Ανίχνευση Ομοιότητας

Σήμερα, όλο και περισσότερες εταιρείες αποκτούν μεγαλύτερη αξία εφαρμόζοντας στα συστήματα παρακολούθησης βίντεο που χρησιμοποιούν λογισμικά ανάλυσης βίντεο βασισμένα σε τεχνητή νοημοσύνη. Οι εν λόγω λύσεις εντοπίζουν, ταξινομούν και προσδιορίζουν αντικείμενα (ανθρώπους, οχήματα, ζώα κ.λπ.) και στη συνέχεια, τα καταχωρούν σε μία βάση, μετατρέποντας έτσι τη ροή του βίντεο σε δεδομένα που είναι εύκολα προσβάσιμα και έτοιμα προς ανάλυση.

Το λογισμικό ανάλυσης βίντεο θα επιτρέψει στις αρχές επιβολής του νόμου και στους χειριστές ασφαλείας να εντοπίσουν γρήγορα, μέσα από πολύωρα πλάνα βίντεο, άτομα και οχήματα ενδιαφέροντος, όπως έναν αγνοούμενο ή έναν ύποπτο που εγκαταλείπει τον τόπο του εγκλήματος. Οι λειτουργίες αναγνώρισης προσώπου και πινακίδας κυκλοφορίας (LPR) είναι γνωστές για τις πολύτιμες δυνατότητες και τη βοήθεια που προσφέρουν για την επίτευξη αυτού του σκοπού. Ωστόσο, δεν είναι όλες οι λύσεις λογισμικού αναγνώρισης προσώπων ή πινακίδων κυκλοφορίας αρκετά αποτελεσματικές, ευέλικτες, ή ακόμη και επαρκώς νόμιμες, ώστε να παρέχουν πληροφορίες σε όλα τα σενάρια και τις συνθήκες. Όταν λοιπόν οι συνθήκες ή οι κανονισμοί αποτελούν εμπόδιο, πώς μπορούμε να έχουμε τα βέλτιστα αποτελέσματα; Μία λύση είναι η χρήση της λειτουργίας «εμφάνιση ομοιότητας», που έρχεται, όχι για να αντικαταστήσει τις υπάρχουσες λειτουργίες, αλλά για να τις συμπληρώσει και να προσφέρει ακόμα καλύτερα αποτελέσματα.

Πώς λειτουργεί η αναγνώριση προσώπου και πινακίδων κυκλοφορίας: Ας δούμε σύντομα πώς λειτουργούν οι τεχνολογίες αναγνώρισης προσώπου και πινακίδων κυκλοφορίας οχημάτων. Η αναγνώριση προσώπου, που βασίζεται στη βαθιά μάθηση, εξάγει μοναδικά χαρακτηριστικά από μια εικόνα προσώπου, τα κωδικοποιεί και στη συνέχεια, τα συγκρίνει με εικόνες που έχουν ήδη προστεθεί στη λίστα παρακολούθησης. Η διαδικασία αναγνώρισης μπορεί να πραγματοποιηθεί αυτόματα και έτσι, όταν ανιχνευτεί ένα νέο αντικείμενο, οι χειριστές μπορούν να αξιολογήσουν ή και να επιβεβαιώσουν την αντιστοίχιση που προκύπτει. Οι χειριστές μπορούν επίσης να δημιουργήσουν λίστες παρακολούθησης προσώπων, χρησιμοποιώντας εξωτερικές πηγές εικόνας ή ψηφιακές εικόνες που εξάγονται από το εκάστοτε βίντεο.

Η αναγνώριση πινακίδων κυκλοφορίας λειτουργεί με τον ίδιο σχεδόν τρόπο και επιτρέπει επίσης τη διαμόρφωση μίας λίστας παρακολούθησης, πάντα με βάση μια λίστα πινακίδων οχημάτων που έχει μεταφορτωθεί στο σύστημα ή μία λίστα που έχει εισαχθεί χειροκίνητα. Οι χειριστές μπορούν να αναζητήσουν πρόσωπα ή αριθμούς πινακίδων είτε σε πραγματικό χρόνο (π.χ. ειδοποίηση όταν ένα πρόσωπο ή μία πινακίδα, που υπάρχει σε μια λίστα παρακολούθησης, εμφανίζεται στο βίντεο) ή μετά από ένα συμβάν κατά τη διεξαγωγή εξέτασης του εν λόγω βίντεο. Αυτές οι δυνατότητες βελτιώνουν την επίγνωση της κατάστασης και τους χρόνους απόκρισης σε κρίσιμες καταστάσεις.

Περιορισμένη ή βέλτιστη αναγνώριση; Όταν πρόκειται να επιλέξουμε τις τεχνολογίες της αναγνώρισης προσώπου ή της αναγνώρισης πινακίδων κυκλοφορίας, θα πρέπει να εξετάσουμε προσεκτικά το σενάριο χρήσης. Ορισμένες λύσεις ανάλυσης βίντεο διαθέτουν λειτουργίες αναγνώρισης προσώπου και LPR που έχουν σχεδιαστεί με ας πούμε κάποιους περιορισμούς, όπως η αναγνώριση ενός προσώπου σε έναν σταθμό τρένου ή η αναγνώριση του αριθμού μίας πινακίδας στην είσοδο ή την έξοδο ενός χώρου στάθμευσης. Σε σενάρια περιορισμένης αναγνώρισης παίζουν ρόλο οι ακόλουθοι παράγοντες:

• Μια εξειδικευμένη κάμερα χρησιμοποιείται συνήθως για έναν και μόνο σκοπό και τοποθετείται με συγκεκριμένο τρόπο.
• Η κάμερα βρίσκεται σε ένα ελεγχόμενο (περιορισμένο) περιβάλλον, όπου οι συμπεριφορές του αντικειμένου είναι κάπως προβλέψιμες, όπως ένα όχημα που επιβραδύνει ή σταματά σε μια είσοδο ή έξοδο ενός χώρου στάθμευσης ή ένα άτομο που περνά μέσα από μια πύλη.
• Οι συνθήκες σκηνής (όπως ο φωτισμός) είναι ελεγχόμενες και οι βέλτιστες.

Άλλες λύσεις αναγνώρισης προσώπου και LPR έχουν κατασκευαστεί για να αναγνωρίζουν και να εντοπίζουν ένα άτομο υπό δύσκολες συνθήκες. Δύσκολες συνθήκες μπορεί να είναι τα ακραία καιρικά φαινόμενα, ο ελάχιστος έως μηδαμινός φωτισμός, ένας χώρος όπου εισέρχονται και εξέρχονται καθημερινά χιλιάδες άτομα, αυτοκινητόδρομοι κ.λπ. Με άλλα λόγια, η έγκαιρη ανίχνευση πραγματοποιείται ανάλογα με τους στόχους που έχουμε θέσει και τους περιορισμούς που μπορεί να υπάρχουν σε μία τοποθεσία. Έτσι, σε «δύσκολα» σενάρια βιντεοεπιτήρησης θα χρειαστούμε μία λύση ανάλυσης βίντεο που θα έχει σχεδιαστεί ακριβώς για να ξεπερνά τις προκλήσεις που αναφέραμε παραπάνω.

Ανίχνευση ή εμφάνιση ομοιότητας – Μία εναλλακτική τεχνολογία αναγνώρισης: Όπως αναφέραμε παραπάνω, οι λύσεις αναγνώρισης προσώπου και LPR ενισχύουν το έργο των αρχών, καθώς αποτελούν ένα ευφυές εργαλείο για την αντιμετώπιση της εγκληματικότητας. Ωστόσο, όταν τα πρόσωπα ή οι πινακίδες κυκλοφορίας δεν μπορούν να αναγνωριστούν «ξεκάθαρα» με τη χρήση των εν λόγω τεχνολογιών, η λεγόμενη ομοιότητα εμφάνισης αποτελεί μια σημαντική προσθήκη που βοηθά το έργο των αρχών και γενικότερα των χειριστών. Επιπλέον, το απόρρητο ή οι νομικοί περιορισμοί ενδέχεται να απαγορεύουν τη χρήση αναγνώρισης προσώπου ή το LPR, καθιστώντας την ομοιότητα εμφάνισης ως τον μόνο τρόπο για την αποτελεσματική αναγνώριση ενός ατόμου ή οχήματος στο βίντεο.

Η ομοιότητα εμφάνισης βοηθά στον εντοπισμό των αντικειμένων που μας ενδιαφέρουν (με βάση προκαθορισμένα χαρακτηριστικά αντικειμένων, όπως το φύλο, καπέλα, χρώματα ρούχων κ.λπ.). Μπορεί επίσης να βασίζεται στο μοντέλο του Deep Neural Network, δηλαδή στο υποσύνολο των μεθόδων μηχανικής μάθησης που βασίζονται σε τεχνητά νευρωνικά δίκτυα, που είναι παρόμοιο με την αναγνώριση προσώπου.

Εκεί που η αναγνώριση προσώπου ή η αναγνώριση πινακίδων κυκλοφορίας δεν μπορεί να αποτελέσει επιλογή, λόγω του τρόπου ρύθμισης των καμερών ή των κανονισμών του απορρήτου, οι χειριστές μπορούν να χρησιμοποιήσουν τα κριτήρια αναζήτησης που αναφέρονται παραπάνω, όπως το φύλο και το χρώμα των ρούχων και στη συνέχεια να προχωρήσουν σε σύγκριση. Σε τέτοιες περιπτώσεις, μια μηχανή αντιστοίχισης ομοιότητας που βασίζεται σε αλγόριθμους βαθιάς μάθησης, θα είναι εξίσου αποτελεσματική για την εύρεση συγκεκριμένων προσώπων και οχημάτων στο βίντεο. Μπορεί το φιλτράρισμα ομοιότητας να μην συγκρίνεται με αυτό των παραδοσιακών λύσεων αναγνώρισης που ξέρουμε, ωστόσο είναι βέβαιο πως θα μειώσει τον χρόνο απόκρισης και θα επιτρέψει με τον έναν ή τον άλλο τρόπο στους χειριστές να εντοπίζουν τελικώς τους επιθυμητούς στόχους.

Οι δυνατότητες αναγνώρισης αποτελούν σημαντικό μέρος της ανάλυσης βίντεο και οι οργανισμοί που αναζητούν μια τέτοια λύση πρέπει να λαμβάνουν σοβαρά υπόψη τις ανάγκες και τους περιορισμούς σχετικά με τις εν λόγω τεχνολογίες. Υπάρχουν ολοκληρωμένες, επεκτάσιμες και αρκετά ισχυρές λύσεις που προσφέρουν τα βέλτιστα αποτελέσματα σε κάθε περίπτωση. Υπάρχουν όμως και ορισμένες λύσεις ανάλυσης βίντεο που ανταποκρίνονται με ευελιξία στις ανάγκες της αναγνώρισης – η οποία διέπεται από τους περιορισμούς που θεσπίζει κάθε χώρα – και επιτρέπουν στους χειριστές να πάρουν τα μέγιστα από τη ροή του βίντεο με υπευθυνότητα.