Como usar câmeras de CFTV, não apenas para monitorar intrusos
A prática de instalar câmeras de CFTV nas cidades sob os auspĂcios do combate ao terrorismo e prevenção do crime se espalhou globalmente e está ganhando força. Por exemplo, no inĂcio de 2019 em Moscou, havia mais de 167 mil câmeras de segurança, embora na China ou no Reino Unido esse nĂşmero possa ser considerado ridĂculo (para comparação, em Londres em 2018 havia 642 mil, nĂŁo há dados atualizados sobre Pequim em domĂnio pĂşblico, mas para mais de 176 milhões de câmeras estĂŁo agora operando em toda a China).Um nĂşmero tĂŁo grande de lentes Ă nossa volta evoca involuntariamente pensamentos de 1984. Torna-se especialmente alarmante quando vocĂŞ se lembra que o desenvolvimento da inteligĂŞncia artificial elevou a vigilância por vĂdeo a um novo nĂvel. Afinal, o aprendizado profundo permite Ă IA distinguir com precisĂŁo um objeto de outro na imagem. AlĂ©m disso, a inteligĂŞncia artificial nĂŁo precisa dormir, nĂŁo se distrai e nĂŁo 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 sĂł vez: transporte, pessoas e objetos. A IA usada nele Ă© capaz de levar em consideração o tempo de aparĂŞncia dos objetos no quadro, o nĂşmero 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 nĂŁo apenas a vigilância de elementos suspeitos se limita ao uso de câmeras de vĂdeo. A capacidade da inteligĂŞncia artificial para analisar imagens abre novas perspectivas para seu uso. Diga para pesquisa de marketing.Se, atravĂ©s da análise de imagens de câmeras de vĂdeo, um determinado comportamento de compra estiver vinculado, por exemplo, a qualquer faixa etária, no futuro será possĂvel satisfazer com mais precisĂŁo as necessidades dos clientes. AlĂ©m disso, com a ajuda do aprendizado profundo, Ă© possĂvel contar o nĂşmero 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 pregĂŁo, que podem ser usados ​​para otimizar o espaço de varejo.Mas o uso generalizado da IA ​​para analisar imagens de câmera Ă© atualmente dificultado por dois problemas principais.
FIG. 1. O processo de reconhecimento de imagens AI da câmeraPara começar, vejamos o processo de reconhecimento de imagens da câmera pela inteligĂŞncia 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 vĂdeo), onde os registros sĂŁo armazenados, podem ser visualizados etc. Depois que os dados do vĂdeo sĂŁo transferidos para um computador equipado com um processador gráfico capaz de processar em alta velocidade. Nesse estágio, a inteligĂŞncia artificial Ă© usada para analisar imagens, os resultados sĂŁo exibidos na forma de dados analĂticos e depois visualizados. No futuro, conforme mostrado na figura, os resultados dessa análise podem ser usados ​​diretamente em aplicativos de negĂłcios.Para que esse esquema funcione efetivamente, Ă© necessário resolver os seguintes problemas: forneça dados suficientes para o treinamento da IA ​​e torne possĂvel 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 nĂŁo apenas entenda que o objeto Ă© uma máquina, mas tambĂ©m determine o fabricante e o modelo do veĂculo. No entanto, para criar um modelo mais preciso para o treinamento, Ă© 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 veĂculos 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 Ă© 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 sĂŁo melhores para aprender IA. Graças Ă arquitetura de seu nĂşcleo, Ă© mais fácil lidar com um grande nĂşmero de tarefas simples do mesmo tipo e o processo de aprendizado de IA em GPUs Ă© 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 Ă© importante garantir a transferĂŞncia contĂnua de dados de vĂdeo 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 transmissĂŁo de televisĂŁo.Por exemplo, uma das soluções para a troca de vĂdeo em tempo real (compartilhamento de vĂdeo no local em tempo real) permite a transmissĂŁo segura de vĂdeo, mesmo atravĂ©s das linhas de dados mĂłveis mais estáveis. AlĂ©m de compressĂŁo em tempo real e transmissĂŁo de vĂdeo, possui sua prĂłpria tecnologia de controle de transmissĂŁo de vĂdeo, que garante transmissĂŁo estável mesmo em condições de baixa recepção e em baixa largura de banda. Usando essa tecnologia, Ă© possĂvel, por exemplo, enviar imagens de câmeras instaladas em veĂculos em tempo real, inclusive de câmeras com ângulo de disparo de 360 ​​°, que transmitem muito mais informações.EntĂŁo, onde mais vocĂŞ pode usar a análise de dados de imagens de câmeras de vĂdeo. 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 possĂveis GREENAGES Vigilância em toda a cidade no aeroporto na
Fig. 3. Possibilidades de aplicação da GREENAGES Citywide Surveillance em um shopping centerOs resultados da análise das imagens das câmeras sĂŁo usados ​​em trĂŞs áreas principais: primeiro, garantir a segurança, depois a pesquisa de marketing e, finalmente, melhorar o nĂvel de serviço ao cliente.Como já descobrimos, usando a análise baseada em IA, vocĂŞ pode reconhecer modelos de carros e matrĂculas. Assim, Ă© possĂvel rastrear quais modelos de carros e a que horas eles visitam determinados postos de gasolina, determinar seu nĂşmero e tambĂ©m vincular dados ao comportamento dos clientes em lojas e cafĂ©s 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 cafĂ© adjacenteNa fig. 4, vocĂŞ 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 nĂşmero de carros nĂŁo afetou o aumento nas visitas a cafĂ©s durante o reabastecimento. De acordo com os resultados do estudo, foi proposto diversificar o cardápio do jantar e, adicionalmente, anunciar o prĂłprio cafĂ© para os visitantes dos postos de gasolina, a fim de aumentar o atendimento.TambĂ©m podemos usar essas tecnologias nas praças de alimentação de shopping centers. Por exemplo, Ă© fácil ensinar inteligĂŞncia artificial a distinguir uma pessoa que se senta de uma pessoa que está de pĂ© (Fig. 5). ConseqĂĽentemente, podemos calcular quanto tempo os visitantes ficam sentados nas mesas, determinar quantos assentos estĂŁo ocupados etc.Como os sistemas de pedidos mĂłveis estĂŁo 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. AlĂ©m 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 antecedĂŞncia na configuração ideal dos assentos, dependendo do nĂşmero de visitantes em um determinado perĂodo.
FIG. 5. Análise de imagens de câmeras na praça de alimentação do shoppingComo 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/
All Articles