Т. Векилов
генеральный директор компании «Вокорд»
"Алгоритм Безопасности" № 4, 2014 год
Согласно наиболее распространенному определению в Интернете, видеонаблюдение - это «...процесс, осуществляемый с применением оптико-электронных устройств, предназначенных для визуального контроля или автоматического анализа изображений». На мой взгляд, в данном определении наибольшее значение имеет фраза, относящаяся к автоматическому анализу изображений, полученных видеокамерами.
С простым визуальным контролем, казалось бы, все понятно, тем более что технологии видеонаблюдения уже не первый год используются в России как инструментарий обеспечения безопасности практически во всех сферах нашей жизни. Это и городское видеонаблюдение - за транспортными узлами, улицами и площадями; и видеонаблюдение на крупных промышленных объектах, на стадионах и в торговых-, и бизнес-центрах, и мн. др.
Но время не стоит на месте: современные технологии видеонаблюдения уже не просто обеспечивают трансляцию видео и архивирование - в виде сервисов в них реализованы функции автоматического видеоанализа и реакции на то или иное событие. Более того, в последнее время начинают получать распространение «умные» системы распознавания лиц (см. ниже), которые применяются для выделения лиц в видеопотоке в реальном времени и их молниеносного сравнения с лицами в эталонных базах. Трудно переоценить значимость таких систем как инструмента для упреждения правонарушений, противодействия злоумышленникам и др. Однако системы распознавания могут использоваться и в таких, казалось бы, неожиданных в данном контексте сферах, как, например, организация видеоконференций, в том числе, в условиях с непроизводительными каналами связи. Сегодня сфера применения таких систем постоянно расширяется, а все это в целом делает «умное» видеонаблюдение одним из ключевых элементов не только комплексных систем безопасности, но и управления.
Но есть и еще один аспект видеонаблюдения, о котором говорят реже, хотя он не менее важен. Максимально автоматизированный режим распознавания изображения без участия человека делает систему видеонаблюдения не только и не столько инструментом безопасности, с целью обеспечения которой, в основном, применяются данные системы, но и эффективным средством контроля различных технологических и бизнес-процессов, причем при относительно невысоких затратах. Такое применение систем видеонаблюдения крайне актуально для промышленных предприятий (нефтяных, металлургических, деревообрабатывающих и пр.); в организациях, занятых в сфере нефте- и газодобычи; на строительных объектах - словом, в тех сегментах, где для обеспечения результата критически важным является, с одной стороны, неукоснительное следование технологическим процедурам, а с другой - выполнение предписанных требований по технике безопасности. Для решения данных задач используются различные детекторы, встроенные в соответствующие системы (ниже мы также поговорим о них подробно). Причем тот или иной набор детекторов может быть выбран и установлен в соответствии с конкретными задачами предприятия.
Вообще говоря, видеонаблюдение, в конечном счете, сводится к анализу картинки, получаемой с камер либо наблюдателем, сидящим перед монитором, либо автоматическими средствами анализа видеоизображения. Однако в данной статье речь идет именно о втором варианте, т.к. в современных системах видеонаблюдения, как правило, количество подключенных камер превосходит возможности их контроля человеком. Именно поэтому вопрос, связанный с автоматической обработкой видеоинформации, и рассматривается нами в первую очередь.
Итак, что же умеют современные системы видеонаблюдения? Поговорим об этом подробнее и приведем несколько примеров.
ДЕТЕКТОРЫ
Видеодетектор реагирует на изменение картинки. Например, если система видеонаблюдения фиксирует появление нового предмета в определенной зоне, то детектор обнаруживает изменение картинки, и система подает сигнал оператору. Соответственно, в данном случае мы имеем дело с детектором оставленных предметов или же детектором контроля запретной зоны. Однако этот, как может показаться, простой и широко распространенный детектор, может быть усовершенствован.
Если «научить» систему отличать в кадре предметы от человека (сегодня в наиболее продвинутых системах эта функция уже реализована), то вполне реально использовать ее для контроля появления людей в определенных зонах. А это, в свою очередь, дает возможность применить видеонаблюдение к контролю исполнения требований техники безопасности. Например, на травмоопасных производствах системы видеонаблюдения могут применяться для контроля зон, в которых нахождение человека нежелательно или запрещено, но при этом возможно движение машин, механизмов или их частей. Или, скажем, в некоторых системах реализовано решение такой задачи, как контроль появления пешеходов в зонах движения автотранспорта. При этом автомобили двигаются своим чередом, а детектор реагирует только на появление человека в кадре и подает соответствующий сигнал оператору системы.
К возможностям детекторов также относится автоматический контроль различных ключей (открыт/закрыт) или индикаторов (включен/выключен). В частности, у нашей компании был опыт реализации комбинированной задачи: на удаленном строительном объекте сотрудникам разрешалось находиться в определенной зоне, если ключ находился в крайнем правом положении (ключ представлял собой рычаг, вращающийся на четверть оборота). При этом в контрольной зоне могли появляться различные механизмы, и сотрудники, естественно, обязаны были быть в строительных касках. Соответственно, система должна автоматически контролировать три параметра: повернут ли ключ в соответствующее положение, есть ли в запретной зоне сотрудники и защищена ли голова сотрудника каской. При этом сам объект находился на довольно значительном удалении от пункта контроля, и связь с камерой видеонаблюдения осуществлялась дистанционно.
Таким образом, система видеонаблюдения автоматически контролировала соблюдение правил техники безопасности на удаленном объекте. Однако, помимо контроля техники безопасности, система видеонаблюдения может автоматически контролировать и допуск посетителей на объекты, если, конечно, она является частью системы контроля доступа и в ее состав входит модуль распознавания лиц.
СИСТЕМЫ РАСПОЗНАВАНИЯ
Говоря о других способах применения систем видеонаблюдения, отмечу, что одними из наиболее дискутируемых сегодня являются системы распознавания лиц, или системы биометрической идентификации по видеоизображению, о которых я уже упоминал. Здесь необходимо помнить, что системы распознавания лиц делятся на «кооперативные» и «некооперативные». Некооперативность в данном случае означает, что системе не требуется «сотрудничество» человека, чтобы верно его распознать. Поэтому «некооперативные» системы применяются, прежде всего, для распознавания лиц в местах массового пребывания людей - на вокзалах, в метро и аэропортах, на стадионах и в концертных залах, а также в других публичных местах, где людей просто невозможно заставить взаимодействовать с системой биометрической идентификации.
Современные некооперативные системы распознавания лиц нечувствительны к изменению внешности, например, к макияжу, темным очкам, прическе, растительности на лице (борода, усы) или мимике. Т.е., если в базу данных системы внесены фотографии людей, которые должны быть распознаны (например, преступников), и при этом они сознательно пытаются изменить свою внешность, надев темные очки или отпустив бороду, то современная система распознавания лиц их распознает и в этом случае. Причем сам процесс распознавания занимает доли секунды, а сравнения с базой данных - от долей секунды до пары секунд (в зависимости от размера базы и вычислительных мощностей).
Конечно, речь в данном случае идет о системе распознавания 3D, в которой используется либо пара камер, либо две пары камер. Такая система способна автоматически не просто распознать лицо человека и сравнить его с эталонной базой данных, но и распознать текстуру лица (те же усы или бороду) и даже эмоции на лице. Причем эмоции могут быть распознаны не просто по классификации «положительные» или «отрицательные», но и как более сложные - именно с точки зрения мимики. Более того, алгоритм распознавания устроен таким образом, что наряду с построением биометрического шаблона происходит построение так называемой «маски» лица, т.е. топологической модели, которую можно «оживить» (рис. 1 и рис. 2).
Рис. 1. Построение 3D-модели лица
Рис. 2. Построение маски лица
Представьте, что вы стоите перед видеопарой (пара камер). Алгоритмы распознавания сработали, и система построила «маску» вашего лица. Вы можете начать разговаривать или просто кривляться перед камерами. Система же будет автоматически переносить изменения мимики вашего лица на маску. Таким образом, маска будет повторять вашу мимику. При этом никаких датчиков и меток на лицо не наносится.
Этот алгоритм можно использовать, например, в системе видеоконференц-связи, если каналы передачи данных не позволяют передавать потоковое видео, но абонентам необходимо видеть эмоции собеседника. Причем передача координат маски и их изменений не является затратной с точки зрения передачи данных. Соответственно, абоненты, пользующиеся непроизводительными каналами связи, смогут видеть настоящие эмоции человека, с которым они разговаривают, и при этом не задействовать потоковое видео.
Коротко коснусь еще одной важной темы - применения видеонаблюдения в автомобильной промышленности: как на производстве, так и непосредственно в автомобиле. Сегодня все чаще можно слышать о том, что автопроизводители используют интеллектуальные системы видеонаблюдения в качестве одной из систем пассивной безопасности. Встроенные в автомобиль видеокамеры могут отличать пешеходов на дороге от других предметов.
Однако вопросы скорости и точности срабатывания подобных систем пока открыты.
Возможно, в будущем системы анализа видеоинформации смогут сравниться с человеческим глазом, и системы видеонаблюдения будут выполнять гораздо больше функций, чем простая запись картинки с видеокамер в архив.
