Cómo usar cámaras CCTV no solo para monitorear intrusos

La práctica de instalar cámaras de CCTV en ciudades bajo los auspicios de la lucha contra el terrorismo y la prevención del delito se ha extendido a nivel mundial y está ganando impulso. Por ejemplo, a principios de 2019 en Moscú había más de 167 mil cámaras de seguridad, aunque en China o el Reino Unido esta cifra podría considerarse ridícula (en comparación, en Londres en 2018 había 642 mil, no hay datos actualizados sobre Beijing en el dominio público, pero para Más de 176 millones de cámaras están funcionando en toda China).

Tal cantidad de lentes a nuestro alrededor evoca involuntariamente pensamientos de 1984. Se vuelve especialmente alarmante cuando recuerdas que el desarrollo de la inteligencia artificial ha llevado la videovigilancia a un nuevo nivel. Después de todo, el aprendizaje profundo permite a la IA distinguir con precisión un objeto de otro en la imagen. Además, la inteligencia artificial no necesita dormir, no se distrae y no se pierde nada.



Por ejemplo, desarrollado por el software Fujitsu GREENAGES Citywide Surveillance le permite distinguir y rastrear simultáneamente varios tipos de objetos en la imagen de la cámara a la vez: transporte, personas y objetos. La IA utilizada en él puede tener en cuenta el tiempo de aparición de objetos en el marco, el número de objetos de diferentes tipos en la imagen, tipo, marca, modelo y color de transporte, información en la placa, reconocer las caras y la ropa de las personas, etc.

Pero no solo la vigilancia de elementos sospechosos se limita al uso de cámaras de video. La capacidad de la inteligencia artificial para analizar imágenes abre nuevas perspectivas para su uso. Decir para la investigación de mercado.

Si, a través del análisis de imágenes de cámaras de video, se vincula un cierto comportamiento de compra, por ejemplo, con cualquier grupo de edad, entonces en el futuro será posible satisfacer con mayor precisión las necesidades de los clientes. Además, con la ayuda del aprendizaje profundo, es posible contar el número de personas en la imagen y seguir sus movimientos. En el comercio minorista, esto ayudará a comprender mejor qué clientes visitan la tienda, para determinar las rutas de sus movimientos dentro del piso comercial, que pueden utilizarse para optimizar el espacio comercial.

Pero el uso generalizado de la inteligencia artificial para analizar imágenes de la cámara se ve obstaculizado actualmente por dos problemas principales.


Higo. 1. El proceso de reconocer imágenes de IA de la cámara

Para empezar, veamos el proceso de reconocimiento de la imagen de la cámara por inteligencia artificial (Fig. 1). Primero, la cámara captura la imagen y luego la envía a VMS (Video Management System, software con todas las funciones para administrar el sistema de videovigilancia), donde se almacenan los registros, se pueden ver, etc. Después de que los datos de video se transfieren a una computadora equipada con un procesador gráfico capaz de procesar a alta velocidad. En esta etapa, la inteligencia artificial se utiliza para analizar imágenes, los resultados se muestran en forma de datos analíticos y luego se visualizan. En el futuro, como se muestra en la figura, los resultados de este análisis se pueden usar directamente en aplicaciones comerciales.

Para que este esquema funcione de manera eficiente, es necesario resolver los siguientes problemas: proporcionar datos suficientes para entrenar la IA y hacer posible procesar rápidamente una gran cantidad de datos.

Comencemos con el primero. El uso de capacitación en profundidad, por ejemplo, para analizar la imagen de un automóvil, le permite a la IA no solo comprender que el objeto es una máquina, sino también determinar el fabricante y el modelo del vehículo. Sin embargo, para crear un modelo de entrenamiento más preciso, se requiere una gran cantidad de datos de entrenamiento. Las imágenes de los automóviles deben tomarse en diferentes ángulos y en diferentes condiciones de iluminación. Por lo tanto, se pueden requerir millones de imágenes para identificar vehículos de diferentes fabricantes y configuraciones.

Fujitsu resolvió el problema de obtener suficientes datos para el entrenamiento de IA utilizando la tecnología de simulación. El modelado puede cambiar la forma de las sombras en la imagen y otros parámetros, lo que en última instancia aumenta la cantidad de datos para el entrenamiento.

Fujitsu maneja la cantidad masiva de datos que transmiten las cámaras (especialmente si disparan en alta resolución) con Fujitsu Technical Computing (TC) Cloud, una solución informática de alto rendimiento que utiliza GPU para el aprendizaje automático. Las GPU son mejores para aprender IA. Debido a la arquitectura de su núcleo, es más fácil para ellos hacer frente a una gran cantidad de tareas simples del mismo tipo y el proceso de aprendizaje de IA en GPU es mucho más rápido.

Incluso al resolver el problema, los cálculos de límites pueden ayudar a compartir la tarea de procesar datos entre cámaras y VMS, lo que finalmente reduce la carga.

Todavía es importante garantizar la transferencia continua de datos de video durante todo el proceso de su recopilación y análisis. Para hacer esto, Fujitsu utiliza las mejores prácticas desde el momento en que la compañía trabajaba en sistemas para estaciones de televisión.

Por ejemplo, una de las soluciones para intercambiar video en tiempo real (Compartir video en tiempo real en el sitio) permite la transmisión segura de video incluso a través de las líneas de datos móviles no más estables. Además de la compresión en tiempo real y la transmisión de video, tiene su propia tecnología de control de transmisión de video, que garantiza una transmisión estable incluso en condiciones de mala recepción y en condiciones de bajo ancho de banda. Con esta tecnología, por ejemplo, es posible, en tiempo real, enviar imágenes desde cámaras instaladas en vehículos, incluso desde cámaras con un ángulo de disparo de 360 ​​°, que transmiten mucha más información.

Entonces, ¿dónde más puede usar el análisis de datos de imágenes de cámaras de video? En la Fig. 2 y la fig. La Figura 3 muestra los usos potenciales de GREENAGES Citywide Surveillance en aeropuertos y centros comerciales.


Higo. 2. Posibles aplicaciones GREENAGES Vigilancia de toda la ciudad en el aeropuerto en la


Fig. 3. Posibilidades de aplicar GREENAGES Vigilancia en toda la ciudad en un centro comercial

Los resultados del análisis de imágenes de la cámara se utilizan en tres áreas principales: en primer lugar, seguridad, luego investigación de mercado y, finalmente, mejora del nivel de servicio al cliente.

Como ya descubrimos, mediante el análisis basado en inteligencia artificial, puede reconocer modelos de automóviles y placas de matrícula. Por lo tanto, puede rastrear qué modelos de automóviles y en qué momento visitan estaciones de servicio particulares, determinar su número y también vincular datos con el comportamiento de los clientes en tiendas y cafés en estaciones de servicio, lo que permite a los operadores de estaciones aumentar las ganancias de la venta de productos relacionados.


Higo. 4. Análisis de imágenes de cámaras en una estación de servicio y un café adyacente.

En la Fig. 4 puede ver un ejemplo de dicho análisis. Se descubrió que al final de la tarde la mayoría de los automóviles visitan la estación de servicio. Al mismo tiempo, una gran cantidad de automóviles no afectó el aumento de visitas al café durante el repostaje. Según los resultados del estudio, se propuso diversificar el menú de la cena y, además, anunciar el café en sí para que los visitantes de las estaciones de servicio aumenten la asistencia.

También podemos usar estas tecnologías en patios de comidas en centros comerciales. Por ejemplo, es fácil enseñar inteligencia artificial para distinguir a una persona que se sienta de una persona que está de pie (Fig. 5). En consecuencia, podemos calcular cuánto tiempo los visitantes se sientan en las mesas, determinar cuántos asientos están ocupados, etc.

A medida que los sistemas de pedidos móviles se están extendiendo cada vez más en los patios de comidas (cuando un visitante hace un pedido por adelantado a través de su teléfono inteligente), en caso de colas, la IA advierte sobre esto y la notificación para los clientes aparece en la solicitud de pedido con sugerencias de opciones alternativas. Además, si cambia el diseño del patio de comidas, la IA determinará la nueva posición de los asientos automáticamente. La determinación de la congestión máxima ayuda a pensar de antemano en la configuración óptima de los asientos en función del número de visitantes en un período de tiempo determinado.


Higo. 5. Análisis de imágenes de cámaras en el patio de comidas del centro comercial.

Como podemos ver, el análisis de imágenes de cámaras basadas en inteligencia artificial ya ha llegado a la etapa en que puede usarse no solo para rastrear personas u objetos sospechosos, sino también para investigaciones de mercado y proyectos. En el futuro, dicho análisis se utilizará para resolver una variedad de problemas, para hacer nuestra vida más segura y cómoda, o, por ejemplo, para ayudar a los clientes a realizar compras, optimizar las prácticas de gobierno corporativo, etc. Aún así, Gran Hermano no da tanto miedo como solíamos pensar en él.

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