Как технологии распознавания лиц и автомобильных номеров дополняют системы видеонаблюдения?
Муниципалитеты и корпорации все чаще получают больше пользы от систем видеонаблюдения, внедряя интеллектуальное программное обеспечение для анализа видеоконтента. Эти решения обнаруживают, классифицируют и идентифицируют объекты, а затем индексируют их, тем самым преобразуя видеоматериалы в данные, которые доступны для поиска, действия и количественной оценки. ПО для видеонаблюдения может помочь службам безопасности и правоохранительным органам быстро обнаруживать и отслеживать нужные транспортные средства или людей, путем извлечения информации из многочасовых видеозаписей. Некоторые надежные платформы даже предлагают полностью интегрированные опции распознавания лиц и автомобильных номеров (LPR), чтобы еще больше расширить возможности пользователей при поиске конкретных людей или транспортных средств. Однако не все программные решения для распознавания лиц или автомобильных номеров считаются одновременно продуктивными и достаточно универсальными, чтобы обеспечивать ценность в различных сложных сценариях и условиях, в реальной сети видеонаблюдения.
Распознавание лиц и автомобильных номеров
Распознавание лиц на основе технологии Deep learning способно извлекать уникальные особенности из входного изображения лица и сопоставлять их с галереей справочных функций (например, списком наблюдения), чтобы определить личность человека в запросе. Процесс распознавания может происходить автоматически при обнаружении нового объекта, и человек-оператор может оценить и подтвердить любое полученное совпадение. Операторы могут создавать списки наблюдения лиц, используя внешние источники изображений или цифровые изображения, извлеченные из камер видеонаблюдения.
Распознавание автомобильных номеров работает примерно так же, но еще позволяет настраивать список наблюдения на основе загруженного списка автомобильных номеров или введенных вручную комбинаций. Операторы могут искать лица или номера автомобилей либо в режиме текущего времени, либо после происшествия при проведении судебно-медицинской экспертизы видеозаписи. Это улучшает ситуационную осведомленность и время реагирования в критических, чувствительных ко времени ситуациях, чтобы ускорить расследование и достижение цели.
Учет потребностей в ограниченном или «свободном» сценарии
Когда дело доходит до выбора решений для видеоаналитики автономной технологии распознавания лиц или номерных знаков, организациям следует подумать, нужны ли им эти решения для «полевых условий» или в ограниченных сценариях. Некоторые решения для видеоаналитики включают опции распознавания лиц и LPR, специально созданные для лимитированных сценариев, таких как идентификация лиц через систему контроля доступа, чтобы разрешить человеку доступ в помещение внутри здания. Или же идентификация автомобильного номера, когда транспортные средства останавливаются у входа на стоянку. В сценариях лимитированного распознавания играют роль следующие факторы:
- Обычно используется специализированная IP камера видеонаблюдения — устройство имеет единственное назначение и расположено определенным образом;
- Камера находится в контролируемой (ограниченной) среде, где поведение объекта в некоторой степени предсказуемо: например, автомобиль замедляется или останавливается у въезда или выезда с парковки, или человек проходит через турникет;
- Условия сцены (например, освещение) контролируются и оптимальны;
Другие решения для идентификации лиц и LPR созданы для распознавания «в полевых условиях», чтобы более точно определять местонахождение человека или транспортного средства в расширенной сети существующих или не предназначенных для этого камер видеонаблюдения, которые расположены в помещении или на открытом воздухе. В зависимости от целей и ограничений, организации может потребоваться решение, специально разработанное для сценариев наблюдения «в полевых условиях».
Опция сходства внешнего вида может дополнять технологию распознавания лиц
Решения «в полевых условиях» для распознавания лиц и LPR могут работать в сложных условиях, таких как неоптимальное положение видеокамеры, освещение или погода, но при этом способны предоставлять важную информацию, дополняющую простую криминалистическую экспертизу и видеоаналитику в текущем времени. Однако с учетом проблем, когда лица или автомобильные номера не могут быть идентифицированы с помощью распознавания лиц или LPR на некоторых уличных камерах, опция сходства внешнего вида считается важной дополнительной возможностью. Кроме того, имеют место соображения конфиденциальности или юридические факторы, которые могут запретить использование распознавания лиц или LPR, что делает опцию внешнего сходства единственным способом продуктивно идентифицировать человека или транспортное средство на записи.
Опция сходства внешнего вида может быть основана на предопределенных атрибутах объекта, таких как пол, головные уборы, цвета одежды и прочее. А также может быть основана на извлечении признаков глубокой нейронной сети. В случаях, когда распознавание лиц или номерных знаков невозможно (из-за способа настройки уличных IP камер или правил конфиденциальности), механизм сопоставления внешнего вида на основе Deep learning считается действенным инструментом.
Преимущества комплексной видеоаналитики
Организации, которые проверяют решения для видеоаналитики, должны тщательно рассмотреть комплексные и масштабируемые технологии, что предлагают поиск по внешнему виду наряду с распознаванием лиц и автомобильных номеров. Точечные решения, предназначенные для LPR или распознавания лиц, имеют ограничения в некоторых случаях использования, тогда как комплексные решения для видеоаналитики позволяют организациям гибко решать всевозможные варианты использования и максимизировать инвестиции в комплекты видеонаблюдения. Благодаря масштабируемому решению для анализа видеоконтента, которое включает распознавание лиц и автомобильных номеров (среди других возможностей), организации могут пользоваться преимуществами надежного точечного решения, а также дополнительными опциями для более полного использования инвестиций в видеонаблюдение.