Ученые создают систему, улучшающую работу камер безопасности

Сотрудникам полиции и служб безопасности, защищающим аэропорты и пристани от террористически атак или незаконного проникновения, необходимо знать о нарушении границ запрещенной зоны и о том, кто этот нарушитель. Для круглосуточного слежения за такими зонами обычно применяется сеть камер наблюдения, однако эти устройства дают слишком много изображений – человеческий глаз с анализом такого количества данных справиться не может.

Чтобы решить эту проблему, исследователь Кристофер Амато из Лаборатории компьютерных наук и искусственного интеллекта при Массачусетском технологическом институте (США) начал разрабатывать систему, способную выполнять этот анализ точнее и намного быстрее, чем это делает оператор камер наблюдения. «Человек не может смотреть на все экраны сразу, а даже если бы и мог, он бы не имел совершенно точного представления о том, что нужно искать», — говорит Амато. — «Например, человек не сможет просмотреть множество страниц с фотографиями, чтобы сопоставить [нарушителя] с известным преступником или террористом».

Существующие системы компьютерного зрения, разработанные для автоматического выполнения этой задачи, работают довольно медленно. «Иногда важно сразу подать сигнал тревоги, даже если нет полной уверенности в том, что происходит», — говорит Амато. – «Если происходит что-то плохое, об этом нужно знать как можно скорее».

В связи с этим Амато и его коллеги разрабатывают систему на основе математических методов, призванных достичь компромисса между точностью (чтобы система, например, не поднимала тревогу, увидев перед камерой кошку) и скоростью, что позволит службе безопасности отреагировать на вторжение максимально быстро.

Работающие с камерами наблюдения операторы обычно располагают набором алгоритмов компьютерного зрения, которые они могут использовать для анализа видеоканала. Алгоритмы выявляют на изображениях людей, необычные объекты и движение. Чтобы решить, какой из этих алгоритмов использовать в данной ситуации, система Амато сначала проходит фазу обучения, на которой оценивает работу каждой части программы в конкретных условиях, например, в аэропорту. Для этого она запускает каждый алгоритм и определяет, сколько времени требуется на анализ, и насколько точным получается результат. Затем система добавляет эту информацию в свою математическую основу. За счет этого в каждой ситуации (например, если необходимо знать о появлении нарушителя) система сможет решить, какой из доступных алгоритмов применить к изображению, и в какой последовательности, чтобы получить максимум информации за минимально возможное количество времени.