wo sonst können Sie die Datenanalyse von Bildern von Videokameras verwenden? In Abb. 2 und Abb. Abbildung 3 zeigt die Einsatzmöglichkeiten von GREENAGES Citywide Surveillance an Flughäfen und Einkaufszentren.


Feige. 2. Mögliche Anwendungen GRÜNEN Stadtweite Überwachung am Flughafen in


Abb. 3. Möglichkeiten der Anwendung von GREENAGES Citywide Surveillance in einem Einkaufszentrum

Die Ergebnisse der Analyse von Kamerabildern werden in drei Hauptbereichen verwendet: erstens Sicherheit, dann Marktforschung und schließlich Verbesserung des Kundenservice.

Wie wir bereits herausgefunden haben, können Sie mithilfe der AI-basierten Analyse Automodelle und Nummernschilder erkennen. So können Sie verfolgen, welche Automodelle und zu welcher Zeit sie bestimmte Tankstellen besuchen, ihre Anzahl bestimmen und Daten mit dem Verhalten von Kunden in Geschäften und Cafés an Tankstellen verknüpfen, wodurch die Tankstellenbetreiber den Gewinn aus dem Verkauf verwandter Produkte steigern können.


Feige. 4. Analyse von Bildern von Kameras an einer Tankstelle und einem angrenzenden Café

In Abb. 4 Sie können ein Beispiel für eine solche Analyse sehen. Es wurde festgestellt, dass am späten Abend die meisten Autos die Tankstelle besuchen. Gleichzeitig hatte eine große Anzahl von Autos keinen Einfluss auf die Zunahme der Cafébesuche während des Betankens. Den Ergebnissen der Studie zufolge wurde vorgeschlagen, das Abendmenü zu diversifizieren und das Café selbst zusätzlich für Tankstellenbesucher zu bewerben, um die Besucherzahlen zu erhöhen.

Wir können diese Technologien auch auf Food Courts in Einkaufszentren einsetzen. Zum Beispiel ist es einfach, künstliche Intelligenz zu lehren, um eine sitzende Person von einer stehenden Person zu unterscheiden (Abb. 5). Folglich können wir berechnen, wie lange Besucher an Tischen sitzen, wie viele Plätze belegt sind usw.

Da sich mobile Bestellsysteme auf Food Courts immer mehr verbreiten (wenn ein Besucher im Voraus über sein Smartphone bestellt), warnt die KI bei Warteschlangen davor und die Bestellanwendung zeigt eine Benachrichtigung für Kunden an, die alternative Optionen anbieten. Wenn sich das Layout des Food Court ändert, ermittelt die KI außerdem automatisch die neue Position der Sitze. Die Bestimmung der maximalen Überlastung hilft, im Voraus über die optimale Konfiguration der Sitzplätze in Abhängigkeit von der Anzahl der Besucher in einem bestimmten Zeitraum nachzudenken.


Feige. 5. Analyse von Bildern von Kameras auf dem Food Court des Einkaufszentrums

Wie wir sehen können, hat die Analyse von Bildern von AI-basierten Kameras bereits das Stadium erreicht, in dem nicht nur verdächtige Personen oder Objekte, sondern auch Marktforschungen und Projekte verfolgt werden können. In Zukunft wird eine solche Analyse verwendet, um eine Vielzahl von Problemen zu lösen, unser Leben sicherer und komfortabler zu gestalten oder um beispielsweise Kunden bei Einkäufen zu helfen, Corporate-Governance-Praktiken zu optimieren usw. Trotzdem ist Big Brother nicht so beängstigend, wie wir früher an ihn gedacht haben.

Source: https://habr.com/ru/post/undefined/