В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
ФГУП "СНПО "Элерон" уже более 50 лет занимается разработкой и производством систем физической защиты (СФЗ) критически важных объектов и является лидером в своей области среди отечественных компаний.
В современном мире краеугольным камнем системы физической защиты (СФЗ) является подсистема видеонаблюдения. Рынок систем видеонаблюдения неуклонно растет, появляются новые производители, расширяется модельный ряд, оборудование становится более доступным. В этих условиях потребитель вправе ожидать, что, купив большее количество камер видеонаблюдения, он повысит уровень безопасности охраняемого объекта. Однако на практике увеличение числа камер усиливает нагрузку на операторов СФЗ, что в конечном итоге пагубно сказывается на уровне безопасности, а расширение штата операторов ухудшает соотношение цены и качества СФЗ.
Для решения данной проблемы применяются видеодетекторы, позволяющие автоматизировать часть работы оператора. Грамотно настроенные видеодетекторы с низким уровнем ложноположительных и ложноотрицательных срабатываний заметно снижают нагрузку на операторов СФЗ.
К сожалению, есть предел, дальше которого видеодетекторы не позволяют повышать уровень безопасности путем увеличения числа камер и операторов СФЗ. Дело в том, что при отработке тревожного сообщения от видеодетектора оператору необходимо проанализировать ситуацию и своевременно принять верное решение. Фактически оператор должен сделать запрос на получение имеющейся в системе информации о подозрительном объекте. В случае небольшого количества камер оператор все еще может выполнить этот запрос вручную, просматривая записи со всех камер или осуществляя ускоренный поиск по событиям на каждой камере отдельно. С ростом количества камер оператор уже не в состоянии провести полноценный анализ. В результате он вынужден принимать решение, основываясь на неполной информации и/или принимать решение со значительным опозданием.
Мы приходим к выводу, что расширение видеосистемы за счет увеличения числа камер, наращивания штата операторов и использования видеодетекторов не позволяет повышать эффективность СФЗ свыше определенного предела, если ретроспективный анализ, проводимый по всем камерам системы, недостаточно автоматизирован.
Мы предлагаем автоматизировать ретроспективный анализ с помощью функции многокамерного сопровождения, позволяющей сопровождать объект не только в пределах одной камеры (однокамерное сопровождение), но и в пределах нескольких камер. Однокамерное сопровождение порождает треки движущегося объекта, а многокамерное сопровождение объединяет треки с разных камер в единую траекторию. Это позволяет эффективно выполнять запросы на получение имеющейся в системе информации о подозрительном объекте, тем самым автоматизируя ретроспективный анализ. Если из видеопотока одной из камер оператору не удалось получить необходимую для принятия решения информацию об объекте (лицо человека, номер автомобиля и т.п.), то система многокамерного сопровождения может предоставить недостающие данные с других камер, наблюдавших этот же объект (рис. 1).
На текущий момент уровень развития технологий компьютерного зрения не позволяет детерминированно решать задачу многокамерного сопровождения. Чем больше треков объединяется в единую траекторию, тем больше вероятность, что один из треков ошибочный, а значит, и все следующие за ним треки скорее всего также будут ошибочными. В результате мы получаем ложную траекторию, в которой сначала сопровождается один объект, а потом из-за ошибочного трека сопровождается другой. Основываясь на ложной траектории, оператор СФЗ может принять неверное решение.
Мы видим, что детерминированный подход к многокамерному сопровождению при текущем уровне развития технологий компьютерного зрения не подходит для систем физической защиты.
Корень проблемы детерминированного подхода – накопление ошибки. Если представить траекторию в виде цепочки треков, то при добавлении очередного трека есть некоторая вероятность, что трек на самом деле ошибочный (то есть соответствует не тому объекту, для которого строится траектория). Чем больше звеньев в цепочке треков, тем больше накопленная ошибка. В итоге длинные траектории скорее всего недостоверны и по ним нельзя принимать решение оператору СФЗ.
Наш подход отличается тем, что траектория движения объекта представляется не в виде цепочки его треков, а в виде множества треков, которые соответствуют данному объекту с вероятностью выше заданного порога. Если для цепочки треков в каждый момент времени объекту соответствует не более одного трека, то в нашем подходе объекту могут соответствовать несколько треков с различной долей вероятности. В результате ошибка становится хорошо контролируемой, но траектория ветвится.
Для получения пути передвижения объекта система выбирает на основе автоматических фильтров наиболее вероятный путь в ветвистой структуре траектории до тех пор, пока не будет достигнуто пороговое значение ошибки. После чего требуется подсказка оператора. Как только оператор подтвердил (или опроверг), что траектория пролегает в верном направлении, система пересчитывает вероятности и путь продолжается дальше до тех пор, пока ошибка снова не достигнет порогового значения. Чем точнее работает компьютерное зрение, тем медленнее накапливается ошибка и тем меньше требуется вмешательство оператора (рис. 2).
Таким образом, в нашем подходе компьютерное зрение ускоряет ретроспективный анализ, а оператор СФЗ контролирует достоверность информации для принятия своевременных и верных решений.
Чтобы система видеонаблюдения продолжала справляться с поставленными задачами при увеличении количества камер, была разработана следующая горизонтально масштабируемая архитектура, позволяющая наращивать вычислительную мощность путем экономного увеличения количества серверов (рис. 3).
Интеллектуальная камера представляет собой совокупность устройств, способных получать видеоинформацию, оцифровывать и анализировать ее с помощью видеодетекторов. В настоящее время на рынке присутствуют решения, позволяющие собрать интеллектуальную камеру из отдельных модулей (камера и видеосервер для оцифровки и обработки сигнала), а также готовые решения в одном корпусе.
Видеодетекторы, встроенные в интеллектуальную камеру, производят анализ видеоданных и выдают описание сцены и события. Описание сцены включает в себя положения и идентификаторы сопровождаемых объектов, а также может содержать типы объектов, векторы движения, цвета, формы, лица в кадре, автомобильные номера и т.п. События могут представлять собой информацию о приближении людей к запретным зонам, превышении скорости, оставленных предметах, возгораниях и т.п.
Интеллектуальная камера выдает информацию в сеть по стандартным протоколам, например, ONVIF. Сетевой видеоархив принимает данные от интеллектуальных камер и записывает их для последующего воспроизведения и анализа. Для ускорения ретроспективного анализа в рамках одной камеры поддерживается ускоренный поиск по событиям. Сервер трекинга принимает данные от интеллектуальных камер, формирует треки и вычисляет признаки сопровождаемых объектов, сохраняя результаты в распределенную базу данных (РБД) треков.
Сервер многокамерного сопровождения считывает информацию из РБД треков, вычисляет недетерминированные траектории и сохраняет их в РБД траекторий. Суть вычислений заключается в сравнении пар треков между собой и определении вероятности соответствия треков одному и тому же сопровождаемому объекту. Вероятность определяется на основании двух факторов: пространственно-временной корреляции треков и признакового описания объектов.
Балансировщик нагрузки используется для равномерного распределения вычислительной нагрузки между серверами многокамерного сопровождения. Данный узел сообщает серверам многокамерного сопровождения, какие пары треков необходимо сравнить. Для идеальной работы системы многокамерного сопровождения нужно сравнивать каждую пару треков, но это слишком расточительно, потому что количество пар квадратично зависит от количества треков, а значит архитектура системы будет плохо масштабироваться – потребуется неоправданно большое количество серверов. Для решения этой проблемы балансировщик нагрузки использует следующее эвристическое правило: сравнивать только пары треков, полученных с близкорасположенных камер с небольшим временным разрывом. Ввиду того, что у каждой камеры ограниченное количество соседних камер, данный подход приводит к линейной зависимости вычислительной нагрузки от количества камер, а, следовательно, система прекрасно масштабируется.
При проведении ретроспективного анализа оператору СФЗ отображается информация из РБД траекторий и видеоархива, тем самым в процессе принятия решения задействовано компьютерное зрение. Если достоверность информации недостаточная, то оператор дает подсказку системе, помогая ей выбрать верную ветвь траектории. Данная подсказка заносится в РБД траекторий, и оператору поступает обновленная информация с более высоким уровнем достоверности. Таким образом, для принятия своевременного верного решения оператор СФЗ задействует компьютерное зрение и контролирует достоверность информации, на которую опирается.
Создавая видеосистему "АНИС-Видео", мы ориентировались на достижение следующих целей:
Система "АНИС-Видео" уже внедрена на десятках объектов наших заказчиков. Функционал многокамерного сопровождения проходит опытную эксплуатацию на территории ФГУП "СНПО "Элерон", на которой работает несколько тысяч наших сотрудников. В настоящий момент проводятся работы по интеграции в систему новых видов оборудования и видеодетекторов различных производителей, в том числе отечественных.
Опубликовано: Журнал "Системы безопасности" #4, 2014
Посещений: 8773
Автор
| |||
Автор
| |||
Автор
| |||
Автор
| |||
В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций