Intelligent videoanalys – hur användbar är denna teknik idag?

Med jämna mellanrum dyker frågan upp hur långt man kommit med intelligent videoanalys och om det är dags att börja använda denna teknik i sin befintliga kameraövervakning.

Svaren är inte helt självklara från vårt perspektiv, men det kan vara värt att prova åtminstone de enklare varianterna i sin befintliga miljö. Det har länge funnits system som starta ett larm om en rörelse detekteras i ett visst område och samtidigt kan maska bort delar av ett övervakningsområde som saknar betydelse.

Det som är nytt är att teknikerna att upptäcka olika typer av händelser har förfinats och det numera är möjligt att få larm om någon exempelvis:

• Vistas onaturligt länge på en plats
• Ställer ifrån sig ett föremål och går därifrån
• Tar med sig ett föremål från en plats
• Beter sig onaturligt, tex springer eller svimmar
• Följer efter andra personer genom dörrar eller på avstånd
• Klottrar, kastar skräp eller springer på olämpliga platser
• Fordon som kör på fel platser, hastigt startar eller stoppar (krockar)
• Larm om okända personer syns i bild (baserat på ansiktsigenkänning)

Om man har en befintlig kameraövervakning så kan alla dessa händelser upptäckas genom personal som övervakar skärmar, men intelligent videoanalys ökar chanserna att upptäcka och reagera på denna typ av händelser. Man får då upp aktuell bild och den aktuella händelsen utmärkt och förklarad i bilden. Det bästa är att man inte heller behöver bygga om sitt övervakningssystem, den intelligenta videoanalysen kan införas som ett komplement till den befintliga övervakningen och inspelningen.

I sista hand kan man skapa nya kopplingar mellan sitt övervakningssystem och existerande system, exempelvis att personal får en liten varning att gå in eller ut genom en dörr om någon väntar på andra sidan eller har följt efter personen fram till dörren.

Frågorna är inledningsvis hur tillförlitlig den nya videoanalysen är samt i någon mån även om den kan användas för att minska kostnader för andra typer av larm och om den rentav medger övervakning av händelser som annars inte skulle få kameraövervakas. Vad gäller tillförlitligheten kan man kanske jämföra med de kamerabaserade säkerhetssystem som idag finns i fordon. Det har redan utvecklats bilar som är självkörande, men det ligger sannolikt ännu några år in framtiden innan dessa fordon verkligen kan köra under ogynnsamma betingelser som i mörker, på dåliga vägar och med passagerare. En enklare jämförelse är kanske att se på kamerabaserad helljusautomatik som redan används. Den fungerar riktigt bra 80 % av tiden om det inte regnar, men den missar ofta att blända av för lastbilar eftersom automatiken inte reagerar på de svagare positionsljusen ovanpå hytten. Likaså missar tekniken ofta att blända av på trefältsvägar där räcket döljer den andra bilens strålkastare. En gång körde jag på en illa upplyst väg som gick parallellt med en väl upplyst cykelbana och bilen bländade av för att den tyckte att det fanns ju gatlyktor. Varje kameraövervakningssystem kommer att ha ett antal liknande situationer som man måste vara beredd på. All kameraövervakning är känslig för skymd sikt, exempelvis att någon klättrar över staketet i skydd bakom en parkerad lastbil. Det är sannolikt att en intelligent videoövervakning som ska detektera om någon ställer ifrån sig en väska och går ifrån den fungerar bättre i dagsljus med få personer i lokalen och glest mellan störande föremål. Är det däremot trängsel på flygplatsen eller köpcentret så fungerar det sannolikt sämre. Givetvis kan terrorister förväntas slå till i trängsel, i vart fall om de vill lämna bomber. Skaffar man en intelligent videoövervakning av ett mer svårbevakat utrymme så får man sannolikt prova vad utrustningen verkligen klarar av och anpassa förhållandena, skaffa fler kameror och i sista hand möblera om på platsen. För att får ett ännu intelligentare system som kanske kan upptäcka att någon ställer ifrån sig en väska och att det är någon annan som tar väskan så krävs givetvis mer. Systemet måste komma ihåg personer och föremål över tid, i vart fall minst några minuter.

Moderna system säger sig kunna detektera när personer möts, skiljs, ställer ifrån sig och tar upp föremål, när de pekar med armen, när de ringer samtal och när de springer. Frågan är närmast hur den som äger övervakningssystemet ska använda denna information och i vilket sammanhang. Några av de situationer som kan detekteras är kanske situationer som ska kunna ge ett larm, andra situationer är kanske sådana som ska kunna spåras i efterhand, tex efter en anmälan om en fickstöld. Med en beskrivning av situationen så kan det gå att mata in några sökparameterar som gör att övervakningssystemet kan hitta i det inspelade materialet. Det skulle kanske gå att hitta ficktjuvar som knuffar folk, frågar efter vägen eller gör andra detekterbara rörelser på detta sätt. En naturlig sökparameter för en ficktjuv skulle kunna vara en person som ofta sammanträffar med andra människor, dvs träffas och skiljs.

Nästa fråga är om det går att ersätta befintliga larm med kamerabaserade system, om den intelligenta videoanalysen kan avgöra om någon klättrar över staketet eller ens går nära det så kanske det inte längre behövs ett stängsellarm eller andra typer av avskräckning. Vår inställning är att man bör ha ett bra staket, ett staketlarm och kameraövervakning ovanpå det. Fördelen med ett fysiskt larm är att det påverkas mindre av mörker och dimma samt att det inte lika lätt kan störas ut, en kamera kan ibland bländas av en stark laserpekare och var då larmfunktionen enbart kopplad till videoanalysen så försvinner larmet. Ett fysiskt larm har också oftast en bättre förmåga att detektera fel på larmet.

Ofta används istället kameraövervakningssystem som komplement till andra säkerhetssystem. Butiker och köpcentra eller museer har ofta stöldskyddsmärkning på föremål som ett förstahandsskydd och kameraövervakning som sekundärt skydd. Intelligent videoövervakning ska dessutom kunna detektera om personer stannar kvar länge på en plats i butiken vilket kan tyda på att de förbereder sig för en stöld, obefogat ser sig omkring och sedan hastigt går från platsen.

Den sista frågan är om intelligent videoanalys kanske kan tillåta sådan kameraövervakning som annars inte tillåten. Situationen skulle då kunna vara sådan att systemet varken visar eller spelar in bilder, men ger en annan typ av larm eller en signal om någon står och väntar utanför en ytterdörr eller borta på parkeringsplatsen. Givetvis krävs i denna typ av system regelbundna prov att systemet verkligen fungerar som avsett.

Vår slutsats är intelligent videoanalys kommer att öka i omfattning och värd att prova, kanske mest naturligt i ett redan befintligt system, men att man inte ska förlita sig enbart på intelligent videoanalys.

Referenser videoanalys

http://www.intelli-vision.com/products/intelligent-video-analytics

Exempel på kvarlämnade föremål

Här finns exempel på videoanalyser på kvarlämnade föremål, stationära föremål som försvinner, onormalt beteende (personer som ramlar omkull), personer som inkräktar på ett område de inte ska vara på osv. Exempel på kvarlämnade föremål, mannen i bilden kommer att lämna kvar sin väska på bordet. Tänkbara felkällor är personer som lämnar kvar matbrickor och tidningar på bordet.

Tänkbara problem är personer som reserverar bord genom att hänga ifrån sig en jacka eller som möblerar om genom att flytta bord och stolar för att kunna sitta tillsammans.

Exempel på onormalt beteende

Här finns också några exempel på onormalt beteende, nedan visas en sekvens med två personer som blir illamående och faller omkull. Tänkbara falsklarm skulle kunna vara personer som plockar upp något från golvet eller städare.

Övriga exempel på intelligent videoanalys

http://video.boschsecurity.com/video/Viaduct—Graffiti-and-Loitering/a5408520943183b75337d4c4923dd8be

Exempel på klotter

Nedan visas en sekvens med en klottrare som fångas på bild. Tänkbara falsklarm skulle här kunna vara personer som stannar upp för att titta på klotter eller stannar och gestikulerar på platsen. Tänkbara problem är givetvis personer som klottrar nattetid eller i den aktuella situationen parkerar en skåpbil på gatan framför.

http://www.nuuo.com/ProductNode.php?node=6#

Här visas en övervakningsfunktion som noterar en person som närmar sig ett staket i förgrunden och sedan hoppar över det. Personens väg markeras som ett streck i bilden och larmet går när han faktiskt hoppar över staketet. Tänkbara falsklarm är om personer legitimt befinner sig på båda sidor om staket. Tänkbara problem är om inkräktaren tar sig in i området utanför det område (staketet) som definierats som förbjudet område eller om man glömt att definiera även utpassage som otillåtet (en tjuv kan ju välja att ta sig ut över staketet också).

https://www.youtube.com/watch?v=BeojUypH8p0

Andra exempel på intelligent videoanalys som finns på några ovanstående referensplatser är trafikanalyser, identifiering och räkning av containrar och detektion av läckor och utsläpp på industriområden. Gemensamt för nästan alla system för intelligent videoanalys är att det finns någon typ av administrationsgränssnitt, exempelvis för att välja vilka områden som ska ingå i analysen, vilka färdiga analysmoduler som ska ingå och möjlighet att skapa egna kontroller, exempelvis av vilka rörelser, passager och beteenden som är tillåtna eller otillåtna. På de flera platser finns också behov att definiera var man får lämna föremål (bagageinlämning, leveranser), hämta föremål (bagageband) och kasta föremål (container).