Видеоаналитика для общественного транспорта: Big Data — подводная часть айсберга

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 ^[1]).

Ситуационная видеоаналитика ^[2] может быть реализована на базе алгоритмов слежения для потолочных камер, которые сопровождают людей «по головам». Детекторы ситуаций работают на основе полученной траектории и правил, заданных службой безопасности. Таким образом, могут быть настроены детекторы скопления людей ^[3](толпы), движения против потока, быстрого движения (бега). Возможно применение специализированных детекторов для автоматического обнаружения фактов падения людей на рельсы ^[4], появления оставленных предметов ^[5] и парного прохода через турникет ^[6].

Примеры видеоаналитики

Биометрическая видеоаналитика опирается на технологию распознавания лиц ^[7] по биометрическим признакам лица. В простейшем случае, осуществляется поиск подозреваемых лиц по «черному списку». При более сложных сценариях, которые еще не получили распространения на практике, биометрия интегрируется с ситуационной видеоаналитикой и системой сопровождения лиц. Например, «зайцы» прыгающие через турникет автоматически заносятся в «черный список» и при многократных нарушениях могут быть задержаны и оштрафованы.
Перспективным является многокамерная биометрия, которая предполагает множественное сравнение лиц между различными рубежами территориально-распределенной сети наблюдения. Такая система позволяет проанализировать не только перемещения подозреваемых лиц по сети общественного транспорта, но и собрать детальную статистику пассажиропотоков для ее сбалансированного развития (см. так же многокамерное слежение ^[8]).

Видеоаналитика на транспорте все чаще используется за рамками службы безопасности для сбора статистических данных и принятия управленческих решений. Такие аналитические системы необходимы для управления пассажиропотоками ^[9], повышения качества обслуживания и производительности труда персонала.

Если посмотреть на аналитические системы для транспорта с точки зрения современных тенденций ИТ в целом, то открывается «подводная часть айсберга» предстоящей работы. Видеоаналитика и биометрия сегодня чаще всего работают на объектовом уровне, причем собираемые метаданные с используются лишь для привлечения внимания оператора. Архив метаданных, скрывающих массу полезной информации, не собирается и не анализируется.

Среди десяти стратегических технологий ^[10], выделенных Gartner на 2013 год, с задачами транспортной аналитики сильно коррелируют как минимум три: Стратегические большие данные (Strategic Big Data), Аналитика в точке действия (Actionable Analytics) и Мобильные приложения (Mobile Apps). Похожие прогнозы ^[11] делает IMS Research: Метаданные как Большие данные (Video Meta-data as “Big Data”) и вертикализация видеонаблюдения (Video Surveillance Goes Vertical).

Таким образом, полноценное внедрение видеоаналитики на транспорте предполагает использование принципиально новых подходов для хранения и анализа больших массивов метаданных. Частными задачами здесь являются поиск объектов и ситуаций в распределенном видеоархиве, фильтрация и ранжирование событий ^[12], агрегирование и визуализация данных для отчетов с учетном их контекстной зависимости.

Автор: NikolaiPtitsyn

Источник ^[13]