Сервис облачного видеонаблюдения, к примеру, iVideon и Московского правительства, стали и по-настоящему удобными для потребителя. С учетом невысокой абонентской платы сервис должен был давно стать массовым и обрести пользователей в каждом подъезде и загородным доме. Что сдерживает его развитие?

Возможность простой трансляции видео часто оказывается недостаточной для платного использования сервиса. Восторг от HD-видео в браузере и на телефоне быстро проходит, и пользователь задается вопросом, зачем ему нужна живая трансляция или месячный архив видео. Смотреть неинтересно и некогда. 99% архива не нужно, однако передачу и хранение данных при этом приходится оплачивать.

Примечание: статья снабжена ссылками на соответствующие страницы нашего сайта для тех, кто любит подробности.

Разработки Синезис не ограничиваются одной лишь видеоаналитикой. Мы занимаемся и аудиоаналитикой. Вот о ней-то мы и хотели сегодня вам рассказать. Из этой статьи вы узнаете о наиболее известных аудиоаналитических системах, а также алгоритмах и их специфике. В конце материала – традиционно – список источников и полезных ссылок, в том числе аудиобиблиотек.

Осторожно: статья может долго грузиться — много картинок.
Автор: Михаил Антоненко.

Всем привет!
Совсем недавно Синезис полным составом переехал на новое место. Организация рабочего пространства для сотни человек – задача не из легких. О том, как мы воплотили в жизнь мечты об идеальном офисе, смотрите и читайте в статье.

Имя Синезис гордо красуется на фасаде. Помимо бальзамического эффекта для души и самолюбия, надпись работает прекрасным ориентиром: клиенты, партнеры и пицца легко нас находят среди нескольких офисных зданий.

Всем привет, меня зовут Влада (на фото стою слева=) и я блондинка практически единственный гуманитарий в Синезис. Отвечаю я у нас за сайты и новости, но время от времени пишу и разные статьи на Хабру. Обратила внимание, что несмотря на масштаб ежегодного московского форума All-over-IP, что состоялся на прошлой неделе, о нем здесь никогда не писали. Возможно, читателям ресурса было бы интересно разузнать, что это за мероприятие и с чем его едят.

Наверно, если сферический читатель Хабры услышит слово «облако», он не посмотрит в небо. Сегодня мы решили порассуждать о будущем видеоаналитики. Составить предсказания «по облакам», так сказать. Если вы ждете статью с техническими описаниями и примерами алгоритмов – это немного не тот случай. Мы делимся опытом разработчика.

Будущее за смартфонами и мобильным интернетом, это понимают производители в каждой области. С другой стороны, использование видеонаблюдения также забралось практически во все сферы нашей жизни. В госсекторе это безопасные города, в крупном бизнесе – мониторинг инфраструктуры, в торговых сетях и финансовой сфере – средство управления продажами, в частном секторе – охрана имущества. Но вот интеллектуальное видеонаблюдение – видеоаналитика – пусть и неуклонно развивается, но все еще не является массовым. В лучшем случае, в облачном сервисе реализовывают детектор движения, и то, без возможности выбора охраняемых зон или настройки расписания. Чем обусловлено это отставание? Что мешает адаптации классической системы видеоаналитики к облачному сервису? И главное: что с этим делать?

С завидной регулярностью на Хабре появляются статьи, рассказывающие о тех или иных методах распознавания лиц. Мы решили не просто поддержать эту замечательную тему, но выложить наш внутренний документ, который освещает пусть и не все, но многие подходы к распознаванию лиц, их сильные и слабые места. Он был составлен Андреем Гусаком, нашим инженером, для молодых сотрудников отдела машинного зрения, в образовательных, так сказать, целях. Сегодня предлагаем его все желающим. В конце статьи – впечатляющих размеров список литературы для самых любознательных.

Сегодня мы хотели бы рассказать вам о том, как наша видеоаналитика помогает челябинским ученым. Если точнее – исследователям биохимических стратегий адаптации человека в стрессовой ситуации из Южно-Уральского государственного медицинского университета (просто нам очень нравится, как гордо и внушительно звучит словосочетание «челябинские ученые»).

Исследования ведутся на базе кафедры биологической химии руководством заведующего кафедрой доктора биологических наук, профессора Вадима Цейликмана. В проекте участвуют и преподаватели, и студенты, причем последние допускаются с любых курсов. Основной способ применения программного обеспечения Синезис – видеотрекинг в тесте «Открытое поле».

Все время, что мы занимались разработкой видеоаналитических модулей, нам не давали покоя поезда. Наши разработки давно и успешно используются на самых разных объектах, в том числе и на вокзалах, и на ж/д развязках, и в метро. И нам удалось в своих алгоритмах добиться очень высокой точности, например, при детектировании падения объекта (человека, предмета) на рельсовое пространство или «застревании» автомобиля на переезде, или детектировании драки на платформе метро. Но задача осложняется тем, что, как правило, требуется не детектирование поезда, а полное его игнорирование в кадре. Согласитесь, трудно игнорировать объект, занимающий половину экрана. Вот и наш обычный детектор движения плохо справлялся: при появлении движущегося состава мы получали ложные срабатывания из-за множества артефактов, появлявшихся вместе с ним. Если говорить конкретнее, ложные объекты детектируются и в самом поезде, и вокруг него, что обусловлено возникающими тенями, светом и другими искажениями, которые «движутся» вместе с составом…

Если говорить о видеонаблюдении в рамках проекта «Безопасный город», то очевидно, что одна из основных его задач – «выявить и пресечь противоправные действия». Драки и хулиганство в нашей стране, к сожалению, дело нередкое. Вот потому мы и решили разработать модуль автоматического распознавания хулиганства, драк и потасовок. Поскольку детекторов драки в чистом виде на рынке видеоаналитики, кроме того, что разработали мы, нет, у людей заинтересованных возникает много вопросов о принципах его работы и эффективности. Сегодня мы хотели бы ответить на эти вопросы в статье и, в последствии, в ваших комментариях к ней.

В конце прошлого года состоялся конкурс на разработку проектной документации на оснащение системой интеллектуального видеонаблюдения (ИСВН) объектов Московского метрополитена. Сумма контракта составила более 387 млн. рублей. И это лишь 10% от общей суммы, составляющей приблизительно 4 млрд. рублей, выделенной из федерального и городского бюджета на внедрение в Московском метрополитене современнейшей системы интеллектуального видеонаблюдения. Крупные суммы и далеко идущие планы, по сути, являются возобновлением государственной программы, действовавшей с 2010 по 2013 год и начатой в связи со всем нам известными трагическими событиями, произошедшими в Домодедово и Московском метрополитене. Давайте посмотрим, что было сделано за прошедшие годы, и чего нам стоит ждать от программы обеспечения безопасности в 2014-2016 годах.

Уходящий 2013 год показал отличную динамику на рынке видеоаналитики, несмотря на слабые темпы экономического развития в стране в целом. Масштаб и количество пилотных проектов многократно превысили показатели прошлого года и создали хороший задел для их тиражирования в период 2014-2017 гг. Отметим наиболее значимые сегменты применения охранной (О), биометрической (Б), статистической (С) и управленческой (У) видеоаналитики.

Перспективы использования видеоаналитики для крупных объектов делового города, офисных центров, бизнес-парков и социальных учреждений, приобретают все более ясные очертания с развитием технологий машинного зрения.

Благодаря специальным приложениям и интернет-ресурсам мы можем сегодня в любой момент уточнить расписание городского транспорта, проложить маршрут для поездки или найти место на автостоянке.

Первое серьезное внедрение

Все чаще российские интеграторы получают запросы от своих клиентов на установку систем видеоаналитики в розничной торговле. Первой крупной торговой сетью, которая провела конкурс и длительные испытания на поставку такого решения была М-Видео. Основная задача в большинстве магазинов сейчас это подсчет посетителей. Однако, крупнейшая сеть магазинов уделила особое внимание таким аспектам как точность подсчета, возможность подсчета не только на входе, но и в неструктурированной очереди малоподвижных людей, классификации персонала по одежде, определение активности персонала, анализ поведения посетителей в магазине.В связи с большим количеством магазинов, а также множеством входов в каждом из них, важно было получить обобщенные данные по числу вошедших со всех входов, сравнивать данные, полученные в определенные промежутки времени в разных магазинах.

ООО «Синезис» и ОАО «РТИ» подписали соглашение о сотрудничестве в области видеоаналитики и представят совместное решение для Безопасного города на Международной промышленной выставке Industrial Supply 2013 в Ганновере (Hannover Messe, 8-12 апреля 2013).
Работа по продвижению настоящего решения будет осуществляться в рамках деятельности международного консорциума «Безопасный город», образованного по инициативе ОАО «РТИ» в 2011 году.

Нужна ли видеоаналитика безопасному городу? Нет сомнения, что функции распознавания и поиска событий необходимы, но во вторую очередь — после того как будут адекватно реализованы базовые функции городской системы видеонаблюдения.
Сегодня объекты городской инфраструктуры, включающей в себя транспорт, ЖКХ, общественные учреждения, плохо интегрированы в городскую сеть наблюдения и не предоставляют удобного доступа к качественным видеозаписями своим основным пользователям — ФСБ, МВД, МЧС и др.

Интеллектуализация видеонаблюдения на транспорте – одно из самых перспективных направлений отрасли ввиду масштабного строительства общественной инфраструктуры. Так, только в Москве планируется переоснастить 188 существующие станции метро, построить 64 новые подземные станции, 31 наземную станцию на Малом кольце железной дороги и 5 линий скоростного трамвая с оплатной проезда на станции. Каждая подземная станция будет содержать не менее 50 камер, на которых будет работать ситуационная и биометрическая видеоаналитика, оптимизированная для мест массового скопления людей.



Важно, что внедрение технических средств интеллектуального видеонаблюдения является обязательным на уровне федерального закона о транспортной безопасности, распоряжений Правительства РФ об утверждении Комплексной программы обеспечения безопасности населения на транспорте и приказов Минтраса об утверждении требований по обеспечению транспортной безопасности категорированных объектов (подробнее о нормативной базе на транспорте).

Видеонаблюдение как сервис (VSaaS, video surveillance as a service) на базе облачной инфраструктуры вляется одной из актуальнейших тенденций отрасли. По мнению агентства IMS Research, Великобритания, глобальный рынок VSaaS составил $500 млн в 2011 году и может превысить $1 млрд в 2014 году, то есть за 3 года может удвоиться.

Одновременно, по оценке агентства ABI Research, США, рынок инструментов видеоаналитики для бизнеса увеличится более чем в 2,5 раза с 2011 года до 2016 года, в котором достигнет $900 млн.

«Видеоаналитика как сервис» находится на пересечении этих двух рынков и подчеркивает фокус на видеоанализе без участия оператора, в то время как термин VSaaS сегодня чаще предполагает лишь возможность удаленного просмотра и записи без какой-либо аналитики.

Наша заметка анализирует состояние рынка и технологий VSaaS, а также рассматривает возможность преодоления основного препятствия развития рынка VSaaS – ограничения исходящего канала абонента – при помощи видеоаналитики.

Видеоаналитика автоматизирует четыре классических функции средств охраны: обнаружение, слежение, распознавание и прогнозирование. Можно возразить, что порядок немного другой — слежение после распознавания — но на практике точное распознавание происходит после слежения за объектом в течение периода времени с целью накопления данных об объекте.

Как правило, все четыре функции выполняются многократно, обеспечивая непрерывное уточнение гипотез о количестве, местоположении и типа объектов в контролируемой зоне, а так же устранение избыточности в результатах.

На сегодняшний день защита периметра является основным приложением профессиональной видеоаналитики (если не включать в это понятие задачу распознавания номерных знаков автомобилей). В отличие от систем видеоанализа, используемых в общественных местах, периметральная видеоаналитика решает более конкретную и простую задачу — первичное обнаружение человека или транспортного средства в стерильное зоне. В нашей первой публикации в 2009 году мы рассмотрели общие проблемы периметральной видеоаналитики и оценки ее точности.

Главным отличием периметральной видеоаналитики от обыкновенного детектора движения является необходимость стабильного обнаружения объекта интереса (цели) на динамическом фоне, изменения которого обусловлены окружающей средой. Видеоаналитика не должна реагировать на изменения освещения, тени, движение растений, животных, насекомых, птиц, осадки, дрожание камеры от ветра, но при этом должна сохранить высокую чувствительность по отношению к потенциальным нарушителям периметра.

Подготовленный нарушитель может выглядеть совершенно непредсказуемо для разработчика видеоаналитики, и «заточка» детектора для снижения частоты ложных срабатываний, например, под идущего человека не обеспечит адекватной срабатывания видеоаналитики в случае, если нарушитель будет ползти или двигаться в группе людей.

Интегральный характеристикой точности видеоаналитики для периметра является показатель F1, используемых в тестах i-LIDS, который зависит от частот ошибок I и II рода, а так же от времени реакции системы. Срыв слежения за целью приводит к повторному срабатыванию, что считается ошибкой I рода. Поэтому слежение является важной составляющей периметральной видеоаналитики (в отличие от обыкновенного детектора движения).

Настоящая статья дополняет вышеуказанную публикацию современными тенденциями отрасли и более подробно рассказывает о востребованных функциях видеоаналитики в системах защиты периметра.

Тенденция 1. Различные спектры наблюдения

Главным стимулом применения сенсоров, работающих в различных диапазонах спектра, является обеспечение всепогодного режима работа и/или увеличения дальности действия камеры. На периметрах применяются фиксированные камеры ближний инфракрасной, средней тепловизионной и дальней тепловизионной областей спектра. Как показано на рисунках рис. 1-3, сенсоры формируют изображение различной информативности и требуют адаптации видеоаналитики к специфическим особенностям наблюдения в каждом диапазоне спектра. Здесь наиболее сложными задачами являются: детектирование целей при неблагоприятном соотношении сигнал/шум, слежение за слабоконтрастными целями на большой дальности (при существенной амплитуде дрожания изображения). Так же имеет место сложная отраслевая специфика: например, при мониторинге периметра железнодорожного полотна, видеоаналитика не должна реагировать на поезда и создаваемые им помехи (тени, вихри снега, сильные вибрации камеры).

Рисунок 1 Наблюдение в зоне ближней инфракрасной области спектра: велосипедист на пересеченной местности, катер на воде, человек на мосту