Como usar câmeras de CFTV, não apenas para monitorar intrusos

A prática de instalar câmeras de CFTV nas cidades sob os auspícios do combate ao terrorismo e prevenção do crime se espalhou globalmente e está ganhando força. Por exemplo, no início de 2019 em Moscou, havia mais de 167 mil câmeras de segurança, embora na China ou no Reino Unido esse número possa ser considerado ridículo (para comparação, em Londres em 2018 havia 642 mil, não há dados atualizados sobre Pequim em domínio público, mas para mais de 176 milhões de câmeras estão agora operando em toda a China).

Um número tão grande de lentes à nossa volta evoca involuntariamente pensamentos de 1984. Torna-se especialmente alarmante quando você se lembra que o desenvolvimento da inteligência artificial elevou a vigilância por vídeo a um novo nível. Afinal, o aprendizado profundo permite à IA distinguir com precisão um objeto de outro na imagem. Além disso, a inteligência artificial não precisa dormir, não se distrai e não perde nada.



Por exemplo, desenvolvido pelo software Fujitsu GREENAGES Citywide Surveillance, permite distinguir e rastrear simultaneamente vários tipos de objetos na imagem da câmera de uma só vez: transporte, pessoas e objetos. A IA usada nele é capaz de levar em consideração o tempo de aparência dos objetos no quadro, o número de objetos de diferentes tipos na imagem, tipo, marca, modelo e cor do transporte, informações na placa, reconhecer os rostos e roupas das pessoas, etc.

Mas não apenas a vigilância de elementos suspeitos se limita ao uso de câmeras de vídeo. A capacidade da inteligência artificial para analisar imagens abre novas perspectivas para seu uso. Diga para pesquisa de marketing.

Se, através da análise de imagens de câmeras de vídeo, um determinado comportamento de compra estiver vinculado, por exemplo, a qualquer faixa etária, no futuro será possível satisfazer com mais precisão as necessidades dos clientes. Além disso, com a ajuda do aprendizado profundo, é possível contar o número de pessoas na imagem e acompanhar seus movimentos. No varejo, isso ajudará a entender melhor quais clientes visitam a loja, a determinar as rotas de seus movimentos dentro do pregão, que podem ser usados ​​para otimizar o espaço de varejo.

Mas o uso generalizado da IA ​​para analisar imagens de câmera é atualmente dificultado por dois problemas principais.


FIG. 1. O processo de reconhecimento de imagens AI da câmera

Para começar, vejamos o processo de reconhecimento de imagens da câmera pela inteligência artificial (Fig. 1). Primeiro, a câmera captura a imagem e depois a envia para o VMS (Video Management System, software completo para gerenciar o sistema de vigilância por vídeo), onde os registros são armazenados, podem ser visualizados etc. Depois que os dados do vídeo são transferidos para um computador equipado com um processador gráfico capaz de processar em alta velocidade. Nesse estágio, a inteligência artificial é usada para analisar imagens, os resultados são exibidos na forma de dados analíticos e depois visualizados. No futuro, conforme mostrado na figura, os resultados dessa análise podem ser usados ​​diretamente em aplicativos de negócios.

Para que esse esquema funcione efetivamente, é necessário resolver os seguintes problemas: forneça dados suficientes para o treinamento da IA ​​e torne possível processar rapidamente uma grande quantidade de dados.

Vamos começar com o primeiro. O uso de treinamento aprofundado, por exemplo, para analisar a imagem de um carro, permite que a IA não apenas entenda que o objeto é uma máquina, mas também determine o fabricante e o modelo do veículo. No entanto, para criar um modelo mais preciso para o treinamento, é necessária uma grande quantidade de dados de treinamento. Imagens de carros devem ser tiradas em diferentes ângulos e em diferentes condições de iluminação. Assim, milhões de imagens podem ser necessárias para identificar veículos de diferentes fabricantes e configurações.

A Fujitsu resolveu o problema de obter dados suficientes para o treinamento em IA usando a tecnologia de simulação. A modelagem é capaz de alterar a forma das sombras na imagem e outros parâmetros, o que aumenta a quantidade de dados para treinamento.

A Fujitsu lida com a enorme quantidade de dados que as câmeras transmitem (especialmente se gravam em alta resolução) com a Fujitsu Technical Computing (TC) Cloud, uma solução de computação de alto desempenho que usa GPUs para aprendizado de máquina. As GPUs são melhores para aprender IA. Graças à arquitetura de seu núcleo, é mais fácil lidar com um grande número de tarefas simples do mesmo tipo e o processo de aprendizado de IA em GPUs é muito mais rápido.

Mesmo na solução do problema, os cálculos de limite podem ajudar a compartilhar a tarefa de processar dados entre câmeras e VMS, o que reduz a carga.

Ainda é importante garantir a transferência contínua de dados de vídeo durante todo o processo de coleta e análise. Para isso, a Fujitsu utiliza as melhores práticas desde o momento em que a empresa trabalhava em sistemas para estações de transmissão de televisão.

Por exemplo, uma das soluções para a troca de vídeo em tempo real (compartilhamento de vídeo no local em tempo real) permite a transmissão segura de vídeo, mesmo através das linhas de dados móveis mais estáveis. Além de compressão em tempo real e transmissão de vídeo, possui sua própria tecnologia de controle de transmissão de vídeo, que garante transmissão estável mesmo em condições de baixa recepção e em baixa largura de banda. Usando essa tecnologia, é possível, por exemplo, enviar imagens de câmeras instaladas em veículos em tempo real, inclusive de câmeras com ângulo de disparo de 360 ​​°, que transmitem muito mais informações.

Então, onde mais você pode usar a análise de dados de imagens de câmeras de vídeo. Na fig. 2 e fig. A Figura 3 mostra os usos potenciais da vigilância em escala urbana da GREENAGES em aeroportos e shopping centers.


FIG. 2. Aplicações possíveis GREENAGES Vigilância em toda a cidade no aeroporto na


Fig. 3. Possibilidades de aplicação da GREENAGES Citywide Surveillance em um shopping center

Os resultados da análise das imagens das câmeras são usados ​​em três áreas principais: primeiro, garantir a segurança, depois a pesquisa de marketing e, finalmente, melhorar o nível de serviço ao cliente.

Como já descobrimos, usando a análise baseada em IA, você pode reconhecer modelos de carros e matrículas. Assim, é possível rastrear quais modelos de carros e a que horas eles visitam determinados postos de gasolina, determinar seu número e também vincular dados ao comportamento dos clientes em lojas e cafés de postos de gasolina, o que permite que os operadores aumentem os lucros com a venda de produtos relacionados.


FIG. 4. Análise de imagens de câmeras em um posto de gasolina e um café adjacente

Na fig. 4, você pode ver um exemplo dessa análise. Verificou-se que, no final da noite, a maioria dos carros visita o posto de gasolina. Ao mesmo tempo, um grande número de carros não afetou o aumento nas visitas a cafés durante o reabastecimento. De acordo com os resultados do estudo, foi proposto diversificar o cardápio do jantar e, adicionalmente, anunciar o próprio café para os visitantes dos postos de gasolina, a fim de aumentar o atendimento.

Também podemos usar essas tecnologias nas praças de alimentação de shopping centers. Por exemplo, é fácil ensinar inteligência artificial a distinguir uma pessoa que se senta de uma pessoa que está de pé (Fig. 5). Conseqüentemente, podemos calcular quanto tempo os visitantes ficam sentados nas mesas, determinar quantos assentos estão ocupados etc.

Como os sistemas de pedidos móveis estão se espalhando cada vez mais nas praças de alimentação (quando um visitante faz um pedido antecipadamente por meio de seu smartphone), em caso de filas, a AI avisa sobre isso e o aplicativo de pedidos exibe uma notificação para os clientes que oferecem opções alternativas. Além disso, se o layout da praça de alimentação mudar, a IA determinará a nova posição dos assentos automaticamente. A determinação do pico de congestionamento ajuda a pensar com antecedência na configuração ideal dos assentos, dependendo do número de visitantes em um determinado período.


FIG. 5. Análise de imagens de câmeras na praça de alimentação do shopping

Como podemos ver, a análise de imagens de câmeras baseadas em IA já atingiu o estágio em que pode ser usada não apenas para rastrear pessoas ou objetos suspeitos, mas também para pesquisas e projetos de marketing. No futuro, essa análise será usada para resolver uma variedade de problemas, tornar nossa vida mais segura e confortável ou, por exemplo, para ajudar os clientes a fazer compras, otimizar práticas de governança corporativa etc. Ainda assim, o Big Brother não é tão assustador quanto costumávamos pensar nele.

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