Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie для хранения данных, которые обеспечивают правильную работу сайта.
Видеоаналитика и системы видеонаблюдения стали всё более распространенным средством улучшения процессов безопасности и защиты благодаря разработке алгоритмов искусственного интеллекта (ИИ), к тому же обеспечивающих организациям действенную бизнес-аналитику. Прочтите наше полезное руководство по видеоаналитике, описывающее, что подразумевается под этим термином, как она предоставляется, краткую историю и преимущества, которые она обеспечивает конечным пользователям.
Переход от традиционных аналоговых технологий наблюдения к IP (цифровым) решениям дал специалистам по безопасности доступ к гораздо более широкому функционалу. IP-камеры могут создавать оцифрованные потоки видеоданных, которые можно передавать по сетевому кабелю или через Wi-Fi. Важно, что это превратило видеонаблюдение и CCTV (в настоящее время в Великобритании 4,2 миллиона камер — одна на каждые 14 человек) из реактивных инструментов в проактивные в режиме реального времени.
Переход от традиционных аналоговых технологий наблюдения к IP (цифровым) решениям дал специалистам по безопасности доступ к гораздо более широкому функционалу. IP-камеры могут создавать оцифрованные потоки видеоданных, которые можно передавать по сетевому кабелю или через Wi-Fi. Важно, что это превратило видеонаблюдение и CCTV (в настоящее время в Великобритании 4,2 миллиона камер — одна на каждые 14 человек) из реактивных инструментов в проактивные в режиме реального времени.
В последние годы видеоаналитика представлялась программным обеспечением CCTV: обработка визуальных данных, поступающих с сетевых камер, и обнаружение событий в реальном времени и последующий анализ. Используя искусственный интеллект и огромную вычислительную мощность современных компьютеров, аналитические платформы теперь могут предлагать подсчет людей, температурное картирование, распознавание лиц и множество других функций, позволяющих операторам отслеживать подозреваемых и выявлять закономерности среди шума — и без постоянного наблюдения со стороны человека.
Это очень важно, учитывая, что в среднем каждый сотрудник службы безопасности контролирует от 25 до 50 видеокамер. Согласно блогу 3S Security Systems, цитируемому журналом Security and IoT asmag.com, исследования в США показали, что персонал, просматривающий видеосистемы, может испытывать усталость «всего за 12 минут, пропуская до 45% активности в сценах с камеры». Через 22 минуты количество пропущенных действий увеличивается до 95 %».
«Использование технологии аналитики может позволить одному человеку контролировать гораздо больше камер и уменьшить количество пропущенных критических событий», — как пишется в блоге, «позволяя тем самым быстро среагировать и предотвратить преступление, а не просто разбираться с последствиями инцидента».
Это очень важно, учитывая, что в среднем каждый сотрудник службы безопасности контролирует от 25 до 50 видеокамер. Согласно блогу 3S Security Systems, цитируемому журналом Security and IoT asmag.com, исследования в США показали, что персонал, просматривающий видеосистемы, может испытывать усталость «всего за 12 минут, пропуская до 45% активности в сценах с камеры». Через 22 минуты количество пропущенных действий увеличивается до 95 %».
«Использование технологии аналитики может позволить одному человеку контролировать гораздо больше камер и уменьшить количество пропущенных критических событий», — как пишется в блоге, «позволяя тем самым быстро среагировать и предотвратить преступление, а не просто разбираться с последствиями инцидента».
Определение видеоаналитики
Существует три различных типа видеоаналитики: аналитика с фиксированным алгоритмом, алгоритмы обучения искусственного интеллекта и распознавание лиц. Каждый из них обрабатывает цифровые видеосигналы с помощью алгоритма выполнения функции, связанной с безопасностью.
Фиксированные алгоритмы аналитики и обучения искусственного интеллекта обнаруживают подозрительное поведение, зафиксированное видеокамерой, и предупреждают сотрудников службы безопасности, следящих за этими камерами.
Аналитика фиксированного алгоритма работает, выполняя специальную задачу и отслеживая определенное поведение — например, кто-то движется в неправильном направлении в проходе, оставляет объект или поднимает объект, слоняется и отклоняется за пределы очерченного пространства.
Тем временем алгоритмы ИИ учатся «на работе», будучи подключенными к камере в течение нескольких недель. За этот период камера узнает, что является «нормальным», и выдает предупреждения, когда что-то происходит за пределами этого опыта.
Пример такого подхода приводится в книге «Эффективная физическая безопасность» Томаса Л. Нормана: «В крупном международном аэропорту в одной из ранних установок, предназначенных для обнаружения детей, которые вскарабкиваются на багажную карусель, система предупредила о человеке, что поднял небольшой пакет из карусели и положил его в пустой пакет большего размера. Мужчину перехватили, допросили и мгновенно обнаружили, что багаж не принадлежал ему и что он был частью группы, которая регулярно приезжала в аэропорт, чтобы таким образом красть багаж. В аэропорту об этом даже не подозревали.
Cистемы распознавания лиц используются в том числе для контроля доступа и идентификации субъектов угроз. Данные распознавания лиц также применяются в рамках расследования, когда установлено «лицо, представляющее интерес».
Распознавание лиц работает путем сопоставления точек на лице с образцом, хранящимся в базе данных. Если совпадений нет, система пытается создать новую запись, используя наилучшее доступное изображение субъекта. Последующие версии распознавания лиц могут использовать 3D-картографирование в реальном времени с использованием гораздо большей базы данных.
Субъекта также можно идентифицировать с помощью «безликого распознавания», когда чьи-то физические характеристики, такие как рост, осанка и телосложение, используются для идентификации их в толпе.
Фиксированные алгоритмы аналитики и обучения искусственного интеллекта обнаруживают подозрительное поведение, зафиксированное видеокамерой, и предупреждают сотрудников службы безопасности, следящих за этими камерами.
Аналитика фиксированного алгоритма работает, выполняя специальную задачу и отслеживая определенное поведение — например, кто-то движется в неправильном направлении в проходе, оставляет объект или поднимает объект, слоняется и отклоняется за пределы очерченного пространства.
Тем временем алгоритмы ИИ учатся «на работе», будучи подключенными к камере в течение нескольких недель. За этот период камера узнает, что является «нормальным», и выдает предупреждения, когда что-то происходит за пределами этого опыта.
Пример такого подхода приводится в книге «Эффективная физическая безопасность» Томаса Л. Нормана: «В крупном международном аэропорту в одной из ранних установок, предназначенных для обнаружения детей, которые вскарабкиваются на багажную карусель, система предупредила о человеке, что поднял небольшой пакет из карусели и положил его в пустой пакет большего размера. Мужчину перехватили, допросили и мгновенно обнаружили, что багаж не принадлежал ему и что он был частью группы, которая регулярно приезжала в аэропорт, чтобы таким образом красть багаж. В аэропорту об этом даже не подозревали.
Cистемы распознавания лиц используются в том числе для контроля доступа и идентификации субъектов угроз. Данные распознавания лиц также применяются в рамках расследования, когда установлено «лицо, представляющее интерес».
Распознавание лиц работает путем сопоставления точек на лице с образцом, хранящимся в базе данных. Если совпадений нет, система пытается создать новую запись, используя наилучшее доступное изображение субъекта. Последующие версии распознавания лиц могут использовать 3D-картографирование в реальном времени с использованием гораздо большей базы данных.
Субъекта также можно идентифицировать с помощью «безликого распознавания», когда чьи-то физические характеристики, такие как рост, осанка и телосложение, используются для идентификации их в толпе.
Как предоставляется видеоаналитика
Большинство камер, представленных сегодня на рынке, используют так называемую «аналитику на конечных устройствах», это означает, что анализ выполняется на основе данных с датчика, сетевого коммутатора или другого устройства (например, в самой камере) вместо ожидания результата отправки данных в централизованное хранилище данных. Некоторые эксперты советуют использовать эти типы камер для наблюдения внутри помещений, но только в тех, где уровень освещенности контролируется.
С проблемами внешней среды (освещением, погодой, насекомыми и т. д.) лучше всего справляются серверные технологии аналитики обнаружения. Серверная архитектура обновляется быстрее и может обеспечивать гораздо большую вычислительную мощность. Тем не менее, этот метод приводит к накоплению данных, поэтому необходимо установить ограничение на то, что важно, а что нет.
Производителям быстрее и проще развертывать свои алгоритмы в серверной архитектуре. Более того, серверные архитектуры способны обеспечить гораздо большую вычислительную мощность, что позволяет использовать новейшие, самые передовые алгоритмы аналитики, основанные на глубоком обучении/искусственном интеллекте.
С проблемами внешней среды (освещением, погодой, насекомыми и т. д.) лучше всего справляются серверные технологии аналитики обнаружения. Серверная архитектура обновляется быстрее и может обеспечивать гораздо большую вычислительную мощность. Тем не менее, этот метод приводит к накоплению данных, поэтому необходимо установить ограничение на то, что важно, а что нет.
Производителям быстрее и проще развертывать свои алгоритмы в серверной архитектуре. Более того, серверные архитектуры способны обеспечить гораздо большую вычислительную мощность, что позволяет использовать новейшие, самые передовые алгоритмы аналитики, основанные на глубоком обучении/искусственном интеллекте.
Краткая история видеоаналитики
В то время, как видеоаналитика предлагает новые возможности по безопасности, этот успех не был достигнут в одночасье.
Поскольку видеоаналитика «первого поколения» работала, обнаруживая изменение пикселей в определенных частях видео, дверь или дерево, качающиеся на ветру, или проходящее мимо животное могли вызвать ложную тревогу, что было обычным явлением!
Первое поколение достигло зрелости, когда алгоритмы начали позволять камере иметь разум для интерпретации того, что она видит, и иметь функциональные возможности с точки зрения соотношения высоты и ширины, скорости объекта и повторяющегося движения. Между тем, усовершенствования в датчиках CMOS помогли обеспечить четкие изображения при плохом и «динамическом» освещении.
В статье для Security Infowatch.com доктор Боб Банерджи, старший директор по обучению и развитию подразделения безопасности NICE Systems, отметил, что: «В то время как видеоаналитика первого поколения была сосредоточена на оповещениях в реальном времени и минимизации ложных срабатываний, технология второго поколения сосредоточилась на предоставление криминалистических инструментов для поиска видео после события».
Банерджи выбрал следующий пример, чтобы проиллюстрировать разницу: «Если было ограбление и кто-то видел, как подозреваемые скрылись в белом фургоне, с помощью камеры можно было бы найти все белые фургоны, проезжавшие мимо вашего местоположения накануне. Или, если ситуация связана с нападением человека, одетого в красное, есть возможность поискать в камере за последние три часа людей, одетых в красное.
Второе поколение видеоаналитики помогало восстановить произошедшее; тем не менее, это был скорее криминалистический инструмент, а не инструмент, который существует, чтобы сказать вам, где фургон или человек прямо сейчас, если только вы только что узнали о них. Это ощущение непосредственности имеет решающее значение в реагировании и смягчении последствий».
В то время как постинцидентная аналитика важна для выявления слабых мест, USP аналитика третьего поколения с ее способностью работать в режиме реального времени, дала возможность отслеживать текущую ситуацию. Используя изображение, например, злоумышленника или даже просто его описание, можно быстро найти базу данных и, если злоумышленник все еще находится в здании, определить его местонахождение.
С развитием аналитики на основе искусственного интеллекта, машинного обучения и алгоритмов глубокой нейронной сети (DNN) анализ камеры стал более точным, с возможностью обнаруживать определенные объекты и различать их.
Поскольку видеоаналитика «первого поколения» работала, обнаруживая изменение пикселей в определенных частях видео, дверь или дерево, качающиеся на ветру, или проходящее мимо животное могли вызвать ложную тревогу, что было обычным явлением!
Первое поколение достигло зрелости, когда алгоритмы начали позволять камере иметь разум для интерпретации того, что она видит, и иметь функциональные возможности с точки зрения соотношения высоты и ширины, скорости объекта и повторяющегося движения. Между тем, усовершенствования в датчиках CMOS помогли обеспечить четкие изображения при плохом и «динамическом» освещении.
В статье для Security Infowatch.com доктор Боб Банерджи, старший директор по обучению и развитию подразделения безопасности NICE Systems, отметил, что: «В то время как видеоаналитика первого поколения была сосредоточена на оповещениях в реальном времени и минимизации ложных срабатываний, технология второго поколения сосредоточилась на предоставление криминалистических инструментов для поиска видео после события».
Банерджи выбрал следующий пример, чтобы проиллюстрировать разницу: «Если было ограбление и кто-то видел, как подозреваемые скрылись в белом фургоне, с помощью камеры можно было бы найти все белые фургоны, проезжавшие мимо вашего местоположения накануне. Или, если ситуация связана с нападением человека, одетого в красное, есть возможность поискать в камере за последние три часа людей, одетых в красное.
Второе поколение видеоаналитики помогало восстановить произошедшее; тем не менее, это был скорее криминалистический инструмент, а не инструмент, который существует, чтобы сказать вам, где фургон или человек прямо сейчас, если только вы только что узнали о них. Это ощущение непосредственности имеет решающее значение в реагировании и смягчении последствий».
В то время как постинцидентная аналитика важна для выявления слабых мест, USP аналитика третьего поколения с ее способностью работать в режиме реального времени, дала возможность отслеживать текущую ситуацию. Используя изображение, например, злоумышленника или даже просто его описание, можно быстро найти базу данных и, если злоумышленник все еще находится в здании, определить его местонахождение.
С развитием аналитики на основе искусственного интеллекта, машинного обучения и алгоритмов глубокой нейронной сети (DNN) анализ камеры стал более точным, с возможностью обнаруживать определенные объекты и различать их.
Распространенные приложения для видеоаналитики
Видеоаналитика используется для решения широкого круга задач, в том числе, как было сказано выше, для распознавания лиц. Вот некоторые из наиболее распространенных:
Отслеживание объектов
Объект обнаруживается, и его траектория отслеживается через поле зрения одной камеры. Так, например, можно обнаружить объект, пересекающий заранее заданную виртуальную линию, а также направление, в котором он движется.
Другим вариантом является многокамерное отслеживание объекта от одной камеры к другой
Эта функция может обнаруживать и отслеживать движение транспортных средств и людей на открытом воздухе и используется для управления дорожным движением, визуального наблюдения, криминалистики, взаимодействия человека с объектом, распознавания жестов и дополненной реальности. Аналитика отслеживания объектов на основе ИИ может определить тип объекта, например, транспортного средства или человека.
Обнаружение оставленных и удаленных объектов
Оно отслеживает появление и исчезновение статических объектов в пределах определенной области. Этот тип обнаружения часто используется в аэропортах или подземных системах, от обеспечения чистоты пожарных выходов до выявления потенциальных угроз взрыва.
Поведенческое обнаружение
Эта функция срабатывает, когда человек или транспортное средство задерживаются в поле зрения камеры или в обозначенной области. Некоторые системы теперь ищут подозрительное поведение, также называемое поведенческим обнаружением.
Подсчет людей
Обнаруживает и подсчитывает людей, пересекающих указанную зону. К преимуществам этой функции относят контроль заполняемости, оценка вместимости, показатели продаж и конверсии, персонализированный опыт посетителей и измерение операционной эффективности. Этот процесс был особенно востребован во время пандемии COVID, когда розничные магазины и супермаркеты могли легко отслеживать, сколько людей находится в магазине в любой момент времени.
Отслеживание людей
Для отслеживания людей требуется больше информации, включая обнаружение движения и распознавание лиц. Его использование включает в себя: обнаружение злоумышленников, отслеживание неправильного пути, подсчет людей, физическое дистанцирование и поведенческий анализ клиентов.
Обнаружение толпы
Crowd Detection — это технология наблюдения в режиме реального времени, которая позволяет определять плотность скопления людей для оценки пропускной способности или занятости в пределах определенной области. Приложения обнаружения толпы включают подсчет населения, управление публичными мероприятиями, управление стихийными бедствиями, мониторинг безопасности, военное управление и обнаружение подозрительной активности.
Изменение изображения/обнаружение несанкционированного доступа
Фиксирует серьезные изменения в изображении камеры, такие как препятствие, отключение питания или то, что камера была перемещена, окрашена аэрозольной краской и т. д.
Обнаружение движения
Видеообнаружение движения (VMD) определяет физическое движение в заданной области в режиме реального времени. Аналитика обнаружения движения встроена в IP-камеры, сетевые видеорегистраторы и программные системы видеоаналитики и управления видео. VMD используется в вооруженных силах, критической информационной инфраструктуре, робототехнике, а также в сфере развлечений, спорта, здравоохранения.
Обнаружение движения теперь также используется в жилых помещениях, когда в пользовательском приложении приходит уведомление, если в поле зрения камеры попадает человек.
Автоматическое распознавание номерных знаков
ANPR использует технологию оптического распознавания символов (OCR) для идентификации и считывания номерных знаков транспортных средств с камер видеонаблюдения, видеокамер, камер правоохранительных органов или специальных высокоскоростных камер ANPR, установленных на дорожной инфраструктуре.
Автоматическое отслеживание панорамирования, наклона и масштабирования (PTZ)
Видеоаналитика с автоматическим отслеживанием PTZ позволяет камерам наблюдения следить за людьми и увеличивать их масштаб в пределах большего поля зрения. Auto PTZ также позволяет сотруднику службы безопасности работать в многозадачном режиме.
Отслеживание объектов
Объект обнаруживается, и его траектория отслеживается через поле зрения одной камеры. Так, например, можно обнаружить объект, пересекающий заранее заданную виртуальную линию, а также направление, в котором он движется.
Другим вариантом является многокамерное отслеживание объекта от одной камеры к другой
Эта функция может обнаруживать и отслеживать движение транспортных средств и людей на открытом воздухе и используется для управления дорожным движением, визуального наблюдения, криминалистики, взаимодействия человека с объектом, распознавания жестов и дополненной реальности. Аналитика отслеживания объектов на основе ИИ может определить тип объекта, например, транспортного средства или человека.
Обнаружение оставленных и удаленных объектов
Оно отслеживает появление и исчезновение статических объектов в пределах определенной области. Этот тип обнаружения часто используется в аэропортах или подземных системах, от обеспечения чистоты пожарных выходов до выявления потенциальных угроз взрыва.
Поведенческое обнаружение
Эта функция срабатывает, когда человек или транспортное средство задерживаются в поле зрения камеры или в обозначенной области. Некоторые системы теперь ищут подозрительное поведение, также называемое поведенческим обнаружением.
Подсчет людей
Обнаруживает и подсчитывает людей, пересекающих указанную зону. К преимуществам этой функции относят контроль заполняемости, оценка вместимости, показатели продаж и конверсии, персонализированный опыт посетителей и измерение операционной эффективности. Этот процесс был особенно востребован во время пандемии COVID, когда розничные магазины и супермаркеты могли легко отслеживать, сколько людей находится в магазине в любой момент времени.
Отслеживание людей
Для отслеживания людей требуется больше информации, включая обнаружение движения и распознавание лиц. Его использование включает в себя: обнаружение злоумышленников, отслеживание неправильного пути, подсчет людей, физическое дистанцирование и поведенческий анализ клиентов.
Обнаружение толпы
Crowd Detection — это технология наблюдения в режиме реального времени, которая позволяет определять плотность скопления людей для оценки пропускной способности или занятости в пределах определенной области. Приложения обнаружения толпы включают подсчет населения, управление публичными мероприятиями, управление стихийными бедствиями, мониторинг безопасности, военное управление и обнаружение подозрительной активности.
Изменение изображения/обнаружение несанкционированного доступа
Фиксирует серьезные изменения в изображении камеры, такие как препятствие, отключение питания или то, что камера была перемещена, окрашена аэрозольной краской и т. д.
Обнаружение движения
Видеообнаружение движения (VMD) определяет физическое движение в заданной области в режиме реального времени. Аналитика обнаружения движения встроена в IP-камеры, сетевые видеорегистраторы и программные системы видеоаналитики и управления видео. VMD используется в вооруженных силах, критической информационной инфраструктуре, робототехнике, а также в сфере развлечений, спорта, здравоохранения.
Обнаружение движения теперь также используется в жилых помещениях, когда в пользовательском приложении приходит уведомление, если в поле зрения камеры попадает человек.
Автоматическое распознавание номерных знаков
ANPR использует технологию оптического распознавания символов (OCR) для идентификации и считывания номерных знаков транспортных средств с камер видеонаблюдения, видеокамер, камер правоохранительных органов или специальных высокоскоростных камер ANPR, установленных на дорожной инфраструктуре.
Автоматическое отслеживание панорамирования, наклона и масштабирования (PTZ)
Видеоаналитика с автоматическим отслеживанием PTZ позволяет камерам наблюдения следить за людьми и увеличивать их масштаб в пределах большего поля зрения. Auto PTZ также позволяет сотруднику службы безопасности работать в многозадачном режиме.
Каковы преимущества видеоаналитики для конечных пользователей безопасности?
Видеоаналитика служит не только целям безопасности, но и управлению дорожным движением и сдерживанием толпы, анализу шагов и социальному дистанцированию или обнаружению лицевых масок.
Устройства видеонаблюдения все чаще интегрируются в другие платформы физической безопасности и управления зданиями, чтобы предоставлять более интеллектуальные данные руководителям службы безопасности и управления объектами.
Хорошо это или плохо, автоматизированные системы позволяют управлять уровнями персонала. Требуется меньше персонала, если бреши в периметральных ограждениях и т. д. обнаруживаются автоматически. Точно так же видеоаналитика снизит вероятность риска для персонала и клиентов.
Видеоаналитику можно подключить к другим системам, таким как управление освещением или управление доступом, активируя их только при необходимости.
В отчете Европейской комиссии «Внедрение видеоаналитики: ключевые соображения для конечного пользователя» отмечается, что «видео — это подходящий способ доказать отрицание или ответственность. Использование видеоаналитики для поиска ключевых инцидентов в качестве доказательств устраняет необходимость ручного просмотра видео. Это напрямую влияет на юридические, судебные и страховые расходы, а также экономит время и деньги за счет отсутствия необходимости смотреть видео вручную».
Устройства видеонаблюдения все чаще интегрируются в другие платформы физической безопасности и управления зданиями, чтобы предоставлять более интеллектуальные данные руководителям службы безопасности и управления объектами.
Хорошо это или плохо, автоматизированные системы позволяют управлять уровнями персонала. Требуется меньше персонала, если бреши в периметральных ограждениях и т. д. обнаруживаются автоматически. Точно так же видеоаналитика снизит вероятность риска для персонала и клиентов.
Видеоаналитику можно подключить к другим системам, таким как управление освещением или управление доступом, активируя их только при необходимости.
В отчете Европейской комиссии «Внедрение видеоаналитики: ключевые соображения для конечного пользователя» отмечается, что «видео — это подходящий способ доказать отрицание или ответственность. Использование видеоаналитики для поиска ключевых инцидентов в качестве доказательств устраняет необходимость ручного просмотра видео. Это напрямую влияет на юридические, судебные и страховые расходы, а также экономит время и деньги за счет отсутствия необходимости смотреть видео вручную».
Как аналитика применяется в разных отраслях?
Видеоаналитика — очень универсальный инструмент, позволяющий использовать множество разнообразных настроек.
Помимо более очевидных сценариев безопасности, вот несколько примеров их использования в других секторах:
Розничная торговля
Помимо экономии денег на проблемах безопасности (например, предотвращения магазинных краж), в долгосрочной перспективе видеоаналитика может приносить прибыль. Сектор розничной торговли использует его для отслеживания опыта и поведения клиентов.
Здравоохранение
Помимо безопасности персонала, пациентов и посетителей, больницы используют видеоаналитику для защиты от кражи лекарств и даже похищения младенцев. Что касается ухода за пациентами, они могут помочь обеспечить необходимые визиты медицинского персонала.
Между тем, за пожилыми людьми, за которыми ухаживают дома, можно следить, чтобы вызвать помощь в случае падения или проверить, принимали ли они лекарства.
Умные города
Видеоаналитика может управлять системами управления светофорами и отслеживать пробки, отслеживать скорость и обнаруживать опасности, такие как остановка транспортных средств, остановка транспортных средств в неразрешенных местах, неустойчивое вождение или транспортные средства, попавшие в аварию. Как упоминалось выше, автоматическое распознавание номерных знаков (ANPR) может идентифицировать украденные или подозрительные автомобили.
Логистика
Видеоаналитика используется в логистике и производстве для оптимизации управления запасами и производства, улучшения контроля качества и эффективности, а также поддержания процессов безопасности. Ее средства используются, когда время реагирования на происходящее может иметь решающее значение, а обнаружение поведения может помочь автоматически распознать несчастные случаи на ранней стадии.
Помимо более очевидных сценариев безопасности, вот несколько примеров их использования в других секторах:
Розничная торговля
Помимо экономии денег на проблемах безопасности (например, предотвращения магазинных краж), в долгосрочной перспективе видеоаналитика может приносить прибыль. Сектор розничной торговли использует его для отслеживания опыта и поведения клиентов.
Здравоохранение
Помимо безопасности персонала, пациентов и посетителей, больницы используют видеоаналитику для защиты от кражи лекарств и даже похищения младенцев. Что касается ухода за пациентами, они могут помочь обеспечить необходимые визиты медицинского персонала.
Между тем, за пожилыми людьми, за которыми ухаживают дома, можно следить, чтобы вызвать помощь в случае падения или проверить, принимали ли они лекарства.
Умные города
Видеоаналитика может управлять системами управления светофорами и отслеживать пробки, отслеживать скорость и обнаруживать опасности, такие как остановка транспортных средств, остановка транспортных средств в неразрешенных местах, неустойчивое вождение или транспортные средства, попавшие в аварию. Как упоминалось выше, автоматическое распознавание номерных знаков (ANPR) может идентифицировать украденные или подозрительные автомобили.
Логистика
Видеоаналитика используется в логистике и производстве для оптимизации управления запасами и производства, улучшения контроля качества и эффективности, а также поддержания процессов безопасности. Ее средства используются, когда время реагирования на происходящее может иметь решающее значение, а обнаружение поведения может помочь автоматически распознать несчастные случаи на ранней стадии.
22.02.2022
