Журнал "Системы Безопасности" № 6‘2018

ской прогрессии. Количество поступающих от камер событий также многократно увеличи- вается, что приводит к большому количеству ложных срабатываний. Как следствие, оператор оказывается физически не способен эффективно обрабатывать весь поток событий от камер в реальном времени. Для снижения количества ложных срабатыва- ний жизненно необходимой становится воз- можность заранее настроить типы объектов, на которые должна реагировать система. Для этого нужно наделить систему видеонаблю- дения функциями, присущими человеческо- му мозгу, и научить ее давать оценку про- исходящему и самостоятельно принимать решения. Именно эту способность и обеспечивает приме- нение нейронных сетей. При грамотной реализации разработчиками это позволяет значительно сократить количество ложных срабатываний системы видеонаблюде- ния. А это, в свою очередь, значительно разгру- жает операторов и сотрудников службы без- опасности, следящих за обеспечением порядка на объекте, и существенно повышает эффектив- ность их работы. Ведь им больше не приходится отвлекаться на огромное количество уведомле- ний, которые на самом деле оказываются всего лишь ложными тревогами. Вместо этого они могут сфокусироваться на событиях, которые действительно требуют внимания. Использование технологии нейронных сетей оказывается очень полезным и при решении задач по поиску и анализу информации при разборе инцидентов в архиве. Возможность сортировки по классам объектов заметно сокра- тит время на поиск нужных данных и позволит получить более точный результат. Помимо этого, преимущество нейросетевых методов анализа изображений заключается в том, что они могут решать некоторые сложные задачи, для которых создать классический алго- ритм очень затратно или практически невоз- можно. Для этих целей разработчиками используется особенность, характерная для технологии искусственного интеллекта, – возможность к обучению. Именно это обстоятельство делает использование нейроаналитики в видеона- блюдении таким привлекательным и перспек- тивным. Важным обстоятельством является тот факт, что обучение нейронных сетей можно осуществлять для работы в тех условиях, которые существуют на конкретном объекте. Здесь нужно понимать, что обученные на одной сцене нейросети при их использовании в другой ситуации и окружении могут выдавать совершенно не те результаты, которые от них ожидаются. Идеальные резуль- таты нейросеть будет показывать, только если обучать ее непосредственно на видеоматериа- лах с конкретного объекта. На рынке существуют разные производители, которые применяют различные подходы в своих решениях. В рамках нашего обзора мы рассмотрим реализацию технологий машин- ного обучения и нейронных сетей в видеоана- литике на примере решений от компаний DSSL и Hikvision. ТЕСТ В Ц Е Н Т Р Е В Н И М А Н И Я 39 www.secuteck.ru декабрь 2018 – январь 2019 Н ачнем с того, что регистратор от компании DSSL построен на базе компьютерной мате- ринской платы, а сама нейроаналитика задей- ствует ресурсы карты памяти. В регистраторы устанавливаются мощные карты, такие как Nvidia GeForce GTX. В зависимости от требуемых объемов обработ- ки видеопотока выбирается мощность карты: 1030, 1060, 1080 и т.д. Вся аппаратная часть работает под управлением операционной системы TRASSIR. Самое важное, что программное обеспечение пишется под конкретное железо. Таким образом, не получит- ся собрать сервер самому и использовать на нем операционную систему TRASSIR. Этот под- ход дает большую надежность по сравнению с серверами на операционных системах Windows. Теперь перейдем к самим нейросетям. Обучением системы занимаются программисты DSSL, кото- рые "натаскивают" ее на распознавание нужных типов объектов, предоставляя десятки и сотни тысяч изображений, на которых присутствует интересующий объект. В результате получился уникальный продукт с расширенным функциона- лом и новыми возможностями видеоаналитики. Основное преимущество TRASSIR NeuroStation, которое появилось благодаря нейросетевому модулю, – функция распознавания присутствия человека на видеоизображении. Ранее аналитика строилась только на определении лица, движения или появления объекта в кадре, но способа отде- лить человека от неодушевленного предмета или животного не существовало. Это, в свою очередь, приводило к частым ложным срабатываниям и, как следствие, снижению производительности. Технология Human Detector в новом TRASSIR NeuroStation позволяет значительно снизить количество ложных сигналов. Например, каме- ра установлена на охраняемой территории и имеет несколько тревожных зон, в которых может проезжать транспорт, но не должен нахо- дится человек. Видеорегистратор обрабатывает данные и уведомляет оператора о тревожном событии только в том случае, если в заданной области появился человек. При этом на птицу или автомобиль устройство не среагирует. На базе Human Detector создана еще одна важная функция – Queue Detector. Эта техно- логия отвечает за подсчет количества людей в очереди и при превышении допустимого количества людей на одной кассе сообщает оператору. TRASSIR NEUROSTATION Предоставлен компанией DSSL