Comment utiliser les caméras de vidéosurveillance non seulement pour surveiller les intrus

La pratique consistant à installer des caméras de vidéosurveillance dans les villes sous les auspices de la lutte contre le terrorisme et de la prévention du crime s'est répandue à l'échelle mondiale et prend de l'ampleur. Par exemple, au début de 2019 à Moscou, il y avait plus de 167000 caméras de sécurité, bien qu'en Chine ou en Grande-Bretagne ce chiffre puisse être considéré comme ridicule (à titre de comparaison, à Londres en 2018, il y en avait 642000, il n'y a pas de données publiques à jour à Pékin, mais pour plus de 176 millions de caméras fonctionnent désormais dans toute la Chine).

Un tel nombre de lentilles autour de nous évoque involontairement des pensées de 1984. Cela devient particulièrement alarmant lorsque vous vous souvenez que le développement de l'intelligence artificielle a amené la vidéosurveillance à un nouveau niveau. Après tout, l'apprentissage en profondeur permet à l'IA de distinguer avec précision un objet d'un autre dans l'image. De plus, l'intelligence artificielle n'a pas besoin de dormir, elle n'est pas distraite et ne manque rien.



Par exemple, le logiciel GREENAGES Citywide Surveillance développé par Fujitsu vous permet de distinguer et de suivre simultanément plusieurs types d'objets sur l'image de la caméra: transport, personnes et objets. L'IA utilisée est capable de prendre en compte le temps d'apparition des objets dans le cadre, le nombre d'objets de différents types dans l'image, le type, la marque, le modèle et la couleur de transport, les informations sur la plaque d'immatriculation, reconnaître les visages et les vêtements des personnes, etc.

Mais non seulement la surveillance des éléments suspects se limite à l'utilisation de caméras vidéo. La capacité de l'intelligence artificielle à analyser des images ouvre de nouvelles perspectives pour leur utilisation. Dites pour la recherche marketing.

Si, grâce à l'analyse d'images provenant de caméras vidéo, un certain comportement d'achat est lié, par exemple, à n'importe quel groupe d'âge, il sera possible à l'avenir de satisfaire plus précisément les besoins des clients. De plus, à l'aide de l'apprentissage en profondeur, il est possible de compter le nombre de personnes dans l'image et de suivre leurs mouvements. Dans le commerce de détail, cela aidera à mieux comprendre quels clients visitent le magasin, à déterminer les itinéraires de leur mouvement à l'intérieur de la salle des marchés, qui peuvent être utilisés pour optimiser l'espace de vente au détail.

Mais l'utilisation généralisée de l'IA pour analyser les images des caméras est actuellement entravée par deux problèmes principaux.


Figure. 1. Le processus de reconnaissance des images AI de la caméra

Pour commencer, regardons le processus de reconnaissance de l'image de la caméra par l'intelligence artificielle (Fig.1). Tout d'abord, la caméra capture l'image, puis l'envoie au VMS (Video Management System, logiciel complet de gestion du système de vidéosurveillance), où les enregistrements sont stockés, ils peuvent être visualisés, etc. Après le transfert des données vidéo vers un ordinateur équipé d'un processeur graphique capable d'un traitement à haute vitesse. À ce stade, l'intelligence artificielle est utilisée pour analyser les images, les résultats sont ensuite affichés sous forme de données analytiques, puis visualisés. À l'avenir, comme le montre la figure, les résultats de cette analyse pourront être utilisés directement dans les applications d'entreprise.

Pour que ce schéma fonctionne efficacement, il est nécessaire de résoudre les problèmes suivants: fournir suffisamment de données pour la formation de l'IA et permettre de traiter rapidement une grande quantité de données.

Commençons par le premier. L'utilisation d'une formation approfondie, par exemple, pour analyser l'image d'une voiture permet à l'IA non seulement de comprendre que l'objet est une machine, mais également de déterminer le fabricant et le modèle du véhicule. Cependant, afin de créer un modèle plus précis pour la formation, une grande quantité de données de formation est nécessaire. Les images des voitures doivent être prises sous différents angles et dans différentes conditions d'éclairage. Ainsi, des millions d'images peuvent être nécessaires pour identifier des véhicules de différents fabricants et configurations.

Fujitsu a résolu le problème d'obtenir suffisamment de données pour la formation à l'IA en utilisant la technologie de simulation. La modélisation est capable de changer la forme des ombres dans l'image et d'autres paramètres, ce qui augmente finalement la quantité de données pour la formation.

Fujitsu gère l'énorme quantité de données transmises par les caméras (surtout si elles prennent des photos en haute résolution) avec le Fujitsu Technical Computing (TC) Cloud, une solution de calcul haute performance qui utilise des GPU pour l'apprentissage automatique. Les GPU sont meilleurs pour apprendre l'IA. Grâce à l'architecture de son cœur, il leur est plus facile de faire face à un grand nombre de tâches simples du même type et le processus d'apprentissage de l'IA sur les GPU est beaucoup plus rapide.

Même en résolvant le problème, les calculs de limites peuvent aider à partager la tâche de traitement des données entre les caméras et le VMS, ce qui réduit finalement la charge.

Il est toujours important d'assurer le transfert continu des données vidéo tout au long du processus de collecte et d'analyse. Pour ce faire, Fujitsu utilise les meilleures pratiques de l'époque où l'entreprise travaillait sur des systèmes pour les stations de télévision.

Par exemple, l'une des solutions pour l'échange de vidéo en temps réel (Partage vidéo en temps réel sur site) permet une transmission vidéo sécurisée même via les lignes de données mobiles les moins stables. En plus de la compression et de la transmission vidéo en temps réel, il possède sa propre technologie de contrôle de transmission vidéo, qui assure une transmission stable même dans des conditions de mauvaise réception et dans des conditions de faible bande passante. Grâce à cette technologie, il est possible, par exemple, d'envoyer des images de caméras installées dans des véhicules en temps réel, y compris à partir de caméras avec un angle de prise de vue de 360 ​​°, qui transmettent beaucoup plus d'informations.

Alors, où d'autre pouvez-vous utiliser l'analyse des données d'images provenant de caméras vidéo. En figue. 2 et fig. La figure 3 montre les utilisations potentielles de GREENAGES Citywide Surveillance dans les aéroports et les centres commerciaux.


Figure. 2. Applications possibles GREENAGES Citywide Surveillance à l'aéroport de la


Fig. 3. Possibilités d'utilisation de GREENAGES Citywide Surveillance dans un centre commercial

Les résultats de l'analyse des images des caméras sont utilisés dans trois domaines principaux: tout d'abord, assurer la sécurité, puis la recherche marketing et, enfin, améliorer le niveau de service client.

Comme nous l'avons déjà découvert, à l'aide d'une analyse basée sur l'IA, vous pouvez reconnaître les modèles de voiture et les plaques d'immatriculation. Ainsi, vous pouvez suivre les modèles de voitures et à quelle heure ils visitent des stations-service particulières, déterminer leur nombre et également relier les données avec le comportement des clients dans les magasins et les cafés des stations-service, ce qui permet aux exploitants de stations d'augmenter les bénéfices de la vente de produits connexes.


Figure. 4. Analyse d'images de caméras dans une station-service et un café adjacent

En figue. 4 vous pouvez voir un exemple d'une telle analyse. On a découvert qu'en fin de soirée, la plupart des voitures se rendaient à la station-service. Dans le même temps, un grand nombre de voitures n'a pas affecté l'augmentation des visites dans les cafés lors du ravitaillement. Selon les résultats de l'étude, il a été proposé de diversifier le menu du dîner et de faire la publicité du café lui-même pour les visiteurs des stations-service afin d'augmenter la fréquentation.

Nous pouvons également utiliser ces technologies sur les aires de restauration des centres commerciaux. Par exemple, il est facile d'apprendre à l'intelligence artificielle à distinguer une personne assise d'une personne debout (Fig. 5). Par conséquent, nous pouvons calculer combien de temps les visiteurs sont assis à des tables, déterminer combien de sièges sont occupés, etc.

Alors que les systèmes de commande mobiles se répandent de plus en plus sur les aires de restauration (lorsqu'un visiteur passe une commande à l'avance via son smartphone), en cas de files d'attente, l'IA en avertit et l'application de commande affiche une notification pour les clients offrant des options alternatives. De plus, si la disposition de l'aire de restauration change, l'IA déterminera automatiquement la nouvelle position des sièges. La détermination des pics de congestion permet de penser à l'avance à la configuration optimale des sièges en fonction du nombre de visiteurs sur une période donnée.


Figure. 5. Analyse d'images de caméras sur l'aire de restauration du centre commercial

Comme nous pouvons le voir, l'analyse des images provenant de caméras basées sur l'IA a déjà atteint le stade où elle peut être utilisée non seulement pour suivre des personnes ou des objets suspects, mais aussi pour des recherches et des projets de marketing. À l'avenir, une telle analyse sera utilisée pour résoudre une variété de problèmes, pour rendre notre vie plus sûre et plus confortable, ou, par exemple, pour aider les clients à faire des achats, optimiser les pratiques de gouvernance d'entreprise, etc. Pourtant, Big Brother n'est pas aussi effrayant que nous pensions à lui.

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