ВІДЕОАНАЛІТИКА В ОХОРОНІ ПЕРИМЕТРІВ: РЕАЛЬНА ЦІННІСТЬ ЧИ МАРКЕТИНГ?

Сьогодні не викликає сумніву необхідність використання систем відеоспостереження в якості складової інтегрованих комплексів охорони периметрів. З практики близько 90% об’єктів, що оснащуються периметральною сигналізацією, мають в більшій чи меншій мірі й елементи відеонагляду (10%, що залишились, зазвичай дооснащуються камерами та відповідною інфраструктурою впродовж перших трьох років експлуатації).

Оскільки робота будь-якого периметрального детектору базується на балансі вірогідностей фіксації вторгнень та генерації хибних тривог, класичні рішення передбачають застосування відеозображень в якості подієвого підтвердження ситуації на об’єкті: тобто оператор, отримавши інформацію про подію, має можливість «вручну» верифікувати її та активувати відповідний план контрзаходів. Таким чином, глибока інтеграція підсистем детекції і відеонагляду дозволяє значно знизити навантаження на персонал, репрезентуючи відповідальним співробітникам тільки релевантні до конкретної події зображення. Всі інші канали приховані, проте знаходяться в режимі постійного запису.

Схематично загальна модель роботи відеоаналітики представлена на Мал. 1:

Мал. 1 Елементарна модель роботи алгоритму відеоаналітики

Якісна робота відеоаналітики потребує якісного зображення. Окрім відповідного освітлення (якому на периметрах почасти не приділяється багато уваги), відсутності оптичних завад в зоні відеонагляду (предметів, конструкцій, що заважають прямій видимості), важливим є й показник розподільчої здатності, що зазвичай вимірюється в пікселях на метр. Найкращі алгоритми здатні надійно виявляти і класифікувати об’єкти у відеоряді при щільності точок 120-130 піксель/м. При цьому, деякі виробники для спрощення прямо вказують дистанцію від точки фізичного розташування камери, на якій гарантовано надійне функціонування системи.

Нижче наведено три прикладні опції, що ілюструють сучасні можливості аналітичних інструментів у складі інтегрованих периметральних комплексів.

Класичним прикладом створення попереджувального рубежу може слугувати комбінація систем відеонагляду Avigilon (Канада) та інтегрованого комплексу безпеки ICT Protégé GX (Нова Зеландія). Відеоаналітика Avigilon здатна надійно виявляти такі класи об’єктів як: людина, легкове авто, вантажівка, автобус, мотоцикл, велосипед. Процес обробки даних та репрезентації їх користувачеві в цьому разі набуватиме наступного вигляду:

Мал. 2 Модель застосування аналітики як нульового рубежу

Охоронні централі Protégé (а також інші пристрої того ж класу) здатні сприймати віртуальні зони так само, як і фізичні, до яких підключено стандартні охоронні шлейфи.

Тобто, віртуальні зони:

а) можуть бути об’єднані в групи;
б) їх можна ставити і знімати з охорони за допомогою апаратних клавіатур (терміналів) чи з ПЗ;
в) їм можна призначати режими роботи (цілодобові, ізольовані і т.д.);
г) по віртуальних зонах можна генерувати необхідну звітність;
д) реакції на події у віртуальних зонах налаштовуються аналогічно фізичним.

Крім того, оскільки інтеграція аналітичних даних відбувається безпосередньо в централь, подібна архітектура є стійкою до аварійної відмови серверного застосунку Protégé GX, операційної системи чи апаратного забезпечення серверу. Всі події зберігатимуться в автономному режимі в пам’яті централі, а оператор здатен в повній мірі керувати нею з відповідного терміналу. Схематично структура такого комплексу представлена на Мал. 3:

Мал. 3 Структура комплексу охорони периметру з нульовим рубежем

Слід пам’ятати, що основною функцією нульового рубежу є привернення уваги оператора до подій, що класифіковані відеоаналітикою як «підозрілі» та такі, що потребують додаткової верифікації. Це допоміжний інструмент, що здатен зменшити кількість рутинних процедур, забезпечити контроль зовнішньої сторони основної лінії периметру і при цьому не впливати (на відміну від наступних двох опцій) на роботу сенсорів, побудованих на інших фізичних принципах.

Synapses являє собою мініатюрний сервер з вбудованими алгоритмами на базі згорткової нейронної мережі CNN та принципів глибокого навчання (Deep Learning), який здатний виявляти присутність у відеозображенні цілей певних класів, важливих для роботи системи охорони периметру: людина, собака, кіт, птах, легкове авто, вантажівка тощо. По кожній з виявлених цілей Synapses автоматично корегує значення тривожних порогів, асоційованих із заданою зоною аналітики периметральних детекторів. Наприклад, за умови виявлення та класифікації в кадрі об’єкту класу «тварина», система передає на підключений мікрохвильовий сповіщувач команду підвищити поріг чутливості для уникнення генерації хибної тривоги. В той же час, якщо потенційного порушника засобами відеоаналітики класифіковано як «людину», цей поріг знижується. Схематично роботу відеосинапсу представлено на Мал. 4:

Мал. 4 Модель функціонування відеосинапсу у складі комплексу охорони периметру

На практиці це означає наступне. Інсталяція традиційних аналогових периметральних детекторів завжди вимагала пошуку компромісу між чутливістю та кількістю хибних тривог. Якщо, згідно технічного завдання, необхідно надійно фіксувати мікрохвильовими сповіщувачами спроби проникнення на периметр перекатом або поповзом, то з високої вірогідністю детектор помилково генеруватиме тривогу і при русі в зоні дії різного роду тварин. І навпаки, якщо необхідно виключити хибні спрацювання на тварин, потенційний порушник, скоріше за все, зможе перетнути охоронну зону, наприклад, зігнувшись. Ця проблема до певної міри вирішувалась впровадженням цифрових технологій обробки первинних аналогових даних та застосуванням бібліотеки опорних сигналів (патернів), які характеризують ті чи інші види проникнення чи вплив природних/техногенних факторів. Порівняння фактично отриманого сигналу з масивом опорних дозволяє надійно виявляти задані цілі, не підвищуючи рейтинг хибних тривог.

Така технологія отримала назву «розмитої логіки» (Fuzzy Logic). Відповідно, поєднання алгоритмів Fuzzy Logic і відеосинапсу виводить якість роботи всієї системи на абсолютно новий рівень – баланс вірогідності детекції і хибних тривог завдяки інструментам відеоаналітики забезпечує досі недосяжну ефективність експлуатації всієї системи.

В цілому, застосування відеосинапсу матиме найбільший ефект на складних ділянках периметру, де роботи алгоритму «розмитої логіки» може виявитися недостатньо через сильний влив різноманітних перешкод (неякісні рухомі огорожі, рослинність, об’єкти, що рухаються паралельно зоні детекції тощо), або в критично важливих зонах: контрольно-пропускні пункти, автомобільні і залізничні ворота, віддалені сегменти, інші місця з підвищеною небезпекою проникнення.

Мал. 5 Булева логіка обробки даних з кількох рубежів

Однак, подібна логіка здатна тільки мультиплікувати закладені в кожній з двох технологій недоліки, що в реальному житті не призводить до відчутного покращення показників вірогідності детекції і хибних тривог. Іншими словами, застосування глибокоешелонованої системи з кількома рубежами має сенс або в автономному режимі (коли кожен з них працює незалежно від інших), або за умови, що якийсь компонент системи здійснюватиме синтез даних з різних джерел на інтелектуальному рівні (з урахуванням таких змінних як час тривожної події, її місце та історичні показники роботи кожної з технологій).

Він являє собою комбінацію аналізатору з можливістю мережевого підключення і мідного сенсорного кабелю, що, завдяки використанню технології часової рефлектометрії (time domain reflectometry, TDR), здатен фіксувати спроби вторгнення з точністю до 1-2м.

Сутність ідеї синтезу технологій TDR і відеоаналітики краще показати на прикладах:

Детальний розбір наведених сценаріїв показує, що використання логіки AND призводить до невиправданих ризиків: у випадку відсутності події по одній з технологій (через відмову обладнання чи мережі, або недостатнього рівня впливу на сенсор порушником), тривога буде пропущена взагалі. Використання логіки OR, в свою чергу, збільшує кількість хибних тривог. Sensor Fusion дозволяє досягти повноцінного синергетичного ефекту від комбінованої інсталяції пристроїв на базі обох технологій. Більше того, для запобігання некоректного функціонування внаслідок нечіткого відеозображення, виходу з ладу обладнання чи розриву мережевого з’єднання, система здійснює постійний моніторинг здоров’я периферії і комунікаційних каналів. Вона переключає пріоритети (ваги) тільки на аналітику чи вібраційний сенсор в аварійних ситуаціях, і відновлює синтез даних автоматично при встановленні штатної роботи. При цьому, співробітники експлуатації миттєво інформуються про всі аварійні події. Застосування Sensor Fusion є обґрунтованим у випадках, аналогічних відеосинапсу. Структурна схема побудови систем детекції на периметрі із використанням Sensor Fusion Engine представлена на Мал. 6:

Мал. 6 Модель функціонування Sensor Fusion у складі комплексу охорони периметру

Наведені приклади доводять, що на сучасному етапі розвитку технологій нейронних мереж і штучного інтелекту, засоби відеоаналітики вже можуть ефективно використовуватись у складі комплексів охорони периметрів. Проте наразі вони відіграють скоріше допоміжну роль, підвищуючи ефективність експлуатації традиційних сенсорних систем в складних умовах чи на критично важливих ділянках. Про повну заміну всього масиву засобів детекції, що їх винайшло людство за останні півстоліття, алгоритмами і методами інтелектуального аналізу відеозображень, як і про відмову від оператора-людини на сьогодні не йдеться.