Повышение эффективности бизнеса с помощью технологии Deep Learning

24.10.2019

С развитием и удешевлением технологий аппаратного анализа все большую актуальность получают аппаратно-программные комплексы обработки данных – как тенденция в развитии программного обеспечения для систем безопасности. Сегодня на рынке происходит постепенный переход от простого видеонаблюдения (View) к системам с функциями видеоанализа (DeepinView) и далее – к системам на базе нейросетей и технологий глубокого обучения (Deep Learning или DeepinMind). Прежде всего такая трансформация нужна для исключения человеческого фактора в работе систем безопасности. Но в том числе присутствует большое количество запросов со стороны коммерческих заказчиков на камеры видеонаблюдения, которые могут также решать бизнес-задачи, повышать эффективность рабочих процессов.

Идентификация лиц и работа с базами – это лишь малая часть потенциала систем видеоаналитики на базе алгоритмов глубокого обучения. В бизнесе мы чаще всего сталкиваемся со следующими задачами: это контроль персонала, это анализ клиентов и их перемещений, а также новое направление, которое открывается для обработки Big Data, – это анализ транспортных потоков.

Снижение ложных тревог

Технология AcuSense представляет собой нейросетевые фильтры тревог, которые позволяют уменьшить количество ложных срабатываний систем безопасности. В первую очередь технология нужна для определения в кадре человека и транспортного средства и исключения всех остальных нерелевантных объектов и событий, которые могут вызвать ложный сигнал тревоги.

Камеры видеонаблюдения генерируют очень большой объем данных, из которых не более 5% содержат в себе действительно полезную информацию, представляют интерес для служб безопасности или маркетологов. Без интеллектуальной видеоаналитики приходится просматривать весь архив, чтобы найти момент, когда проехала машина или прошел человек. Это также часть функционала оборудования с технологией AcuSense.

Распознавание и идентификация

Технологии распознавания и идентификации лиц пользуются большим спросом не только для решения задач по обеспечению безопасности, но и в бизнес-целях. Есть простой сценарий, когда камера выхватывает лица из потока и производит сравнение с изображениями в базе. Это помогает создавать списки правонарушителей, нежелательных посетителей, предупреждать о людях, которые были замечены за неправомерными действиями, поэтому службе охраны нужно обратить на него повышенное внимание. Если объект небольшой, то можно использовать камеры с аналитикой непосредственно на борту устройства. Если же речь идет, например, о крупной распределенной сети торговых точек, то нужна камера, которая может выхватить конкретное лицо из потока, а для аналитики использовать интеллектуальный NVR. Во втором случае информацию о подозрительных лицах можно распространить по всей сети магазинов и таким образом повысить уровень их безопасности.

Получение дополнительной информации о клиентах

Помимо работы с готовой базой лиц, бизнес заинтересован в получении и других полезных данных: например, возраст посетителей, гендерный признак. На основе этой информации отдел маркетинга понимает, какой тип людей чаще всего посещает торговую точку или пользуется услугами. Владельцы торговых центров могут рекомендовать арендаторам и рекламодателям, где и на каком этаже разместить магазин или рекламу, чтобы максимально охватить целевую аудиторию.

Анализ длины очереди

Одна из наиболее востребованных функций видеоаналитики – анализ длины очереди. В отличие от обычной системы, камера с технологией Deep Learning способна анализировать объекты по высоте, таким образом не учитывает, например, животных или маленьких детей. Система также следит за средним временем ожидания покупателей, анализирует данные и в нужный момент отправляет управляющему сигнал о том, что в зале нужно открыть дополнительные кассы.

Счетчик посетителей

Это перспективное направление для внедрения Deep Learning систем. Счетчики посетителей появились на рынке уже достаточно давно, когда началось активное развитие IP-технологий. Подсчет велся с помощью датчиков пересечения линии. Однако их коэффициент полезности составляет не более 60%, потому что когда линию пересекают одновременно пять человек, то система считает их как одного посетителя.

Датчики подсчета используются также на транспорте. У перевозчиков стоит задача – оценивать реальное количество пассажиров и уровень нагрузки на транспорт. К решению бизнес-задач это имеет самое прямое отношение: если автобус сильно перегружен, он быстрее изнашивается, больше средств уходит на техническое обслуживание. Поэтому на основании данных со счетчиков оператор быстро принимает решение вывести на линию дополнительные рейсы. Такие проекты компания Hikvision совместно с партнерами реализует, в частности, в рамках проектов «Умный город», потому что подобная информация действительно важна для грамотного и эффективного функционирования городских систем, в том числе транспортных.

Тепловые карты

Тепловые карты нужны для анализа трафика посетителей и выявления популярных и невостребованных зон или товаров, а также анализа маршрутов передвижения клиентов по залу. Например, если установить fisheye-камеру на «перекрестках» в магазине, между различными секциями, то можно узнать, какой процент посетителей выбрал то или иное направление, исключая при этом движение животных, тележек, коробок и других нерелевантных объектов. Можно выявлять так называемые «горячие» и «холодные» зоны – с наибольшим и наименьшим количеством клиентов соответственно.

Решение Hikvision отличается тем, что оператор может видеть единую тепловую карту торговой точки или крупного гипермаркета, которая формируется несколькими fisheye-камерами. Это существенно повышает эффективность работы всей системы и самого оператора, так как ему не нужно отсматривать несколько отдельных изображений с разных устройств.

Контроль доступа

Сегодня на многих объектах по-прежнему используются ключи или карточки для прохода через контрольные пункты. Это далеко не самая эффективная система для учета персонала, так как один человек может приложить сразу несколько карт за других людей. Это в том числе риск утраты физического носителя и угроза безопасности охраняемого объекта. Решения на базе Deep Learning – лишены такого недостатка, так как используют в качестве идентификатора лицо человека. Инженеры компании Hikvision разработали целый программно-аппаратный комплекс для контроля доступа. Специальный тепловой модуль, встроенный в терминал, определяет, что перед ним именно человек – то есть по фотографии пройти не получится, потому что фотография имеет другие температуру и 3D-модель, в отличие от человеческого лица.

С помощью терминалов можно настроить систему доступа людей в ту или иную зону: например, разграничить пространство, куда можно проходить посетителям, а куда могут попасть только сотрудники.

Учет рабочего времени

Систему контроля доступа можно дополнить системой учета рабочего времени. Например, сотрудники должны приходить к 9 утра, в 6 вечера уходить, еще час на обед. Если человек опоздает, уйдет раньше или задержится на обеденном перерыве, система выделит это соответствующим цветом. При интеграции с внутренними корпоративными платформами система контроля доступа будет получать информацию о командировках, деловых встречах или отпусках, тогда отсутствие сотрудника не будет засчитано как прогул или опоздание.

Контроль трафика

Это относительно новое направление, которое сейчас активно развивается, в том числе в рамках проектов «Умный город». К сожалению, сегодня этот функционал сводится к штрафам за нарушения ПДД, а сбор полезных данных практически не ведется.

Технологии глубокого обучения позволяют собирать подробную статистику с транспортного потока. Это не только анализ и распознавание номерных знаков, но также определение цвета автомобиля, типа транспортного средства (автобус, грузовик, легковой транспорт и т.д.), марки. С точки зрения бизнеса эту информацию можно использовать по аналогии с анализом посетителей, о котором упоминалось выше. Например, если в определенное время на конкретной улице система фиксирует большое количество автомобилей премиум- или эконом-класса, то эта информация может быть полезна рекламодателям, чтобы на этом участке показывать таргетированную рекламу и охватывать целевую аудиторию. Подобный анализ трафика – это определенно один из трендов на рынке, который в скором времени превратится в крупный бизнес

В сегменте обеспечения транспортной безопасности использование технологий Deep Learning и анализа «больших данных» позволяет оперативно обрабатывать информацию о трафике, управлять потоками, прогнозировать сложные ситуации на дорогах, обеспечивать общественную безопасность путем распознавания не только номерных знаков, но и индивидуальных особенностей транспортного средства. Также есть возможность в режиме реального времени анализировать аномальное поведение с целью пресечения правонарушений и преступлений – например, система может фиксировать факты внезапного бега, праздношатания, пересечения определенных зон и линий, обозначенных оператором. Технологии Deep Learning также способны заранее оповестить оператора о формировании массовых скоплений людей, чтобы предотвратить возможные инциденты. Такие решения также востребованы для мониторинга за платными участками дорог, чтобы оперативно оповещать пользователей – например, с помощью уведомлений в приложениях – о ремонте или пробках.