Журнал "Системы Безопасности" № 4‘2020

В И Д Е О Н А Б Л Ю Д Е Н И Е И В И Д Е О А Н А Л И Т И К А 110 август – сентябрь 2020 www.secuteck.ru СПЕЦПРОЕКТ СИСТЕМы ВИДЕОАНАЛИТИКИ С развитием технологий и вычислительных мощностей, совершенствованием алгорит- мов работы нейросетей с CPU и GPU и балан- сированием нагрузки между ними мы прихо- дим к тому, что продукт видеоаналитики стано- вится все доступнее и сейчас его может себе позволить не только большой бизнес, но и SMB, и даже небольшой магазин. Вы спросите: "А причем тут небольшие магазины, им-то это зачем?" Давайте возьмем для примера неболь- шой салон сотовой связи где-нибудь в торго- вом центре. Вот какие сценарии видеоанали- тики можно реализовать даже на одной камере в этом магазине: l подсчет посетителей за день (считаем, что продавцы работают в униформе, поэтому мы отличаем продавцов от покупателей); l определение целевой аудитории (нейросеть для распознавания пола, возраста, стиля одежды); l выявление "холодных" и "теплых" зон в тор- говом зале (где, перед какой витриной людей прошло больше, а где меньше); l обнаружение открытых витрин (предупреж- дение воровства); l определение, сколько покупателей были обслужены продавцами, а к скольким никто не подошел; l подсчет, сколько покупателей вошли и вышли, а сколько вошли и что-то купили, и т.д. Видеоаналитика – это не банальное распозна- вание и классификация объектов. Это сложная логика и математика, которые настраиваются и администрируются, впоследствии работая с обученными нейросетями, которые тоже можно изменить, усложнить, улучшить. В приведенном примере внедрение подобных решений может дать дополнительные инстру- менты аналитики в руки маркетологов и руко- водящего звена для контроля и улучшения работы персонала. А теперь представьте, что за это все, то есть решение под ключ, магазину не придется тратить и 10 тыс. рублей в месяц. Вы бы отказались? От простых функций до сложных экосистем Пожалуй, самым распространенным модулем видеоаналитики является детектирование средств индивидуальной защиты на объектах промышленного производства и распознава- ние защитных масок на лицах входящих в зда- ние людей. Но последний пример носит скорее временный характер из-за пандемии, в то время как первая задача стала классической. Такие функции, как распознавание номерных знаков или детектирование автотранспорта, вообще можно вычеркнуть, потому что они настолько просты, что реализуются уже из коробки производителями смартфонов или умных IP-камер. Более интересно другое направление – созда- ние экосистемы на базе видеоаналитики со сложной логикой и математикой, подключени- ем вторичных систем (таких, как ситуационный центр или система экстренного оповещения СБ о наступившим событии), механических или роботизированных узлов и т.д. Если имеется производственный конвейер, на последнем шаге которого нужно контролировать брак готового изделия, то можно подключить видео- аналитику, научить ее распознавать брак и по факту нахождения создавать запись в журнале, а также подключить механику, которая будет убирать брак из готовой партии. Другим примером сложной экосистемы является вариант пищевого ритейла, когда система настроена таким образом, что добав- ление нового товара в общую нейронную сеть магазина происходит не посредством при- влечения дорогостоящих профильных специа- листов, а сотрудниками магазина с любого мобильного устройства, задача которых – выполнить простейшую инструкцию. Как результат – сокращение количества времени на кассе при оплате, предупреждение воров- ства. И так тоже можно. Видеоаналитика на борту камеры Только простейшие функции видеоаналитики целесообразно перенести из серверов в каме- ры, так как у камер мощностей процессора хва- тит лишь для неглубоких нейронок (одно-двух- слойных). Классический пример – распознава- ние номерного знака или человека на дороге. Хотя этого редко бывает достаточно. Лучше все же постараться найти место для установки рядом с камерой небольшой коробки с нор- мальным CPU и GPU, причем речь не о сервере, нейросети и решения видеоаналитики могут работать и на компьютерах уровня "домашний ПК". Отличия серверов от ПК понятны, и так как некоторые системы видеоаналитики не являют- ся критически важными для бизнеса, они могут быть реализованы на более доступном и не менее производительном железе уровня ПК. Другим вариантом решения этой задачи может быть камера с модулем 4G/5G. Скорости сети в большинстве случаев будет достаточно, чтобы забирать весь видеопоток и полноценно анализировать его глубокими, качественными нейронками в ЦОД на полноценных серверах. Решение принимает человек За работой любой системы видеоаналитики должны стоять люди. Предлагаемые системы снижают риск пропустить что-то важное: они никогда не устают, как люди, их невозможно подкупить шоколадкой или договориться с ними, как с бабой Машей на КПП. Системы видеоаналитики призваны разгрузить челове- ка, сняв с него рутинные операции и оставив за ним лишь функцию конечного контроля. Управленческое решение или решение СБ все равно будет приниматься человеком на осно- вании отчетов видеоаналитики. Важно понимать, что системы, построенные на базе видеоаналитики, – это лишь опытные и экспертные помощники руководителей пред- приятий, которые позволяют делать работу более качественно и с меньшими издержками, но человека эти системы в ближайшем буду- щем не заменят. Нейросети, на базе которых работают данные системы, не могут самообу- чаться. Они выполняют несколько простых функций – детектирование, классификацию, трекинг объекта. Далее накладываются логика и математика, и вот он, продукт. Даже если говорить о персонале, который выполняет простейшие функции на предприя- тии (та же баба Маша на КПП), нагрузка на него станет значительно меньше и, наверное, от пары таких сотрудников предприятие смо- жет отказаться, но совсем без них все равно не обойдется, так как ни одна информационная система не даст 100%-ный результат. Хорошим показателем для видеоаналитики является точ- ность 98–99%. С этим и живем. Кирилл Кабанов Руководитель ООО "Барнет" МНЕНИЕ ЭКСПЕРТА Видеоаналитика – сложная экосистема на базе логики и математики www.domination.one