Nowe technologie w systemach monitoringu wizyjnego opierają się na przeniesieniu globalnej mocy obliczeniowej na krawędź sieci, a więc bezpośrednio do urządzeń końcowych. Oznacza to, że kamery będą analizowały obraz i komunikowały się między sobą oraz z pozostałymi urządzeniami IoT w dowolnych zastosowaniach, zarówno smart city, jak przemysłowych, w ochronie zdrowia, czy w infrastrukturze krytycznej. Kamery wyposażone w oprogramowanie analityczne będą korzystać nie tylko z uczenia maszynowego, ale także tzw. uczenia głębokiego (deep learning), z wykorzystaniem sieci neuronowych.
Technologia deep learning, wsparcie niezliczonych urządzeń IoT poprzez sieć 5G oraz otwarte, łatwo integrowalne z dowolnym oprogramowaniem systemy monitoringu, otwierają świat wyobraźni i potrzeb. Nowoczesne kamery podobnie jak smartfony, można wyposażyć w różnego typu aplikacje i sensory, dzięki czemu będą mogły potwierdzać informacje otrzymywane od innych systemów lub odpowiednio łączyć obrazy z komunikatami dźwiękowymi.
Kamery kolorowe zarówno jak kamery czarno-białe stanowią oczy systemu telewizji przemysłowej i w odniesieniu do kamer czarno-białych są wybierane głównie ze względu na lepszą rozpoznawalność szczegółów obserwowanego obiektu. Niektóre kamery kolorowe są tzw. kamerami dualnymi, czyli w nocy mogą przełączać się w tryb czarno-biały, co okazuje się szczególnie przydatne w warunkach słabego oświetlenia. Należy bowiem podkreślić, iż kamery kolorowe najlepiej sprawdzają się tam, gdzie poziom natężenia oświetlenia pozwala na prawidłową pracę systemu monitoringu. Dobierając kamerę kolorową należy zwrócić uwagę na 3 podstawowe parametry takie jak: czułość kamery, rozdzielczość oraz możliwość pracy w trybie dualnym. Co do ostatniego parametru jego funkcję przedstawiono powyżej. Natomiast w przypadku czułości kamery powinniśmy zawsze wybierać te, które ten parametr mają jak najniższy. Czułość określana jest jako ilość lux np. 0,01. Przeciwnie do czułości, parametr rozdzielczości powinien być jak najwyższy bowiem stanowi on o jakości rejestrowanego obrazu. Jednak zawsze też należy brać pod uwagę zdolność rozdzielczą użytego rejestratora. Parametr rozdzielczości dla przetworników cyfrowych podawany jest w pikselach zaś dla przetworników analogowych w ilościach linii np. 480.
Standardowe kamery kolorowe z jakimi mamy styczność na rynku CCTV nie posiadają możliwości prowadzenia obserwacji w zakresie podczerwieni. Wynika to z faktu, że ich konstrukcja zawiera wbudowany filtr podczerwieni, który całkowicie eliminuje wpływ tego pasma na reprodukcję barw. Inaczej mówiąc, typowe kamery kolorowe nie nadają się do prowadzenia obserwacji w nocy. Jeżeli chcemy prowadzić obserwację nocną przy pomocy kamery kolorowej, wówczas musimy zastosować kamerę typu dzień/noc – nazwaną powyżej dualną. Aby wyeliminować wpływ promieniowania podczerwonego na pracę kamery w trybie kolorowym, stosuje się różnego rodzaju filtry podczerwieni. W porządnych kamerach te filtry są przesuwane mechanicznie. Podczas pracy w dzień filtr jest przesuwany przed przetwornik kamery. Dzięki temu podczerwień nie dociera do przetwornika i nie wpływa na barwy w obrazie. Za sprawą dużej ilości światła widzialnego kolory są zbliżone do obserwowanych przez ludzkie oko. W trybie nocnym filtr IR jest odsuwany, dzięki czemu do przetwornika dociera pełen zakres promieniowania. Kosztem utraty koloru i pod warunkiem stosowania obiektywu z korekcją IR uzyskuje się wyraźny i jasny obraz sceny nocnej. Poprzez zastosowanie oświetlacza IR (podczerwieni) można dodatkowo poprawić warunki obserwacji.
Współczesne systemy dozoru wizyjnego to głównie systemy o architekturze rozproszonej, w której urządzenia brzegowe takie jak kamery sieciowe, samodzielnie przetwarzają zebrane dane wizyjne pod kątem ważnych informacji a następnie przesyłają najbardziej istotne fragmenty do dalszej analizy. Takie rozwiązanie nie obciąża aż tak mocno sieci, co obniża wymagania dotyczące przepustowości łącza. Serwery, które w architekturze scentralizowanej obsługują jedynie kilka strumieni wizyjnych, w rozproszonej mogą obsłużyć ich setki, ponieważ część ich pracy przejmują właśnie kamery. W dodatku w jednym systemie można zastosować komponenty i aplikacje od różnych producentów. Monitoring z zaawansowaną analizą obrazu działający w architekturze rozproszonej można przy tym skutecznie zabezpieczyć przed nieupoważnionym dostępem.
Zaawansowana analiza obrazu jest możliwa dzięki „głębokiemu uczeniu”. Głębokie uczenie to rodzaj uczenia się przez maszyny, w ramach którego szkoli się komputer do wykonywania zadań podobnych do tych wykonywanych przez ludzi, takich jak rozpoznawanie mowy, klasyfikowanie obrazów, wykrywanie obiektów, a nawet opisywanie zawartości. Korzyści płynące z głębokiego uczenia w zakresie rozpoznawania atrybutów i klasyfikacji obrazów sprawiają, że jest ono niezwykle cenne w dziedzinie bezpieczeństwa. Ma ono wpływ na wszystkie aspekty branży bezpieczeństwa — od wykrywania twarzy i pojazdów po analizę zachowań. Dzięki funkcji „głębokiego uczenia” pierwotna rola wizyjnych systemów dozorowych związana z obserwacją i zapisem obrazów jest regularnie wzbogacana o coraz to nowsze algorytmy analizy treści obrazu. Mają one za zadanie zwiększyć skuteczność działania systemu poprzez automatyzację procesów decyzyjnych. Przykładem urządzeń działających w oparciu o inteligentne analizy treści obrazu są kamery VCA.
Kamery VCA (Video Content Analysis) pozwalają na wykonanie dokładnej analizy zawartości obrazu pod kątem określonych kryteriów. W sytuacji kiedy wykryją groźne zdarzenie, umożliwiają natychmiastowe uruchomienie alarmu, przesłanie wiadomości email o niebezpieczeństwie do użytkownika systemu, a nawet poinformowanie odpowiednich służb (np. policji, firmy ochroniarskiej) o zaistniałej sytuacji. Do centrum sterowania są przesyłane wyłącznie interesujące obrazy (zawierające odbiegające od normy zdarzenia). Dzięki zastosowaniu technologii DLPU (deep learning processing unit) do generowania metadanych w kamerach pracujących na „krawędzi” sieci uzyskujemy dużo szybsze wy-szukiwanie informacji z zapisu wideo. Ponadto wyszukiwanie to wymaga znacznie mniej mocy obliczeniowej po stronie serwera. Takie rozwiązanie zapewni w przyszłości, że monitoring wizyjny będzie miał mniejsze wymagania dotyczące przepustowości sieci i co się z tym wiąże obniżą się jego koszty. Dodatkowo dzięki analizie obrazu na krawędzi sieci, znika ograniczenie budowy, lub rozbudowy systemu wynikające z przepustowości sieci.
W kamerach systemu monitoringu stosowana jest także analiza treści obrazu oparta na klasyfikacji obiektów pod względem typu. Zastosowany algorytm umożliwia rozpoznanie człowieka, samochodu, a także roweru lub motocykla w polu widzenia kamery. Dzięki możliwości rozróżnienia typu obiektu, który wtargnął w wyznaczony obszar lub przekroczył wirtualną linię, uzyskuje się znaczne zmniejszenie liczby niechcianych i zakłócających prawidłową pracę systemu fałszywych alarmów. Operator może zatem skoncentrować się na sytuacjach, które bezsprzecznie wymagają szybkiej i sprawnej interwencji. Przykładem wykorzystania powyższej funkcji może być monitorowanie miejsc pracy w pobliżu których nie powinien przebywać człowiek np. miejsce pracy niebezpiecznych urządzeń. Na skutek wykrycia człowieka w strefie zagrożenia zostaje wywołany odpowiedni alarm akustyczny czy wizualny.
Inną ciekawą funkcją rozszerzającą zakres analizy obrazu może być zliczanie przez kamerę ilości przekroczeń określonej linii osobno dla ludzi, samochodów czy rowerów w określonym kierunku. Kamera przy pomocy odpowiedniej liczby liczników potrafi zliczyć ilu ludzi, czy rowerzystów przekroczyło wyznaczoną linię a na podstawie zebranych danych można łatwo przeprowadzać odpowiednie analizy czy statystyki. W przypadku np. naruszenia kierunku przekraczania określonej linii przez samochody (np. dla jezdni jednokierunkowej) kamera wywoła odpowiednie alarmy wizualne jak i dźwiękowe. Wydajność zastosowanych urządzeń oraz metod analizy pozwala na jednoczesne monitorowanie do 32 obiektów różnego rodzaju. Jeżeli na obrazie pojawi się większa liczba obiektów, to najpierw rozpoznane będą sylwetki ludzkie, następnie samochody, a na końcu jednoślady. Gwarantuje to niezawodną pracę systemu nawet w wyjątkowo dynamicznych miejskich sceneriach. Dzięki temu, że to kamera korzysta z algorytmu klasyfikacji, istniejące urządzenia rejestrujące nie wymagają rozbudowy lub wymiany a rozproszenie elementów analizujących obraz zapewnia wysoką bezawaryjność całego systemu.
Technologia Deep Learning stosowana jest w wielu dziedzinach przemysłu zabezpieczeń i monitoringu wizyjnego – wykorzystywanie głębokiego uczenia w aplikacjach rozpoznawania twarzy, klasyfikacji obrazu, detekcji pojazdów, aż po analizę zachowania – w dużym stopniu zwiększa możliwości systemów bezpieczeństwa. Wykorzystanie algorytmów ML (machine learning) oraz DL (deep learning) od dłuższego czasu stanowi nieodwracalny i coraz szerzej rozwijany trend. Firmy działające w branży ochrony i zabezpieczeń poprzez pracę na wysokiej jakości urządzeniach integrują tradycyjne, dotychczas znane nam technologie ze sztuczną inteligencją, wpływając dodatnio na aspekty związane z bezpieczeństwem. Ponadto algorytmy sztucznej inteligencji, zwłaszcza w dobie pandemii, przyczyniają się do utrzymania dystansu społecznego oraz zachowania wyższego poziomu bezpieczeństwa higienicznego, poprzez wdrażanie technologii bezdotykowych. Dotyczy to zwłaszcza obszarów takich, jak kontrola dostępu. Inne możliwości, to funkcja liczenia osób, pomagająca w przestrzeganiu przepisów wynikających z warunków epidemicznych, lub innych przepisów bezpieczeństwa regulujących liczbę osób mogących przebywać w danym miejscu. Podane przykłady stanowią niewielki procent możliwości, jakie dają nam urządzenia dedykowane branży security i wyposażone w technologię ML (machine learning) czy DL (deep learning) a obecny 2021 rok, bez wątpienia będzie wpływał na ich wykorzystanie i dalszy rozwój.
Robert Gabrysiak
