Από ιδιωτικές έρευνες του κλάδου των εγκαταστατών στη Βόρεια Αμερική, όπου η χρήση καμερών ασφαλείας είναι ιδιαιτέρως διαδεδομένη, τόσο στην ιδιωτική αγορά όσο και σε αγορές κρίσιμων υποδομών και κρατικών εγκαταστάσεων, προκύπτει πως περίπου το 50-54% των εγκαταστατών και integrators, χρησιμοποιούν σε μικρά και μεσαία έργα τεχνολογίες Video Analytics. Αυτό το ποσοστό, πριν τέσσερα χρόνια, σύμφωνα με την ίδια έρευνα, μόλις άγγιζε το 35%.
Αυτές οι στατιστικές βεβαίως αλλάζουν δραματικά, σε έργα μεγάλης κλίμακας με τη χρήση πολλών καμερών και ειδικά σε περιπτώσεις μεγάλων εκτάσεων που αποτελούν το αντικείμενο φύλαξης και όπου σχεδόν πάντοτε, οι σταθμοί επίβλεψης και οι δυνάμεις επέμβασης σε περίπτωση συμβάντος, απέχουν χιλιόμετρα από τα παρακολουθούμενα σημεία.
Χαρακτηριστικό παράδειγμα, αποτελεί το έργο εγκατάστασης συστημάτων καμερών, πολλαπλών θερμικών αλλά και PTZ καμερών, ορατού φάσματος, κατά μήκος των περίφημων συνόρων ΗΠΑ – Μεξικού. Αυτά τα συστήματα είναι τοποθετημένα πάνω σε «πύργους» μαζί με τηλεπικοινωνιακή υποδομή για τη μετάδοση των σημάτων σε κεντρικούς σταθμούς. Βέβαια, το έργο ξεκίνησε το 2005 και ολοκληρώθηκε μετά από δοκιμές δύο ετών.
Το εντυπωσιακό στη συγκεκριμένη εφαρμογή, είναι πως οι «πύργοι» αυτοί με τις κάμερες, χρησιμοποιούν ως μοναδική τεχνολογία εντοπισμού παραβίασης, τα video analytics και τις κάμερές τους, χωρίς την συνδρομή άλλων αισθητήρων παραβίασης (θαμμένα καλώδια, σεισμικούς αισθητήρες κοκ). Είναι δηλαδή ένα καθαρόαιμο «Analytics Only Detection System». Βεβαίως, τα σενάρια παραβιάσεων τα οποία ανιχνεύουν είναι συγκεκριμένα και είναι object classification, stopped vehicled etection, και wrong direction.
Τα analytics «τρέχουν» σε εξοπλισμό, ο οποίος είναι εγκατεστημένος στους πύργους, μαζί με τις κάμερες και τις ασύρματες διατάξεις μετάδοσης εικόνας. Κατ’ αυτό τον τρόπο, η περιορισμένη χωρητικότητα (bandwidth) των ασύρματων συνδέσεων των πύργων με τους κεντρικούς σταθμούς ελέγχου, χρησιμοποιείται για τη μετάδοση μόνο των εικόνων που δείχνουν παραβιάσεις των ορισμένων στα συστήματα analytics κανόνων σε θερμικές και ορατού φάσματος απεικονίσεις.
Αντίστοιχες αρχιτεκτονικές, αλλά με μετάδοση επίγειων καναλιών μετάδοσης (IP) χρησιμοποιούνται και σε βιομηχανικές, κρίσιμων υποδομών αλλά και ιδιωτικών εγκαταστάσεων, τόσο στο εξωτερικό όσο και στη χώρα μας, με αυξανόμενη αποδοχή, ειδικά σε έργα όπου το πλήθος των καμερών και η ποιότητα της επιτήρησης είναι απαιτητικά.
Οι βασικότερες αρχιτεκτονικές των video analytics οι οποίες σήμερα εφαρμόζονται, είναι:
- Server based analytics
- Embedded camera analytics
- Add-On camera analytics
- Embedded DVR / NVR / VMS analytics
- Analytics appliance / encoder
- Cloud analytics
Σημαντικό είναι να διακρίνουμε ότι Video Motion Detection δεν είναι Video Analytics. Η διαφοροποίηση έγκειται στα εξής: τα «Motion detection-only» συστήματα προσφέρουν ελάχιστες παραμέτρους ως κανόνες παραβίασης, συνήθως μόνο Region, Zone, Sensitivity. Τα video analytics έχουν συνήθως behavior-based rules, όπως «περιφερόμενο άτομο», «κατεύθυνση κίνησης», ή παρουσία ξένου αντικειμένου σε ορισμένη περιοχή του επιτηρούμενου πλάνου. Σημαντικό είναι να αναφέρουμε πως τα πραγματικά video analytics αυτορυθμίζονται σχετικά με το αναμενόμενο «φαινόμενο μέγεθος αντικειμένου» ανάλογα με την απόστασή του από το φακό. Με απλά λόγια, έχουν τη δυνατότητα να διακρίνουν πως ένα αντικείμενο, όσο πιο μακριά από το φακό της κάμερας βρίσκεται, τόσο μικρότερό είναι το είδωλό του, αλλά το σχετικό με τα υπόλοιπα αντικείμενα μέγεθος παραμένει σταθερό οπότε και η ευαισθησία σε κίνηση ή παραβίαση, αυτορυθμίζεται δυναμικά.
Αρκετά συστήματα video analytics, ανάλογα και με την συγκεκριμένη εφαρμογή, διακρίνουν κατηγορίες αντικειμένων όπως «όχημα μικρό», «όχημα μεγάλο» ή «άνθρωπος» ώστε να επιτρέπουν την εφαρμογή διαφορετικών κανόνων παραβίασης για οχήματα και διαφορετικά για ανθρώπους.
Σχετικά με την αξιολόγηση παραβίασης, συνήθως τα ποιοτικά και κατάλληλα εγκατεστημένα και ρυθμισμένα συστήματα, θα έχουν υψηλό ποσοστό επιτυχίας διάγνωσης παραβίασης, με λίγα «false alarms» τα οποία βεβαίως ο κεντρικός σταθμός ελέγχου θα αξιολογήσει εάν πρόκειται για false alarm ή για πραγματική παραβίαση.
Τα τελευταία χρόνια «Deep Learning» συστήματα εξελίσσονται αλματωδώς σε σχέση με την ακρίβεια ανάλυσης και αξιολόγησης, απλά απαιτούν κάποιο προγραμματισμό (learning) ο οποίος να αντιστοιχεί στο περιβάλλον στο οποίο θα λειτουργήσει. Για παράδειγμα, βιομηχανική περιοχή με δασική βλάστηση και κλίμα και συνθήκες Βορειο-Ευρωπαϊκής χώρας δεν θα έχει την ίδια επιτυχία εάν εγκατασταθεί σε περιοχή της Μεσογείου και κοντά στη θάλασσα, χωρίς να «εκπαιδευτεί» το σύστημα analytics αντίστοιχα. Βεβαίως, τα deep learning συστήματα, τα οποία βασίζονται σε Νευρωνικά Δίκτυα (Neural Networks) και τα οποία είναι μία από τις τεχνολογίες τεχνητής νοημοσύνης, είναι αυτά τα οποία θα κάνουν και τη μεγάλη διαφορά στον τομέα της αξιοπιστίας διάγνωσης πραγματικής απειλής σε ποσοστό το οποίο θα πλησιάζει το 100% με παράλληλη μείωση των False Alarms.
Οι συνήθεις αντιρρήσεις πελατών, σε σχέση με την εγκατάσταση τεχνολογίας Video Analytics, συνήθως εντοπίζεται σε χαμηλού προϋπολογισμού έργα και πελάτες με αντίστοιχο τρόπο σκέψης και λήψης αποφάσεων, και σε έργα με λίγες κάμερες και παρουσία προσωπικού φύλαξης – όλα αυτά βέβαια σε σχέση με το επίπεδο απειλής, την αξία των φυλασσόμενων χώρων ή στόχων, και δυστυχώς πολλές φορές στη χώρα μας ειδικά, υπάρχουν και θα υπάρχουν πάντοτε εγκαταστάσεις όπου οι ιδιοκτήτες θα προτιμήσουν (εσφαλμένα βεβαίως) να προσθέσουν μερικές κάμερες, από το να προσθέσουν video analytics. Και δυστυχώς, σε αυτές τις περιπτώσεις, όταν υπάρξει παραβίαση (όπως είδαμε πρόσφατα και στις τηλεοπτικές ειδήσεις από αρκετά περιστατικά) εάν το σύστημα δεν είναι συνδεδεμένο με κεντρικό σταθμό και δεν έχει analytics, μετά την παραβίαση, έχουμε πολύ καλό οπτικό υλικό, και από πληθώρα γωνιών λήψεως του πώς έγινε η παραβίαση.
