Intelligent is в видеокамерах: SMART 58 (ver.1296) Novicam Камеры

Intelligent is в видеокамерах: SMART 58 (ver.1296) Novicam Камеры

alexxlab 26.04.1970

Содержание

SMART 58 (ver.1296) Novicam Камеры

Информация о технических характеристиках, комплекте поставки и внешнем виде товара носит справочный характер и не является публичной офертой.

Исполнение Исполнение корпуса Пуля
Тип камеры Уличная всепогодная
Электроника Электронный затвор Авто / Ручной (1/5 ~ 1/20000 с)
TV система / Операционная система Интегрированная OS Linux
Графический интерфейс WEB интерфейс
ИК фильтр Механический
Соотношение сигнал/шум >50 дБ
Матрица 1/2. 8″ 5 Mpix Прогрессивная CMOS IMX335
Формат сжатия видео/аудио H.265+ ,H.265, H.264+, H.264 / G.711A, G.711U, ADPCM, G.726 (16-40 Кбит\с)
Максимальное разрешение 5 Mpix
Чувствительность 0.005 люкс (цвет), 0 люкс (ИК вкл.)
Ограничение доступа Администратор + Пользователь (установка прав доступа, ручная блокировка)
Процессор Hi3516Dv300
Системные возможности AVPC (автокомпенсация повреждённых пикселей) Есть
WDR Есть
Широкий динамический диапазон (WDR) WDR 120 дБ
Детекция движения
Есть
Зеркальное отображение Есть
ROI — Область интереса Есть
Баланс белого Авто / Вручную / В помещении
Компенсация задней засветки (BLC) BLC
Режим день/ночь Авто/ Ч/б / Цветной / По расписанию
Контроль усиления (AGC) Авто
Технология шумоподавления 3D DNR
Настройка изображения Яркость, контрастность, насыщенность, чёткость, оттенок, поворот изображения (коридор)
Настройка скрытой области 4 зоны
Антитуман Есть
Настройка экспозиции Авто / Вручную
Настройки канала Настройки детектора движения, цвет изображения, имя, текст (4 зоны), дата, время
Подавление мерцания 50/60 Гц
Запись Воспроизведение 5 Mpix (2592×1944) 20 к/с, 4 Mpix (2560×1440) 25/30 к/с, 3.
0 Mpix (2304×1296) 25/30 к/с, 1080p (1920×1080) 25/30 к/с, 720p (1280х720) 25/30 к/с
Запись 5 Mpix (2592×1944) 20 к/с, 4 Mpix (2560×1440) 25/30 к/с, 3.0 Mpix (2304×1296) 25/30 к/с, 1080p (1920×1080) 25/30 к/с, 720p (1280х720) 25/30 к/с
Режимы записи Ручной
По расписанию
По тревоге / По движению (Предзапись 4 сек, Постзапись 0 сек — 30)
Объём записи
8 Мбит — 91 Гб/сутки
6 Мбит — 69 Гб/сутки
4 Мбит — 46 Гб/сутки
2 Мбит — 23 Гб/сутки
1 Мбит — 12 Гб/сутки
128 Кбит — 2 Гб/сутки
32 Кбит — 1 Гб/сутки
(указан максимум, фактический зависит от скорости и качества записи)
Поиск По дате/времени
По событию
Режимы воспроизведения Вперёд нормальное / покадровое / замедленное (х1/2, х1/4, x1/8) / ускоренное (х2, х4, x8)
ИК подсветка ИК подсветка Есть
Дальность и угол ИК SMART 40 метров, 30° основной / до 120° рассеянный
Длина волны ИК света
850 нм
Продолжительность работы ИК подсветки 20 000 часов
Интерфейсы Слот для карты памяти Есть
Тревожный вход/выход 1 / 1
Аудиовход 1 х RCA
Аудиовыход 1 х RCA
Карта памяти Слот Micro SD (до 128 Гб)
Цифровой выход Основной поток:
5 Mpix (2592×1944) 20 к/с
4 Mpix (2560×1520) 25/30 к/с
3 Mpix (2304×1296) 25/30 к/с
1080p (1920×1080) 25/30 к/с
720p (1280х720) 25/30 к/с

Дополнительный поток:
720P(1280×720) 25/30 к/с
VGA(640×480) 25/30 к/с
QVGA(320×240) 25/30 к/с

Третий поток:
VGA(640×480)
QVGA(320×240)

Тревога Действие Уведомление центру наблюдения / уведомление по E-mail (картинка) / загрузка на FTP / Запись
VCA — интеллектуальная аналитика Есть
Тип интеллектуальной аналитики Распознавание лиц (совместно с NVR)
Распознавание пешехода и транспорта
Детекция аудио исключений
Вторжение в область
Пересечение границы
Условия срабатывания Детекция движения / тампер / неверный логин или пароль/ оповещение / детекция лиц/ детекция пешеходов
Оптика Угол обзора по вертикали 57°~18°
Угол обзора по горизонтали 111°~33°
Объективы 2.7~13.5 мм
Автодиафрагма Встроенная
Тип крепления Встроенный (М14)
Угол обзора по диагонали 134°~37°
Объектив 5 Mpix моторизованный c ИК коррекцией
Фокусировка Автофокус / Полуавтоматический / Ручной
Зум Оптический / Цифровой 4.3х / Есть
Количество объективов 1
Сеть RTSP ссылка rtsp://[логин]:[пароль]@[IP адрес камеры]:[RTSP порт]/Ch01/X, где
X: 0 — основной поток; 1 — дополнительный поток; 2 — третий поток.

Пример: rtsp://admin:[email protected]:554/Ch01/0

Порт RJ45 10/100Мбит/c (TCP/IP / HTTP / DHCP / DNS / DDNS / RTP / RTSP / PPPoE / SMTP / NTP / UPnP / SNMP / HTTPS /FTP)
Битрейт на канал 8 Кбит — 8 Мбит
(указан максимум, фактически зависит от используемой камеры и выставленных настроек)
WEB браузер IE (Windows 10 / 8 / 7)
CMS программа Novicam Smart PC (Windows 10 / 8 / 7) — 64 канала на экран
Мобильный клиент Novicam Smart (Android, iPhone)
Облачный сервис Cloud Р2Р:
Novicam Smart PC (Windows 10 / 8 / 7)
Novicam Smart (Android / iPhone / iPad)
IPEYE:
Internet Explorer, Mozilla Firefox, Google Chrome (ipeye.ru)
IP EYE (Android, iPhone)
Физические параметры PoE Есть
Энергопотребление DC 12В±10% 0.6А (ИК вкл.), 7.2Вт (3 класс PoE)
PoE IEEE 802.3af
Дальность передачи видео До 100 метров (без использования дополнительного оборудования)
Рабочая температура -45°С ~ +60°С
Размеры ø350.1х320 мм (ДхД)
Класс защиты Пыле-влаго защита: IP67
Комплектация 1. IP видеокамера — 1 шт
2. СD-диск — 1 шт
3. Инструкция пользователя — 1 шт.
4. Крепёжный комплект — 1 шт.
5. Влагозащищённый разъём — 1 шт.
6. Форма для точного монтажа — 1 шт.
7. Шестигранный ключ — 2 шт.
8. Салфетка — 1 шт.

Технология Intelligent Heater в видеокамерах Proto-X

Одной из последних разработок торговой марки «Proto — X» является специальная серия уличных видеокамер ALASKA, использующих интеллектуальный нагреватель Intelligent Heater   с поддержкой функции  «холодный старт», обеспечивающий бесперебойную работу системы наблюдения в самых экстремальных погодных условиях. Данная разработка актуальна как для стран или регионов с экстремально низкими температурами, так и для других территорий с резкой сменой климатических условий.

Intelligent Heater предназначен для защиты дорогостоящих комплектующих видеокамеры от неблагоприятных температурных условий и защищает матрицу и приводы объектива видеокамеры от возможного включения питания при температурах, способных вывести ее из строя. Применение данного нагревательного модуля позволяет расширить диапазон рабочих температур камеры до  -60…+50 °C и при этом обеспечить ее надежное включение.

Схема работы интеллектуального нагревателя Intelligent Heater

Уникальные особенности интеллектуального нагревателя:
  • Управление процессором;
  • Безаварийный режим включения видеокамеры «Холодный старт» при отрицательных температурах;
  • Отображение текущих параметров температурного состояния камеры на мониторе оператора;
  • Четырёхступенчатая схема работы обогрева с регулируемой мощностью нагревательных элементов;
  • Применение двух систем нагрева:
    1. непосредственно вблизи стекла по периметру объектива, что позволяет избежать образования конденсата и изморози на стекле;
    2. внутри корпуса камеры, которая обеспечивает поддержку благоприятной температуры для элементов видеокамеры;
  • Применение вентилятора принудительного обдува для максимально быстрого и равномерного распределения тепла внутри рабочего объема видеокамеры;
  • Наличие схемы защиты от переполюсовки питающего напряжения и схемы защиты от повышенного или пониженного напряжения;
  • Наличие эффективной системы грозозащиты.

Нагреватель представляет собой плату управления, встраиваемую непосредственно в термокожух камеры. Плата оснащена термодатчиком, который в зависимости от температуры окружающей среды поддерживает заданные режимы работы.

Технические характеристики 
Intelligent Heater
Напряжение питания12В
Потребляемый ток в режиме ожиданияНе более 0,07А
Мощность нагревателя №13,6Вт
Мощность нагревателя №23,6Вт
Защита от переполюсовкиПрисутствует
ГрозозащитаПрисутствует
КулерПрисутствует
Температура включения нагревателяНиже +10°C
Температура включения камерыВыше -10°C
Размер платы32х32мм / 38х38мм
Диапазон рабочих температур-60°C…+80°C

Принцип действия нагревателя следует разделить на четыре этапа:

  1. Температура воздуха выше +10°С. Стандартный режим. В данном случае система обогрева находится в режиме ожидания, питание на видеокамеру подано и видеосигнал с камеры транслируется;
  2. Температура воздуха выше -10°С, но ниже +10°С. В этом режиме включен нагревательный элемент №1, питание на видеокамеру подано и видеосигнал с камеры транслируется;
  3. Температура воздуха ниже -10°С. В холодных условиях включаются оба нагревательных элемента и кулер, питание камеры отключено, а на синем фоне дисплея транслируется надпись «Подождите, камера прогревается». Данный процесс будет продолжаться, пока температура воздуха не превысит -5°С.
  4. Режим «холодного старта» при температуре -10°С и ниже. Питание на плату видеокамеры не подается. Включены оба нагревательных элемента и кулер. На монитор оператора вместо видеосигнала от видеокамеры транслируется надпись: «Подождите, камера прогревается». Процесс продолжается до тех пор, пока температура внутри корпуса камеры не поднимется выше -5°C.

 

Описываемый интеллектуальный нагреватель был протестирован при всех вышеперечисленных условиях. Отклонений в работе системы обнаружено не было, система видеонаблюдения функционировала корректно.

К преимуществам разработки следует отнести расширение диапазона рабочих температур видеокамеры от –60°С до +50°С, а также обеспечение ее надежного включения. Благодаря тому, что интеллектуальный нагреватель включается в разрыв питания и видеосигнала камеры, он является дополнительным защитным элементом при ошибках подключения, перепадах напряжения и во время грозы, что увеличивает надежность системы и снижает затраты в случае ремонта, защищая дорогостоящий модуль видеокамеры.

Статьи

  1. Как выбрать камеру видеонаблюдения?
  2. Настройка аналоговых видеокамер. OSD-меню.
  3. Технология PoE (Power over Ethernet)
  4. AHD DVR. Сравнение режимов 12fps и 25fps. (видео)
  5. AHD технология: качество 720p/1080p по коаксиалу на 500 м без задержек и потерь

Keno — Главная

24.05.2021

Проектная линейка камер KENO получила сертификат транспортной безопасности

подробнее

29.03.2021

KN-PRO32/2-4K сетевой 32-х канальный IP видеорегистратор с поддержкой 4K

подробнее

29.03.2021

KN-DE409F28 MIC 4Мп IP камера со встроенным микрофоном

подробнее

21.01.2021

Открыто представительство в городе Краснодар.

подробнее

20.05.2019

Обратите внимание! Вышел новый релиз ПО Smart IMS3 2019

подробнее

22.04.2019

Новинки! Для Проекта «Безопасный регион»!

подробнее

25.03.2019

Выставка по безопасности Securika Moscow 2019

подробнее

18.03.2019

Уважаемые партнеры! Приглашаем Вас на стенд бренда KENO! Выставка «MIPS/SECURIKA 2019»

подробнее

06.03.2019

Милые девушки! Поздравляем Вас С 8 Марта!

подробнее

21.02.2019

Уважаемые партнеры! Поздравляем Вас С 23 Февраля!

подробнее

13.11.2018

Новинка! MHD видеокамеры KENO TVi/AHD 5Мп

подробнее

02.10.2018

Новое исполнение камер серии 206″ V2″

подробнее

24.08.2018

Подключение по Onvif протоколу в Н.265 кодеке.

подробнее

24.07.2018

Произведена интеграция панели KN-PVN1BR с ПО Macroscop

подробнее

30.05.2018

Список камер для проекта «Безопасный регион»

подробнее

13.05.2018

Новинка! IP видеорегистратор KENO KN-WIFI4/1 подключение камер по протоколу WiFi

подробнее

26.03.2018

Выставка по безопасности Securika Moscow 2018

подробнее

06.03.2018

Милые девушки! Поздравляем Вас С 8 Марта!

подробнее

05.03.2018

Уважаемые партнеры! Приглашаем Вас на стенд Компании KENO! Выставка «MIPS/SECURIKA 2018»

подробнее

21.02.2018

Уважаемые партнеры! Поздравляем Вас С 23 Февраля!

подробнее

15.12.2017

Уважаемые партнеры, модельный ряд профессиональных IP камер пополнился новыми моделями KN-CE204A2812 и KN-DE204A2812

подробнее

01.12.2017

Уважаемые партнеры, модельный ряд профессиональных IP камер пополнился новыми моделями KN-CE206V2812 и KN-DE206V2812

подробнее

10.11.2017

Уважаемые партнеры, модельный ряд POE коммутаторов KENO пополнился профессиональными моделями на 16 и 24 порта

подробнее

12.10.2017

Уважаемые партнеры, модельный ряд профессиональных 4Mpx IP камер пополнился новой моделью KN-DE408F28

подробнее

02.05.2017

ВНИМАНИЕ ! За последнее время выявлена волна хакерских атак на оборудование KENO

подробнее

17.03.2017

Приглашаем Вас посетить наш стенд на выставке MIPS / Securika 2017, которая пройдет 21-24 марта 2017 в «Экспоцентре»

подробнее

06.02.2017

Приглашаем Вас посетить стенд компании NoLimitElectronics на выставке CSTB’2017 с 7 по 9 февраля 2017 года

подробнее

29.12.2016

Поздравляем Вас с наступающим Новым 2017 годом!

подробнее

19.12.2016

Поддержка всех актуальных форматов и интеллектуальный поиск видео в архиве по заданной области в KENO TVR

подробнее

28.11.2016

Преврати аналоговую систему в IP! Обновление поддерживают видеорегистраторы KENO KN-168HD/8

подробнее

30.06.2016

Уважаемые пользователи оборудования KENO, использующие функцию P2P с программой Goolink

подробнее

27.05.2016

Вышел финальный релиз CMS клиента Smart IMS3. Выражаем благодарность всем, кто принял участие в тестировании.

подробнее

01.05.2016

Компания KENO рада сообщить, что модельный ряд пополнился профессиональными 4-х мега пиксельными IP камерами

подробнее

18.01.2016

Приглашаем Вас посетить стенд компании NoLimitElectronics на выставке CSTB’2016 с 26 по 28 января 2016 года

подробнее

01.01.2016

Изменение срока гарантийного обслуживания с 1 года до 3 лет на все оборудование KENO

подробнее

24.08.2015

Приглашаем Вас посетить наш стенд A500 на выставке SIPS/Securika с 23 по 25 сентября 2015 года в г.Новосибирск

подробнее

31.03.2015

Приглашаем Вас посетить наш стенд на выставке MIPS-2015, которая пройдет в Москве на ВВЦ с 13 по 16 апреля 2015 года

подробнее

27.03.2015

Завершена интеграция IP камер KENO в программный комплекс Axxon/Интеллект по протоколам Onvif Profile-S и Onvif Profile-G

подробнее

01.03.2015

Уважаемые партнеры, обращаем Ваше внимание, что офис переехал по адресу: г. Москва, Волоколамское ш.,116 стр.4, оф.517

подробнее

13.11.2014

Компания KENO приглашает Вас на форум All-Over-IP EXPO 2014

подробнее

15.09.2014

Компания KENO примет участие в выставке SIPS/СибБезопасность г.Новосибирск. Будем рады видеть Вас на нашем стенде A400

подробнее

25.08.2014

Приглашаем Вас посетить наш стенд на выставке SIPS-2014 со 2 по 4 сентября 2014 года в г.Краснодаре

подробнее

01.07.0014

Успешно завершена интеграция IP-камер KENO в программный комплекс Macroscop.

подробнее

18.06.0014

IP-камеры KENO успешно прошли тестирование на совместимость с ПО SecurOS.

подробнее

18.03.0014

Приглашаем Вас посетить наш стенд на выставке МИПС-2014 с 14 по 17 апреля 2014 года в Москве, на ВВЦ

подробнее

01.11.0013

Приглашаем Вас принять участие в семинаре по оборудованию KENO

подробнее

Уважаемые партнеры! Поздравляем Вас С 23 Февраля!

подробнее

Милые девушки! Поздравляем Вас С 8 Марта!

подробнее

9 Мая — Великий День! Символ Героизма, Мужества и Отваги! Уважаем, Помним, Ценим! Поздравляем С Днем Победы!

подробнее

Видеокамера Full HD серии VPC600. IP камеры с датчиком движения — продукты Huawei

Характеристики объектива

2,38 Мп, КМОП-матрица сигналов изображения 1/2,8”

2,38 Мп, КМОП-матрица сигналов изображения 1/2,8”

2,38 Мп, КМОП-марица сигналов изображения 1/2,8”

Видеовыход (пиксели)

1080p50/60, 1080i50/60, 1080p25/30 и 720p50/60

1080p50/60, 1080i50/60, 1080p25/30 и 720p50/60

1080p50/60, 1080i50/60, 1080p25/30 и 720p50/60

Увеличение

12-кратное оптическое и 12-кратное цифровое

12-кратное оптическое и 12-кратное цифровое

4-кратное оптическое и 2,5-кратное цифровое

Фокусное расстояние и диафрагма линз (F#)

f = от 3,9 мм до 46,8 мм

F1,8

f = от 3,9 мм до 46,8 мм

F1,8

f = от 3,9 мм до 15,6 мм

F1,8

Максимальный горизонтальный и вертикальный угол обзора

По горизонтали: 72°

По вертикали: 44,5°

По горизонтали: 72°

По вертикали: 44,5°

По горизонтали: 72°

По вертикали: 44,5°

Панорама/наклон

Угол панорамирования: ±100º; Угол наклона: ±30º; Мин. скорость панорамирования и наклона: 2º/с; макс. скорость панорамирования: 80º/с, наклона: 25º/с

Угол панорамирования: ±100º; Угол наклона: ±30º; Мин. скорость панорамирования и наклона: 2º/с; макс. скорость панорамирования: 80º/с, наклона: 25º/с

Угол панорамирования: ±100º; Угол наклона: ±30º; Мин. скорость панорамирования и наклона: 2º/с; макс. скорость панорамирования: 80º/с, наклона: 25º/с

SNR и минимальное освещение

59 дБ

2 люкс (50 IRE, F1.8)

59 дБ

2 люкс (50 IRE, F1.8)

59 дБ

2 люкс (50 IRE, F1.8)

Количество предустановленных положений

30

30

30

Широкий цифровой динамический диапазон и поддержка инверсии

Да

Да

Да

Видеовыходы

1 x HD-VI (DVI & YPbPr)

1 x HD-VI (DVI & YPbPr)

1×3G-SDI

1 x HD-VI (DVI & YPbPr)

1×3G-SDI

Анализ видео и данных с элементами ИИ — продукты Huawei

Интеллектуальное видеонаблюдение составляет основу интеллектуального мира, обеспечивая сенсорную взаимосвязь в глобальном масштабе, выступая в качестве связующего звена между физическим и цифровым мирами, а также являясь мощным катализатором цифровой и интеллектуальной трансформации различных отраслей.

Решение Huawei HoloSens для интеллектуального анализа видео и данных, объединяющее передовые технологии искусственного интеллекта (ИИ) компании Huawei с технологиями больших данных, облачных вычислений и связи 5G, кардинально изменит индустрию видеонаблюдения, расширив ее функции от простого сбора видео до всестороннего анализа данных, от базового восприятия до интеллектуального предвидения и прогнозирования.

Компания Huawei продвигает стратегию «2 + 4 + N», а именно: 2 технологии искусственного интеллекта, интегрированные в чипы Ascend и Kunpeng, 4 критически важные функции: верификация данных, мощный интеллект, повышенная открытость и надежная защита, а также N экосистемных приложений и партнеров, обеспечивающих интеллектуальное видеонаблюдение в различных отраслях. Таким образом, эта стратегия включает четыре аспекта.

От видеозаписи до многомерного анализа данных. Программно-конфигурируемая камера (Software-Defined Camera, SDC) разработки Huawei — с полной серией доступного оборудования для различных сценариев — объединяет облачные данные Интернета вещей (IoT) с мультимедийными и информационными сетями для всестороннего анализа информации о людях, транспортных средствах, объектах, окружающей среде и поведенческих характеристиках, а также для сбора критически важных многомерных данных в целях обеспечения комплексной безопасности городов.

От эксклюзивного ИИ до встроенного ИИ. Компания Huawei предлагает полную линейку продуктов для интеллектуального видеонаблюдения с синергетическим взаимодействием на уровне «устройство-периферия-облако», созданных на базе лучших в своем классе ИИ-чипах Ascend, которые реализуют матричный интеллектуальный анализ больших объемов информации в различных сценариях.

От базовой защиты до умных решений для бизнеса и жизни. Следуя четкому представлению «ИИ + платформа + открытость», компания Huawei создала алгоритм и набор приложений на основе чипов Ascend и Kunpeng, разработала платформу одновременного выполнения различных алгоритмов от разных поставщиков и открыла лаборатории Huawei OpenLab по всему миру, развивая сотрудничество с местными партнерами для формирования и расширения интеллектуальной экосистемы.

От поверхностной до комплексной безопасности. Компания Huawei обеспечивает комплексную безопасность на протяжении всего процесса обслуживания, включая организационное планирование, разработку и поставку, предоставляя клиентам надежные продукты и услуги.

Решение Huawei HoloSens для интеллектуального анализа видео и данных включает полную серию камер SDC, интеллектуальную платформу видеонаблюдения (Video Surveillance Platform, IVS), интеллектуальную платформу обработки видео и изображений (Video and Image Data, IVD) и интеллектуальную платформу управления (Intelligent Command Platform, ICP) для кампусов и других сценариев в таких отраслях, как транспорт, образование и финансы. Вместе с партнерами-поставщиками алгоритмов и приложений Huawei по-прежнему намерена создать открытую и всеохватывающую экосистему, которая позволит различным отраслям перейти в интеллектуальную эру.

ПО и инструкции по эксплуатации оборудования Sectec

Приложение для просмотра и записи IP видеокамер с литерой «V» Скачать
ПО для восстановления заводских настроек камер на базе процесссоров TI (США) Скачать
CMS для видеорегистраторов серии TVR и для ST-VR2 Скачать
CMS для IP видеокамер и видеорегистраторов

Скачать General_CMS_V3.1.0.8

VMS для IP видеокамер и видеорегистраторов Скачать General_VMS_V1.20.0.14
VMS для IP видеокамер и видеорегистраторов с поддержкой MacOS и облака XMEYE Скачать General_VMS_Mac
ПО для камер серии G Скачать
Руководство пользователя мобильный видеорегистратор Скачать
Руководство пользователя CMS Скачать
SECTEC IP камера руководство по подключению к облаку Скачать
Инструкция по настройке сервиса Dynamic DNS на сайте www.noip.com для доступа к видео регистратору без наличия постоянного IP Скачать

CMS для AHD регистраторов ST-AHD1004, ST-AHD1008, ST-AHD1016, ST-AHD3004, ST-AHD3008 

(если возникли проблемы с установкой то установить по этой ссылке, а затем поверх CMS для AHD регистраторов ST-AHD3004 и ST-AHD3008) Пароль от архива: 123456

Скачать

(пароль от архива:123456)

Инструкция по подключению микрофона к регистратору Скачать
Инструкция по настройке детекции движения IP камер Скачать
Проигрыватель файлов с расширением AV Скачать
Проигрыватель H.265 кодек

Скачать

(пароль от архива:123456)

DAV плеер для ST-AHD1004 Скачать
CMS для SMART HOME видеокамер

Скачать

(пароль от архива:123456)

Калькулятор битрейта и видеоархива Скачать
   
CMS для автомобильных видеорегистраторов  Скачать
Приложение для работы с видеорегистраторами(Android)  Скачать
Программное обеспечение для воспроизведения видео для автомобильных видеорегистраторов   Скачать
Плагин для отслеживания устройств на карте Скачать

Как установить и настроить Smart PSS от Dahua

Для отображения видео с регистратора и подключенных к нему ІР камер, можно использовать программу Smart PSS от компании Dahua. Найти и скачать эту программу можно на официальном сайте — dahuasecurity.com.

Во вкладке Support найдите ссылку на Download Center.

Далее, во вкладке Softwares найдите программу Smart PSS и кликните на нее.

На выбор вам будет предложено несколько версий данного программного обеспечения, выбирайте самую новую — SmartPSS_International_Win32_IS_V2.02.1.R.180619 и нажимайте Download.

Введите место вашего пребывания и ваш e-mail адрес.

Загрузите установочный файл к себе на компьютер, запустите файл и выберите язык интерфейса.

Далее, в окне выбора компонентов для инсталляции, необходимо установить галочки:

  • SmartPSS — позволяет управлять настройками подключенного к программе оборудования (регистраторов, видеокамер и прочего), просматривать видео в реальном времени. ПО поддерживает также такие функции как: загрузка архива, видео стена и другие.   
  • Storage Service — это сетевой сервер хранения видео, установленный на ПК. Вместе с SmartPSS обеспечивает хранение и передачу видео, поддерживает воспроизведение, загрузку и настройку других параметров.

Далее необходимо указать путь установки или подтвердить установку программы по умолчанию на системный диск «С». Галочка «Generate shortcuts» указывает на создание ярлыка программы на рабочем столе. Подтвердите инсталляцию, кликнув на кнопку «Install«.

После того как программа установиться на ПК, завершите процесс нажатием кнопки «Finish«. Если поставить галочку «Run SmartPSS», программа автоматически запустится после завершения процесса установки.

После запуска программы нужно будет пройти начальную регистрацию, ввести новый логин и пароль для доступа к программе. Также, добавить ответы на контрольные вопросы и запомнить их (они нужны в случае, если вы забудете пароль и вам нужно будет его восстановить).

Для добавления нового устройства можете воспользоваться автоматическим поиском устройств, если они подключены к той же локальной сети Интернет, что и ваш компьютер. Выберите нужное вам устройство, для добавления укажите Имя и Пароль установленный для доступа к регистратору (по умолчанию Имя – admin, Пароль – admin).

Если в списке не отобразилось ваше устройство, вы можете добавить его вручную, используя ІР адрес, порт, имя и пароль доступа к регистратору.

Нажмите «Добавить» и перейдите в режим просмотра видео с камер в режиме реального времени. Выберите регистратор и кликните два раза на камере.

Теперь, вы сможете иметь удаленный доступ к регистратору и к видео с подключенных к нему камер видеонаблюдения.

Что такое интеллектуальное видеонаблюдение

Вы когда-нибудь хотели посмотреть, что происходит у вас дома, пока вас нет? Вы хотите проверить подростков, новую няню или просто убедиться, что с домашними животными все в порядке? Вы владелец бизнеса, который хочет иметь возможность проверить свой бизнес или сотрудников, пока вы находитесь за городом или вне офиса?

Интеллектуальное видеонаблюдение предлагает передовую систему безопасности умного дома, которая фиксирует преступную деятельность в домах, на предприятиях и т. Д. В зависимости от предпочтений пользователя.

Особенности интеллектуальных видеосистем

Традиционные системы видеонаблюдения ограничиваются простым включением и выключением, что приводит к тысячам часов нечеткого и часто непригодного для использования видео. Это делает практически невозможным эффективное наблюдение, идентификацию преступников и мониторинг.

Интеллектуальное видео может обеспечить следующие улучшения по сравнению с предыдущими службами мониторинга безопасности:

  • Сопровождение движущейся цели
  • Автоматическое звуковое и визуальное обнаружение подозрительной активности, которое может включать сигналы тревоги и предупреждать домовладельцев и владельцев бизнеса о потенциальных угрозах.
  • Качество изображения высокой четкости, а также технология ночного видения, активируемая датчиками движения, что означает, что система не работает, пока в вашем местоположении ничего не происходит.
  • Инициирование видеозаписи, сигналов тревоги, предупреждений или других действий
  • Оповещения для операторов или полевого персонала
  • Возможность подсчета людей, входящих и выходящих
  • Обнаружение взлома камеры
  • Распознавание автомобильных номеров
  • Расширенный поиск для отображения только ключевых событий, произошедших в течение определенного периода времени, чтобы пользователи могли быстро и точно увидеть, что произошло, пока их не было.

Как работают интеллектуальные системы видеонаблюдения?

К настоящему времени большинство из нас знакомо с такими вещами, как видеодомофоны и голосовые команды для защиты наших домов. Интеллектуальное видеонаблюдение, одно из последних достижений современной жизни, быстро становится незаменимым в домах, на предприятиях и в других местах. Хотя система охранной сигнализации предлагает проводные камеры и беспроводные системы наблюдения, поскольку последние новее, многие люди до сих пор с ними не знакомы.

Вот как работает беспроводное наблюдение.

Обычно профессиональные эксперты по безопасности настраивают протоколы беспроводной связи, чтобы датчики могли общаться с концентратором, который подключен к охранной компании. Обычно это делается с помощью сотовой связи, но Wi-Fi — это обычная резервная копия.

Одним из преимуществ беспроводных систем является отсутствие сверления, проводов и необходимости в электротехнике.

Камеры для домашней безопасности в 21 веке

По данным Национального совета по безопасности дома, дома без систем безопасности с большей вероятностью — на 300% больше — будут ограблены.

Умное видео — будущее защиты собственности? Помимо того, что системы безопасности умного дома более удобны для пользователя, они стали более доступными, чем когда-либо, поскольку они набирают популярность среди домовладельцев, предприятий, районов, сообществ, поселков и крупных городов. Отчасти это связано с тем, что время, необходимое для мониторинга традиционных видеосистем, требует значительных людских ресурсов и времени.

Напротив, добавление видео в домашнюю систему безопасности, оснащенную управлением со смартфона, дает домовладельцам возможность получать доступ к видео и аудио в реальном времени внутри своего дома в любое время и из любого места.
Благодаря мощному сочетанию видео и управления со смартфона вы можете мгновенно получать видео и аудио в реальном времени из вашего дома или офиса. По мере того, как преступники становятся все более изощренными, важно оставаться на шаг впереди, используя новейшие и самые совершенные технологии безопасности.

Преимущества интеллектуальных камер видеонаблюдения для дома

Интеллектуальное видео меняет способ защиты собственности домовладельцев и предприятий. Это повышает вероятность выявления преступной деятельности и в то же время сокращает количество человеко-часов, необходимых для мониторинга этих зачастую сложных систем.

Исследователи из Университета Северной Каролины в Шарлотте обнаружили, что камеры видеонаблюдения являются эффективным средством сдерживания преступности. Фактически, многие злоумышленники ушли, когда увидели наружные камеры слежения. Случайно выбранный в ходе исследования опрос заключенных также показал эффективность камер:

  • Около 60% указали наличие системы охранной сигнализации на территории как важный фактор при выборе целей.
  • Около 43% заявили, что искали другую цель, если видели сигнал тревоги.
  • Около половины участников исследования рассказали, что сразу уезжали, если находили систему безопасности, и почти 40% сказали, что они иногда уходили.
  • Более 80% не пытались отключать системы безопасности, когда их находили, оставив их в покое.

Дополнительное преимущество системы безопасности умного дома? Экономя деньги.

Многие страховщики жилья не только предлагают скидки от 5% до 20% за установку системы, но и высококачественные изображения, полученные с помощью интеллектуального видео, могут помочь вам сообщить о размере ущерба при подаче иска в случае что ваш дом нацелен.

Профессиональная установка для дополнительного спокойствия

Почему вы должны выбрать профессиональную установку для домашней системы безопасности? Есть много преимуществ.

Специалисты по безопасности

могут выполнить оценку безопасности, адаптируя вашу систему к вашему конкретному дому и ситуации. Они также могут справиться со сложными установками, дать советы и лично продемонстрировать, как использовать вашу систему. После установки у вас будет доступ к службе поддержки клиентов и технической поддержке.Если вы решите, что вам нужны новые камеры или их замена, вам могут помочь специалисты по домашней безопасности.

Варианты, сделанные своими руками, могут быть легко установлены с помощью стартового набора. Однако через пару лет, если вы столкнетесь с техническими трудностями, у вас не останется иного выбора, кроме как избавиться от них и начать заново с новой системой. Самостоятельная навигация по домашней автоматизации с помощью мобильного приложения может сначала показаться простой задачей, но это не подходит для индивидуальной установки и постоянной технической поддержки.

Есть еще одно преимущество профессионального интеллектуального видеонаблюдения. Установщики могут обойти ваши существующие устройства: детекторы дыма, датчики C02, интеллектуальное освещение и многое другое. Они также могут учитывать особенности декора и дизайна в вашем доме, чтобы сделать установку бесшовной и органичной.

Узнайте больше о наших камерах домашней безопасности

Интеллектуальное видеонаблюдение: обзор методов глубокого обучения для анализа толпы | Журнал больших данных

  • 1.

    Kardas K, Cicekli NK. SVAS: система анализа видеонаблюдения. Expert Syst Appl. 2017; 89: 343–61.

    Артикул Google Scholar

  • 2.

    Ван И, Шуай Й, Чжу И, Чжан Дж. Ан П Совместное обучение перцептивно неоднородным функциям для слепой оценки качества 3D-видео. Нейрокомпьютеры. 2019; 332: 298–304 (ISSN 0925-2312) .

    Артикул Google Scholar

  • 3.

    Целепис С., Галанопулос Д., Мезарис В., Патрас И. Обучение обнаружению видеособытий с нуля или очень небольшого числа примеров видео. Image Vis Comput. 2016; 53: 35–44 (ISSN 0262-8856) .

    Артикул Google Scholar

  • 4.

    Фахар Б., Канан Х. Р., Бехрад А. Изучение ориентированного на события и различительного словаря на основе адаптивного согласованного с метками метода K-SVD для обнаружения событий в футбольных видео. J Vis Commun Изображение Представляю.2018; 55: 489–503 (ISSN 1047-3203) .

    Артикул Google Scholar

  • 5.

    Луо Х, Ли Х, Цао Д, Ю Й, Ян Х, Хуанг Т. На пути к эффективному и объективному отбору рабочих проб: распознавание действий рабочих в видеоматериалах наблюдения за объектами с помощью двухпотоковых сверточных сетей. Autom Constr. 2018; 94: 360–70 (ISSN 0926-5805) .

    Артикул Google Scholar

  • 6.

    Wang D, Tang J, Zhu W., Li H, Xin J, He D. Обнаружение молочных коз на основе Faster R-CNN с видеонаблюдения. Comput Electron Agric. 2018; 154: 443–9 (ISSN 0168-1699) .

    Артикул Google Scholar

  • 7.

    Шао Л., Цай З., Лю Л., Лу К. Оценка производительности глубокого изучения функций для классификации изображений / видео RGB-D. Inf Sci. 2017; 385: 266–83 (ISSN 0020-0255) .

    Артикул Google Scholar

  • 8.

    Ахмед С.А., Догра Д.П., Кар С., Рой П.П. Представление сцены наблюдения и обнаружение отклонений от нормы траектории с использованием объединения нескольких концепций. Expert Syst Appl. 2018; 101: 43–55 (ISSN 0957-4174) .

    Артикул Google Scholar

  • 9.

    Аруннехру Дж., Чамандисвари Дж., Прасанна Бхарати С. Распознавание человеческих действий с использованием трехмерных сверточных нейронных сетей с трехмерными кубоидами движения в видео наблюдения. Процедуры Comput Sci.2018; 133: 471–7 (ISSN 1877-0509) .

    Артикул Google Scholar

  • 10.

    Гурая Ф.Ф., Шейх Ф.А. Модель визуального внимания на основе нейронных сетей для видеонаблюдения. Нейрокомпьютеры. 2015; 149 (Часть C): 1348–59 (ISSN 0925-2312) .

    Артикул Google Scholar

  • 11.

    Патак А.Р., Пандей М., Раутарай С. Применение глубокого обучения для обнаружения объектов.Процедуры Comput Sci. 2018; 132: 1706–17 (ISSN 1877-0509) .

    Артикул Google Scholar

  • 12.

    Рибейро М., Лаццаретти А.Е., Лопес ХС. Исследование глубоких сверточных автокодировщиков для обнаружения аномалий в видео. Pattern Recogn Lett. 2018; 105: 13–22.

    Артикул Google Scholar

  • 13.

    Хуанг В., Дин Х., Чен Г. Новый метод обучения метрики на основе глубоких многоканальных остаточных сетей для перемещения человека при помощи системы видеонаблюдения.Сигнальный процесс. 2018; 142: 104–13 (ISSN 0165-1684) .

    Артикул Google Scholar

  • 14.

    Цаканикас В., Дагюклас Т. Состояние систем видеонаблюдения и перспективы на будущее. Comput Electr Eng. В печати, исправленное доказательство, доступно на сайте 14 ноября 2017 г.

  • 15.

    Ван И, Чжан Д., Лю И, Дай Б., Ли Л.Х. Улучшение транспортных систем с помощью глубокого обучения: опрос. Транспорт Res Part C Emerg Technol.2018. https://doi.org/10.1016/j.trc.2018.12.004 (ISSN 0968-090X) .

    Артикул Google Scholar

  • 16.

    Huang H, Xu Y, Huang Y, Yang Q, Zhou Z. Отслеживание пешеходов путем изучения глубоких функций. J Vis Commun Изображение Представляю. 2018; 57: 172–5 (ISSN 1047-3203) .

    Артикул Google Scholar

  • 17.

    Юань Ю., Чжао Ю., Ван К. Распознавание действий с использованием пространственно-оптической организации данных и последовательного обучения.Нейрокомпьютеры. 2018; 315: 221–33 (ISSN 0925-2312) .

    Артикул Google Scholar

  • 18.

    Перес М., Авила С., Морейра Д., Мораес Д., Тестони В., Валле Е., Гольденштейн С., Роча А. Обнаружение видеопорнографии с помощью методов глубокого обучения и информации о движении. Нейрокомпьютеры. 2017; 230: 279–93 (ISSN 0925-2312) .

    Артикул Google Scholar

  • 19.

    Pang S, del Coz JJ, Yu Z, Luaces O, Díez J. Глубокое обучение кадрированию объектов для визуального отслеживания цели. Eng Appl Artif Intell. 2017; 65: 406–20 (ISSN 0952-1976) .

    Артикул Google Scholar

  • 20.

    Wei X, Du J, Liang M, Ye L. Повышение уровня глубокого изучения атрибутов с помощью векторной регрессии поддержки для быстрого подсчета толпы. Pattern Recogn Lett. 2017. https://doi.org/10.1016/j.patrec.2017.12.002.

    Артикул Google Scholar

  • 21.

    Xu M, Fang H, Lv P, Cui L, Zhang S, Zhou B. D-stc: глубокое обучение с пространственно-временными ограничениями для обнаружения машинистов поездов по видео. Pattern Recogn Lett. 2017. https://doi.org/10.1016/j.patrec.2017.09.040 (ISSN 0167-8655) .

    Артикул Google Scholar

  • 22.

    Хассан М.М., Уддин М.З., Мохамед А., Альмогрен А. Надежная система распознавания человеческой активности с использованием сенсоров смартфонов и глубокого обучения. Future Gener Comput Syst.2018; 81: 307–13 (ISSN 0167-739X) .

    Артикул Google Scholar

  • 23.

    Wu G, Lu W, Gao G, Zhao C, Liu J. Региональная модель глубокого обучения для визуального отслеживания. Нейрокомпьютеры. 2016; 175: 310–23 (ISSN 0925-2312) .

    Артикул Google Scholar

  • 24.

    Насир М., Мухаммад К., Ллорет Дж., Сангайя А.К., Саджад М. Туманные вычисления сделали возможным экономичное распределенное обобщение видео наблюдения для умных городов.J Parallel Comput. 2018. https://doi.org/10.1016/j.jpdc.2018.11.004 (ISSN 0743-7315) .

    Артикул Google Scholar

  • 25.

    Najva N, Bijoy KE. Обнаружение и классификация объектов на основе SIFT и тензора в видео с использованием глубоких нейронных сетей. Процедуры Comput Sci. 2016; 93: 351–8 (ISSN 1877-0509) .

    Артикул Google Scholar

  • 26.

    Yu Z, Li T, Yu N, Pan Y, Chen H, Liu B.Реконструкция скрытого представления для робастного извлечения признаков. ACM Trans Intell Syst Technol. 2019; 10 (2): 18.

    Артикул Google Scholar

  • 27.

    Мамедли Р., Вольф Ф., Джаннесари А. Искусство придания формы глубоким нейронным сетям. ACM Trans Archit Code Оптим. 2019; 15:62.

    Артикул Google Scholar

  • 28.

    Чжоу Т., Такер Р., Флинн Дж., Файфф Дж., Снавели Н.Стерео увеличение: обучение синтезу представлений с использованием многоплановых изображений. ACM Trans Graph. 2018; 37: 65

    Google Scholar

  • 29.

    Fan Z, Song X, Xia T, Jiang R, Shibasaki R, Sakuramachi R. Онлайн-глубокое ансамблевое обучение для прогнозирования мобильности людей в масштабах города. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2018; 2: 105.

    Google Scholar

  • 30.

    Hanocka R, Fish N, Wang Z, Giryes R, Fleishman S, Cohen-Or D.ALIGNet: независимое согласование частичной формы посредством обучения без учителя. ACM Trans Graph. 2018; 38: 1.

    Артикул Google Scholar

  • 31.

    Xu M, Qian F, Mei Q, Huang K, Liu X. DeepType: глубокое обучение на устройстве для службы персонализации ввода с минимальными проблемами конфиденциальности. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2018; 2: 197.

    Google Scholar

  • 32.

    Potok TE, Schuman C, Young S, Patton R, Spedalieri F, Liu J, Yao KT, Rose G, Chakma G.Исследование сложных сетей глубокого обучения на высокопроизводительных, нейроморфных и квантовых компьютерах. J Emerg Technol Comput Syst. 2018; 14:19.

    Артикул Google Scholar

  • 33.

    Пуянфар С., Садик С., Ян Й, Тиан Х, Тао Й, Рейес М.П., ​​Шю М.Л., Чен С.К., Айенгар С.С. Обзор глубокого обучения: алгоритмы, методы и приложения. ACM Comput Surv. 2018; 51: 92.

    Google Scholar

  • 34.

    Tian Y, Lee GH, He H, Hsu CY, Katabi D. Мониторинг падений на основе радиочастотного излучения с использованием сверточных нейронных сетей. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2018; 2: 137.

    Артикул Google Scholar

  • 35.

    Рой П., Сонг С.Л., Кришнамурти С., Вишну А., Сенгупта Д., Лю X. NUMA-Caffe: нейронные сети глубокого обучения с поддержкой NUMA. ACM Trans Archit Code Оптим. 2018; 15:24.

    Артикул Google Scholar

  • 36.

    Любовник К., Лу А., Нгуен К., Нгуен Х., Херли Д., Агу Э. Факты или вымыслы. Proc ACM Hum-Comput Взаимодействие. 2018; 2: 111.

    Артикул Google Scholar

  • 37.

    Бен-Хаму Х., Марон Х., Кезурер И., Авинери Дж., Липман Ю. Генеративное моделирование поверхности с несколькими диаграммами. ACM Trans Graph. 2018; 37: 215

    Статья Google Scholar

  • 38.

    Ge W, Gong B, Yu Y. Сверхразрешение изображения посредством детерминированно-стохастического синтеза и локальной статистической коррекции.ACM Trans Graph. 2018; 37: 260

    Статья Google Scholar

  • 39.

    Хедман П., Филип Дж., Прайс Т., Фрам Дж. М., Дреттакис Дж., Бростоу Г. Глубокое смешивание для рендеринга изображений со свободной точкой обзора. ACM Trans Graph. 2018; 37: 257

    Google Scholar

  • 40.

    Сундарараджан К., Вудард Д.Л. Глубокое обучение для биометрии: обзор. ACM Comput Surv. 2018; 51: 65.

    Артикул Google Scholar

  • 41.

    Ким Х, Ким Т, Ким Дж, Ким Дж. Глубокая нейронная сеть, оптимизированная для резистивной памяти с нелинейными вольт-амперными характеристиками. J Emerg Technol Comput Syst. 2018; 14:15.

    Артикул Google Scholar

  • 42.

    Ван Ч., Ян Х., Барц С., Майнель С. Подпись к изображениям с помощью глубоких двунаправленных LSTM и многозадачного обучения. ACM Trans Multimedia Comput Commun Appl. 2018; 14:40.

    Google Scholar

  • 43.

    Яо С., Чжао Ю., Шао Х., Чжан А., Чжан С., Ли С., Абдельзахер Т. RDeepSense: надежные модели глубоких мобильных вычислений с оценками неопределенности. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2018; 1: 173.

    Артикул Google Scholar

  • 44.

    Лю Д., Цуй В., Джин К., Го Ю., Цюй Х. DeepTracker: визуализация процесса обучения сверточных нейронных сетей. ACM Trans Intell Syst Technol. 2018; 10: 6.

    Артикул Google Scholar

  • 45.

    Yi L, Huang H, Liu D, Kalogerakis E, Su H, Guibas L. Индукция глубоких деталей из пар сочлененных предметов. ACM Trans Graph. 2018. https://doi.org/10.1145/3272127.3275027.

    Артикул Google Scholar

  • 46.

    Zhao N, Cao Y, Lau RW. Что характеризует персонажей графического дизайна? ACM Trans Graph. 2018; 37: 116.

    Google Scholar

  • 47.

    Тан Дж, Ван Х, Лю Х., Сяо Дж.QuoteRec: в направлении рекомендации цитаты для написания. ACM Trans Inf Syst. 2018; 36: 34.

    Артикул Google Scholar

  • 48.

    Qu Y, Fang B, Zhang W, Tang R, Niu M, Guo H, Yu Y, He X. Нейронные сети, основанные на продуктах, для прогнозирования ответа пользователя по многополевым категориальным данным. ACM Trans Inf Syst. 2018; 37: 5.

    Артикул Google Scholar

  • 49.

    Инь К., Хуанг Х., Коэн-Ор Д., Чжан Х.P2P-NET: двунаправленная сеть смещения точек для преобразования формы. ACM Trans Graph. 2018; 37: 152.

    Артикул Google Scholar

  • 50.

    Yao S, Zhao Y, Shao H, Zhang C, Zhang A, Hu S, Liu D, Liu S, Su L, Abdelzaher T. SenseGAN: обеспечение глубокого обучения для Интернета вещей с полу-контролируемым фреймворк. Proc ACM Interact Mob Wearable Ubiquitous Technol. 2018; 2: 144.

    Артикул Google Scholar

  • 51.

    Сайто С., Ху Л., Ма Ц., Ибаяши Х., Ло Л., Ли Х. Трехмерный синтез волос с использованием объемных вариационных автоэнкодеров. ACM Trans Graph. 2018. https://doi.org/10.1145/3272127.3275019.

    Артикул Google Scholar

  • 52.

    Чен А., Ву М., Чжан И, Ли Н, Лу Дж, Гао С., Ю Дж. Световые поля на глубокой поверхности. Proc ACM Comput Graph Interact Tech. 2018; 1:14.

    Google Scholar

  • 53.

    Чу В., Сюэ Х, Яо К., Кай Д. Распределенное кодирование, управляемое пространственно-временными функциями обучения для обнаружения аномальных событий в больших видео. IEEE Trans Multimedia. 2019; 21 (1): 246–55.

    Артикул Google Scholar

  • 54.

    Хан MUK, Park H, Kyung C. Отклонение выбросов движения для эффективного обнаружения аномалий скопления людей. IEEE Trans Inf Forensics Secur. 2019; 14 (2): 541–56.

    Артикул Google Scholar

  • 55.

    Tao D, Guo Y, Yu B, Pang J, Yu Z. Глубокое многопрофильное обучение для повторной идентификации человека. IEEE Trans Circuits Syst Video Technol. 2018; 28 (10): 2657–66.

    Артикул Google Scholar

  • 56.

    Zhang D, Wu W, Cheng H, Zhang R, Dong Z, Cai Z. Повторная идентификация человека из изображения в видео с запоминанием во времени обучения по сходству. IEEE Trans Circuits Syst Video Technol. 2018; 28 (10): 2622–32.

    Артикул Google Scholar

  • 57.

    Серрано И., Дениз О., Эспиноза-Аранда Дж. Л., Буэно Г. Борьба с распознаванием видео с помощью лесов и двумерной сверточной нейронной сети. IEEE Trans Image Process. 2018; 27 (10): 4787–97. https://doi.org/10.1109/tip.2018.2845742.

    MathSciNet Статья МАТЕМАТИКА Google Scholar

  • 58.

    Li Y, Li X, Zhang Y, Liu M, Wang W. Обнаружение аномального звука с использованием глубокого воспроизведения звука и сети blstm для аудионаблюдения за дорогами.Доступ IEEE. 2018; 6: 58043–55.

    Артикул Google Scholar

  • 59.

    Muhammad K, Ahmad J, Mehmood I, Rho S, Baik SW. Обнаружение пожара на основе сверточных нейронных сетей в видеонаблюдении. Доступ IEEE. 2018; 6: 18174–83.

    Артикул Google Scholar

  • 60.

    Уллах А., Ахмад Дж., Мухаммад К., Саджад М, Байк ЮЗ. Распознавание действий в видеопоследовательностях с использованием глубокого двунаправленного LSTM с функциями CNN.Доступ IEEE. 2018; 6: 1155–66.

    Артикул Google Scholar

  • 61.

    Ли Ю. Глубокая пространственно-временная перспектива для понимания поведения толпы. IEEE Trans Multimedia. 2018; 20 (12): 3289–97.

    Артикул Google Scholar

  • 62.

    Памула Т. Классификация условий дорожного движения на основе многоуровневой фильтрации содержимого изображений с использованием сверточных нейронных сетей. IEEE Intell Transp Syst Mag.2018; 10 (3): 11–21.

    Артикул Google Scholar

  • 63.

    Vandersmissen B, et al. идентификация человека в помещении с помощью маломощного радара FMCW. IEEE Trans Geosci Remote Sens. 2018; 56 (7): 3941–52.

    Артикул Google Scholar

  • 64.

    Мин В, Яо Л., Линь З, Лю Л. Подход с использованием векторной машины для распознавания падений, основанный на упрощенном выражении действий человеческого скелета и быстром обнаружении начального ключевого кадра с использованием угла наклона туловища.IET Comput Vision. 2018; 12 (8): 1133–40.

    Артикул Google Scholar

  • 65.

    Perwaiz N, Fraz MM, Shahzad M. Повторная идентификация личности с использованием гибридного представления, усиленного метрическим обучением. Доступ IEEE. 2018; 6: 77334–49.

    Артикул Google Scholar

  • 66.

    Olague G, Hernández DE, Clemente E, Chan-Ley M. Развитие процедур отслеживания головы с программированием мозга.Доступ IEEE. 2018; 6: 26254–70.

    Артикул Google Scholar

  • 67.

    Dilawari A, Khan MUG, Farooq A, Rehman Z, Rho S, Mehmood I. Описание видеопотоков на естественном языке с использованием кодирования функций для конкретных задач. Доступ IEEE. 2018; 6: 16639–45.

    Артикул Google Scholar

  • 68.

    Цзэн Д., Чжу М. Вычитание фона с использованием многомасштабной полностью сверточной сети.Доступ IEEE. 2018; 6: 16010–21.

    Артикул Google Scholar

  • 69.

    Госвами Г., Ватса М., Сингх Р. Верификация лица посредством изученного представления на многофункциональных видеокадрах. IEEE Trans Inf Forensics Secur. 2017; 12 (7): 1686–98.

    Артикул Google Scholar

  • 70.

    Кечели А.С., Кая А. Обнаружение насильственных действий с помощью метода передачи обучения. Electron Lett. 2017; 53 (15): 1047–8.

    Артикул Google Scholar

  • 71.

    Lu W, et al. Неконтролируемое последовательное обнаружение выбросов с глубокими архитектурами. IEEE Trans Image Process. 2017; 26 (9): 4321–30.

    MathSciNet МАТЕМАТИКА Статья Google Scholar

  • 72.

    Фейзи А. Извлечение признаков высокого уровня для классификации и повторной идентификации личности. IEEE Sens J. 2017; 17 (21): 7064–73.

    Артикул Google Scholar

  • 73.

    Ли Й, Чен С., Хван Дж, Хунг Й. Набор инвариантных признаков для повторной идентификации человека. IEEE Trans Circuits Syst Video Technol. 2017; 27 (3): 470–83.

    Артикул Google Scholar

  • 74.

    Уддин М.З., Хаксар В., Торресен Дж. Распознавание выражения лица с использованием характерных особенностей и сверточной нейронной сети. Доступ IEEE. 2017; 5: 26146–61.

    Артикул Google Scholar

  • 75.

    Mukherjee SS, Робертсон, Нью-Мексико. Поза глубокой головы: оценка направления взгляда в мультимодальном видео. IEEE Trans Multimedia. 2015; 17 (11): 2094–107.

    Артикул Google Scholar

  • 76.

    Hayat M, Bennamoun M, An S. Модели глубокой реконструкции для классификации наборов изображений. IEEE Trans Pattern Anal Mach Intell. 2015; 37 (4): 713–27.

    Артикул Google Scholar

  • 77.

    Афик А.А., Закария М.А., Саад М.Н., Нурфарзана А.А., Хир М.Х.М., Фадзил А.Ф., Джале А., Гунаван В., Изуддин ЗАА, Файзари М.Обзор классификации ненормального поведения в массовке. J Vis Commun Изображение Представляю. 2019; 58: 285–303.

    Артикул Google Scholar

  • 78.

    Бур П., Крибелье Э., Аргириу В. Глава 14 — Анализ поведения толпы с фиксированных и движущихся камер. В: Компьютерное зрение и распознавание образов, анализ мультимодального поведения в дикой природе. Кембридж: Academic Press; 2019. С. 289–322.

    Глава Google Scholar

  • 79.

    Xu X, Gong S, Hospedales TM. Глава 15 — Беспроигрышное распознавание поведения толпы. В: Групповое и массовое поведение для компьютерного зрения. Кембридж: Academic Press; 2017: 341–369.

    Глава Google Scholar

  • 80.

    Родригес М., Сивич Дж., Лаптев И. Глава 5 — Анализ скоплений людей на видео. В: Групповое и массовое поведение для компьютерного зрения. Кембридж: Academic Press. 2017. С. 89–113.

    Глава Google Scholar

  • 81.

    Йогамина Б., Наганантини С. Система предотвращения массовых бедствий на основе компьютерного зрения: исследование. Int J Снижение риска бедствий. 2017; 22: 95–129.

    Артикул Google Scholar

  • 82.

    Ван Х, Лой СС. Глава 10 — Глубокое обучение для независимого от сцены анализа толпы. В: Групповое и массовое поведение для компьютерного зрения. Кембридж: Academic Press; 2017. С. 209–52.

    Глава Google Scholar

  • 83.

    Арседа В.М., Фабиан К.Ф., Лаура П.Л., Тито Дж. Р., Касерес Дж. Дж. Быстрое обнаружение лиц в сценах с насилием. Электронные заметки Theor Comput Sci. 2016; 329: 5–26.

    Артикул Google Scholar

  • 84.

    Ван Ц., Ван Дж., Юань Ю. Глубокое метрическое обучение для регрессии скученности. IEEE Trans Circuits Syst Video Technol. 2018; 28 (10): 2633–43.

    Артикул Google Scholar

  • 85.

    Шао Дж., Лой С.К., Кан К., Ван Х.Понимание многолюдной сцены глубоко изученными объемными срезами. IEEE Trans Circuits Syst Video Technol. 2017; 27 (3): 613–23.

    Артикул Google Scholar

  • 86.

    Грант Дж. М., Флинн П. Дж.. Понимание толпы из видео: обзор. ACM Trans Multimedia Comput Commun Appl. 2017; 13 (2): 19.

    Артикул Google Scholar

  • 87.

    Тай Л., Джебб А.Т., Ву С.Е. Видеозапись человеческого поведения: к подходу больших данных.Curr Opin Behav Sci. 2017; 18: 17–22 (ISSN 2352-1546) .

    Артикул Google Scholar

  • 88.

    Чаудхари С., Хан М.А., Бхатнагар С. Обнаружение множественной аномальной активности на видео. Процедуры Comput Sci. 2018; 125: 336–45.

    Артикул Google Scholar

  • 89.

    Анвар Ф., Петруниас И., Моррис Т., Кодогианнис В. Добыча аномальных событий на фоне частых последовательностей в видео наблюдения из коммерческих помещений.Expert Syst Appl. 2012. 39 (4): 4511–31.

    Артикул Google Scholar

  • 90.

    Wang T, Qiao M, Chen Y, Chen J, Snoussi H. Дескриптор функции видео, объединяющий сигналы движения и внешнего вида с характеристиками, не зависящими от длины. Оптик. 2018; 157: 1143–54.

    Артикул Google Scholar

  • 91.

    Кальца В., Бриасули А, Компациарис I, Стринцис М.Г. Множественные иерархические процессы Дирихле для обнаружения аномалий в дорожном движении.Comput Vis Image Underst. 2018; 169: 28–39.

    Артикул Google Scholar

  • 92.

    Cermeño E, Pérez A, Sigüenza JA. Интеллектуальное видеонаблюдение, выходящее за рамки надежного моделирования фона. Expert Syst Appl. 2018; 91: 138–49.

    Артикул Google Scholar

  • 93.

    Coşar S, Donatiello G, Bogorny V, Garate C, Alvares LO, Brémond F. На пути к аномальной траектории и обнаружению событий в видеонаблюдении.IEEE Trans Circuits Syst Video Technol. 2017; 27 (3): 683–95.

    Артикул Google Scholar

  • 94.

    Ribeiro PC, Audigier R, Pham QC. Romaric Audigier, Quoc Cuong Pham, RIMOC, функция распознавания неструктурированных движений: приложение для обнаружения насилия для видеонаблюдения. Comput Vis Image Underst. 2016; 144: 121–43.

    Артикул Google Scholar

  • 95.

    Чайкол E, Güdükbay U, Ulusoy Ö.Обработка запросов к архивам видеонаблюдения по сценариям. Eng Appl Artif Intell. 2010. 23 (3): 331–45.

    Артикул Google Scholar

  • 96.

    Castanon G, Jodoin PM, Saligrama V, Caron A. Извлечение активности в больших видео наблюдения. В: Библиотека Academic Press по обработке сигналов. Vol. 4. Лондон: Эльзевир; 2014.

    Google Scholar

  • 97.

    Cheng HY, Hwang JN.Интегрированное отслеживание видеообъектов с приложениями для обнаружения событий на основе траектории. J Vis Commun Изображение Представляю. 2011. 22 (7): 673–85.

    Артикул Google Scholar

  • 98.

    Хонг X, Хуанг Y, Ма В., Варадараджан С., Миллер П., Лю В., Ромеро М.Дж., дель Ринкон Д.М., Чжоу Х. Фактический вывод событий при видеонаблюдении за транспортом. Comput Vis Image Underst. 2016; 144: 276–97.

    Артикул Google Scholar

  • 99.

    Wang T, Qiao M, Deng Y, Zhou Y, Wang H, Lyu Q, Snoussi H. Обнаружение аномальных событий на основе анализа информации о движении видеопоследовательности. Оптик. 2018; 152: 50–60.

    Артикул Google Scholar

  • 100.

    Уллах Х., Альтамими А.Б., Узаир М., Уллах М. Обнаружение и локализация аномальных образований в пешеходных потоках. Нейрокомпьютеры. 2018; 290: 74–86.

    Артикул Google Scholar

  • 101.

    Рой Д., Мохан СК. Обнаружение кражи в неограниченных видео наблюдения с использованием моделирования атрибутов действий. Pattern Recogn Lett. 2018; 108: 56–61.

    Артикул Google Scholar

  • 102.

    Lee WK, Leong CF, Lai WK, Leow LK, Yap TH. ArchCam: экспертная система в реальном времени для обнаружения подозрительного поведения на сайте банкомата. Expert Syst Appl. 2018; 109: 12–24.

    Артикул Google Scholar

  • 103.

    Динеш Джексон Сэмюэл Р., Фенил Э., Маногаран Дж., Вивекананда Г. Н., Танджаивадивел Т., Джива С., Ахилан А. Система обнаружения насилия в реальном времени на футбольном стадионе, включающая анализ больших данных и глубокое обучение с помощью двунаправленного LSTM. Comput Netw. 2019; 151: 191–200 (ISSN 1389-1286) .

    Артикул Google Scholar

  • 104.

    Bouachir W, Gouiaa R, Li B, Noumeir R. Интеллектуальное видеонаблюдение для обнаружения попыток самоубийства в реальном времени.Pattern Recogn Lett. 2018; 110: 1–7 (ISSN 0167-8655) .

    Артикул Google Scholar

  • 105.

    Ван Дж., Сюй З. Пространственно-временное моделирование текстуры для обнаружения аномалий толпы в реальном времени. Comput Vis Image Underst. 2016; 144: 177–87 (ISSN 1077-3142) .

    Артикул Google Scholar

  • 106.

    Ко К.Е., Сим КБ. Глубокая сверточная структура для обнаружения аномального поведения в интеллектуальной системе наблюдения.Eng Appl Artif Intell. 2018; 67: 226–34.

    Артикул Google Scholar

  • 107.

    Дэн Х, Ян Й, Риччи Э, Себе Н. Обнаружение аномальных событий в видео путем изучения глубоких представлений о внешнем виде и движении. Comput Vis Image Underst. 2017; 156: 117–27.

    Артикул Google Scholar

  • 108.

    Сегеди С., Лю В., Цзя Й, Серманет П., Рид С., Ангелов Д., Эрхан Д., Ванхаук В., Рабинович А.Углубляем извилины. В: Конференция IEEE 2015 года по компьютерному зрению и распознаванию образов (CVPR). 2015.

  • 109.

    Го И, Лю И, Эрлеманс А., Лао С., Лью М.С. Глубокое обучение для визуального понимания: обзор. Нейрокомпьютеры. 2016; 187 (26): 27–48.

    Артикул Google Scholar

  • 110.

    Babaee M, Dinh DT, Rigoll G. Глубокая сверточная нейронная сеть для вычитания фона видеопоследовательности. Распознавание образов.2018; 76: 635–49.

    Артикул Google Scholar

  • 111.

    Xue H, Liu Y, Cai D, He X. Отслеживание людей в видео RGBD с использованием глубокого обучения и подсказок движения. Нейрокомпьютеры. 2016; 204: 70–6.

    Артикул Google Scholar

  • 112.

    Dong Z, Jing C, Pei M, Jia Y. Бинарные хэш-видео-представления на основе Deep CNN для поиска лиц. Распознавание образов. 2018; 81: 357–69.

    Артикул Google Scholar

  • 113.

    Zhang C, Tian Y, Guo X, Liu J. DAAL: глубокое изучение атрибутов на основе активации для распознавания действий в подробных видео. Comput Vis Image Underst. 2018; 167: 37–49.

    Артикул Google Scholar

  • 114.

    Чжоу С., Шен В., Цзэн Д., Фанг М., Чжан З. Пространственно-временные сверточные нейронные сети для обнаружения и локализации аномалий в многолюдных сценах. Сигнал Процесс Изображение Сообщество. 2016; 47: 358–68.

    Артикул Google Scholar

  • 115.

    Pennisi A, Bloisi DD, Iocchi L. Обнаружение поведения толпы в режиме онлайн в видеопоследовательностях. Comput Vis Image Underst. 2016; 144: 166–76.

    Артикул Google Scholar

  • 116.

    Фелициани К., Нишинари К. Измерение заторов и внутреннего риска в пешеходных толпах. Transp Res Part C Emerg Technol. 2018; 91: 124–55.

    Артикул Google Scholar

  • 117.

    Wang X, He X, Wu X, Xie C, Li Y. Метод классификации ненормального поведения толпы, основанный на разбивке полос. Optik Int J Световая электронная оптика. 2016; 127 (4): 2386–92.

    Артикул Google Scholar

  • 118.

    Кумар С., Датта Д., Сингх С.К., Сангайя А.К. Парадигма интеллектуального вычисления решений для мониторинга толпы в умном городе. J Parallel Distrib Comput. 2018; 118 (2): 344–58.

    Артикул Google Scholar

  • 119.

    Feng Y, Yuan Y, Lu X. Изучение глубинных моделей событий для обнаружения аномалий толпы. Нейрокомпьютеры. 2017; 219: 548–56.

    Артикул Google Scholar

  • Искусственный интеллект усилит слежку

    Мы обычно думаем о камерах наблюдения как о цифровых глазах, наблюдающих за нами или наблюдающих за нами, в зависимости от вашего взгляда. Но на самом деле они больше похожи на иллюминаторы: полезны только тогда, когда через них кто-то смотрит.Иногда это означает, что человек смотрит прямую трансляцию, обычно из нескольких видеопотоков. Однако большинство камер наблюдения пассивны. Они служат для устрашения или для доказательства того, что что-то пойдет не так. Вашу машину угнали? Проверьте систему видеонаблюдения.

    Но это меняется — и быстро. Искусственный интеллект наделяет камеры видеонаблюдения цифровым мозгом, соответствующим их глазам, позволяя им анализировать видео в реальном времени без участия людей. Это может быть хорошей новостью для общественной безопасности, помогая полиции и службам быстрого реагирования более легко выявлять преступления и несчастные случаи, а также имеет ряд научных и промышленных приложений.Но это также поднимает серьезные вопросы о будущем конфиденциальности и создает новые риски для социальной справедливости.

    Что происходит, когда правительства могут отслеживать огромное количество людей с помощью видеонаблюдения? Когда полиция может в цифровом виде следить за вами по городу, просто загрузив ваш снимок в базу данных? Или когда на камерах в вашем местном торговом центре работает необъективный алгоритм, опрашивающий полицейских, потому что ему не нравится внешний вид определенной группы подростков?

    До этих сценариев еще далеко, но мы уже видим первые плоды объединения искусственного интеллекта и наблюдения.IC Realtime — один из примеров. Его флагманский продукт, представленный в декабре прошлого года, был объявлен Google для видеонаблюдения. Это приложение и веб-платформа под названием Ella, которая использует искусственный интеллект для анализа того, что происходит в видеопотоках, и делает их доступными для поиска. Элла может распознавать сотни тысяч запросов на естественном языке, позволяя пользователям искать в видеозаписи видеоролики с изображением конкретных животных, людей в одежде определенного цвета или даже отдельных марок и моделей автомобилей.

    В веб-демонстрации генеральный директор IC Realtime Мэтт Сэйлор показал The Verge версию Эллы, подключенную примерно к 40 камерам, наблюдающим за промышленным парком.Он набирал различные запросы — «мужчина в красном», «фургоны UPS», «полицейские машины» — и все это привело к появлению соответствующих кадров за несколько секунд. Затем он сузил результаты по периоду времени и местоположению и указал, как пользователи могут поднимать или опускать клипы, чтобы улучшить результаты — точно так же, как Netflix.

    AI-наблюдение начинается с видео с возможностью поиска

    «Допустим, произошло ограбление, и вы действительно не знаете, что произошло», — говорит Сэйлор. — Но потом на восток мчался Jeep Wrangler.Итак, мы заходим, ищем «Jeep Wrangler», и вот он ». На экране клипы начинают заполнять ленту, показывая, как мимо проплывают разные Jeep Wrangler. По словам Сэйлор, это будет первым большим преимуществом объединения искусственного интеллекта и видеонаблюдения: упрощение поиска того, что вы ищете. «Без этой технологии вы бы не знали ничего, кроме своей камеры, и вам пришлось бы просеивать часы, часы и часы видео», — говорит он.

    Элла работает в Google Cloud и может искать кадры практически из любой системы видеонаблюдения.«[Он] хорошо работает в системе с одной камерой — точно так же [как] камера для няни или камера для собаки — вплоть до предприятия, с матрицей из тысяч камер», — говорит Сэйлор. Пользователи будут платить ежемесячную плату за доступ, начиная примерно с 7 долларов США и увеличивая количество камер.

    IC Realtime нацелена на компании любого размера, но считает, что ее технология также понравится отдельным потребителям. Этих клиентов уже хорошо обслуживает быстро развивающийся рынок «умных» домашних камер безопасности, производимых такими компаниями, как Amazon, Logitech, Netgear и принадлежащая Google Nest.Но Sailor говорит, что эта технология гораздо более примитивна, чем у IC Realtime. Эти камеры подключаются к домашнему Wi-Fi и предлагают прямые трансляции через приложение, а также автоматически записывают кадры, когда видят, что что-то движется. Но, говорит Сэйлор, они не могут отличить взлом и птицу, что приводит к множеству ложных срабатываний. «Это очень простая технология, которая существует уже много лет», — говорит он. «Ни искусственного интеллекта, ни глубокого обучения».

    Снимок экрана, на котором Элла использовалась для поиска людей в красном. Изображение: IC Realtime

    Так будет ненадолго. В то время как IC Realtime предлагает облачную аналитику, которая может модернизировать существующие глупые камеры, другие компании встраивают искусственный интеллект непосредственно в свое оборудование. Boulder AI — один из таких стартапов, продающий «видение как услугу» с использованием собственных автономных камер AI. Большим преимуществом интеграции ИИ в устройство является то, что для работы им не требуется подключение к Интернету. Компания Boulder продает продукцию в самых разных отраслях промышленности, адаптируя создаваемые ею системы машинного зрения к индивидуальным клиентам.

    «Приложения действительно повсюду», — говорит основатель Даррен Одом The Verge . «Наша платформа продается компаниям в банковской сфере и энергетике. У нас даже есть приложение, в котором мы изучаем пиццу, определяя, подходящего ли она размера и формы ».

    «Сейчас мы на 100 процентов определили форель в Айдахо».

    Одом приводит пример клиента из Айдахо, который построил плотину. Чтобы соответствовать экологическим нормам, они отслеживали количество рыб, пролезающих через верхнюю часть сооружения.«Раньше у них был человек, который сидел с окном в этой рыбацкой лестнице и считал, сколько форели прошло», — говорит Одом. (Рыбная лестница — это именно то, на что она похожа: ступенчатый водный путь, по которому рыбы поднимаются в гору.) «Затем они перешли к видео, и кто-то [удаленно] наблюдал за ним». Наконец, они связались с Боулдером, который построил им специальную систему видеонаблюдения с искусственным интеллектом, чтобы определять типы рыб, поднимающихся по рыбной лестнице. «Мы действительно успешно определили виды рыб с помощью компьютерного зрения», — с гордостью говорит Одом. «Сейчас мы на 100 процентов определили форель в Айдахо.”

    Если IC Realtime представляет собой общий конец рынка, то Боулдер показывает, что может сделать подрядчик-бутик. Однако в обоих случаях то, что в настоящее время предлагают эти фирмы, является лишь верхушкой айсберга. Точно так же, как машинное обучение быстро улучшило свою способность идентифицировать объекты, ожидается, что навыки анализа сцен, действий и движений быстро улучшатся. Все готово, включая фундаментальные исследования, вычислительную мощность и наборы данных для обучения — ключевой компонент в создании компетентного ИИ.Два крупнейших набора данных для анализа видео созданы YouTube и Facebook, компаниями, которые заявили, что хотят, чтобы ИИ помогал модерировать контент на своих платформах (хотя оба признают, что он еще не готов). Например, набор данных YouTube содержит более 450 000 часов видео с ярлыками, которые, как ожидается, будут стимулировать «инновации и прогресс в понимании видео». Разнообразие организаций, участвующих в создании таких наборов данных, дает некоторое представление о важности этой области. Google, MIT, IBM и DeepMind участвуют в своих аналогичных проектах.

    IC Realtime уже работает над продвинутыми инструментами, такими как распознавание лиц. После этого он хочет иметь возможность анализировать, что происходит на экране. Сэйлор говорит, что он уже разговаривал с потенциальными клиентами в сфере образования, которые хотят слежки, которая может распознать, когда у учеников возникают проблемы в школах. «Например, они заинтересованы в упреждающих уведомлениях о драке», — говорит он. Все, что нужно будет сделать системе, — это следить за скоплением зрачков, а затем предупредить человека, который мог бы проверить видеопоток, чтобы увидеть, что происходит, или лично направиться для расследования.

    Boulder тоже изучает такого рода расширенный анализ. Один прототип системы, над которым он работает, должен анализировать поведение людей в банке. «Мы специально ищем плохих парней и определяем разницу между нормальным актером и кем-то, кто ведет себя не по правилам», — говорит Одом. Для этого они используют старые записи с камеры видеонаблюдения, чтобы научить свою систему обнаруживать отклоняющееся от нормы поведение. Но многие из этих видео некачественные, поэтому они также снимают собственные тренировочные кадры с актерами.Одом не смог вдаваться в подробности, но сказал, что система будет искать конкретные выражения лица и действия. «Наши актеры делают такие вещи, как приседания, толчки, взгляды через плечо», — сказал он.

    Для экспертов в области наблюдения и искусственного интеллекта внедрение такого рода возможностей чревато потенциальными трудностями, как техническими, так и этическими. И, как это часто бывает с ИИ, эти две категории взаимосвязаны.Это техническая проблема, заключающаяся в том, что машины не могут понимать мир так же хорошо, как люди, но она становится этической, когда мы предполагаем, что они могут, и позволяем им принимать решения за нас.

    Алекс Хауптманн, профессор Карнеги-Меллона, специализирующийся на компьютерном анализе подобного рода, говорит, что, хотя ИИ значительно продвинул эту область в последние годы, все еще существуют фундаментальные проблемы в том, чтобы заставить компьютеры понимать видео. И самая большая из них — проблема для камер, о которой мы больше не задумываемся: разрешение.

    Самое большое препятствие довольно распространено: видео с низким разрешением

    Возьмем, к примеру, нейронную сеть, обученную анализировать действия человека на видео. Они работают, разбивая человеческое тело на сегменты — руки, ноги, плечи, головы и т. Д. — а затем наблюдая, как эти фигурки из палочек меняются от одного кадра видео к другому. Исходя из этого, ИИ может сказать вам, бежит ли кто-то, например, или расчесывает волосы. «Но это зависит от разрешения видео, которое у вас есть», — говорит Хауптманн The Verge .«Если я смотрю в конец парковки одной камерой, мне повезет, если я могу определить, открыл ли кто-то дверь машины. Если вы находитесь прямо перед [камерой] и играете на гитаре, она может отслеживать вас до каждого пальца «.

    Это большая проблема для систем видеонаблюдения, где камеры часто зернистые, а углы часто странные. Хауптманн приводит в пример камеру в магазине, которая нацелена на кассовый аппарат, но также выходит из окна, выходящего на улицу. Если ограбление произойдет снаружи, частично скрытое от камеры, ИИ будет в тупике.«Но мы, как люди, можем представить, что происходит, и собрать все воедино. Компьютеры не могут этого сделать, — говорит он.

    Демонстрационный видеоролик якобы демонстрирующий систему наблюдения с искусственным интеллектом, созданную китайской компанией SenseTime. Изображение: SenseTime / YouTube

    Точно так же, хотя ИИ отлично определяет, что происходит в видео на довольно высоком уровне (например, кто-то чистит зубы, смотрит в свой телефон или играет в футбол), он еще не может извлечь жизненно важный контекст.Возьмем, к примеру, нейронную сеть, которая может анализировать действия человека. Он мог бы посмотреть отснятый материал и сказать: «Этот человек бежит», но он не сможет сказать вам, бежит ли он, потому что опаздывает на автобус, или потому, что они только что украли чей-то телефон.

    Эти проблемы с точностью должны заставить нас дважды подумать над некоторыми претензиями стартапов в области ИИ. Мы еще далеки от того, чтобы компьютер мог понимать то, что он видит на видео, с той же проницательностью, что и человек. (Исследователи скажут вам, что это настолько сложно, что в основном это синоним «разгадки» интеллекта в целом.) Но дела идут быстро.

    Хауптманн говорит, что использование отслеживания номерного знака для отслеживания транспортных средств — это «решенная проблема для практических целей», и распознавание лиц в контролируемых условиях — то же самое. (Распознавание лиц с использованием низкокачественных кадров видеонаблюдения — другое дело.) Идентификация таких вещей, как автомобили и предметы одежды, также довольно надежна, и автоматическое отслеживание одного человека с помощью нескольких камер может быть выполнено, но только при подходящих условиях. «Вы довольно хорошо умеете выслеживать человека в малолюдной сцене, но в многолюдной сцене забудьте об этом», — говорит Хауптманн.Он говорит, что это особенно тяжело, если человек носит невзрачную одежду.

    Некоторые задачи наблюдения ИИ уже решены; другим нужна работа

    Однако даже эти довольно простые инструменты могут иметь мощные эффекты в любом масштабе. Китай дает один пример того, как это может выглядеть. Его западный регион Синьцзян, где подавляется инакомыслие с местной уйгурской этнической группой, был описан как «лаборатория высокотехнологичного социального контроля» в недавнем отчете Wall Street Journal .В Синьцзяне традиционные методы наблюдения и гражданского контроля сочетаются с распознаванием лиц, сканерами номерных знаков, сканерами радужной оболочки глаза и повсеместной системой видеонаблюдения, чтобы создать «состояние тотального наблюдения», при котором люди постоянно отслеживаются в общественных местах. В Москве собирается аналогичная инфраструктура с программным обеспечением для распознавания лиц, подключенным к централизованной системе, состоящей из более чем 100 000 камер с высоким разрешением, которые покрывают более 90 процентов входов в городские квартиры.

    В таких случаях, вероятно, будет действовать полезный цикл, когда системы будут собирать больше данных по мере того, как программное обеспечение становится лучше, что, в свою очередь, помогает программному обеспечению становиться еще лучше.«Я думаю, что все это немного улучшится», — говорит Хауптманн. «Это приближалось».

    Если эти системы находятся в разработке, то у нас уже есть такие проблемы, как алгоритмическая предвзятость. Это не гипотетический вызов. Исследования показали, что системы машинного обучения впитывают расовые и сексистские предрассудки общества, которое их программирует — от программного обеспечения для распознавания образов, которое всегда отправляет женщин на кухню, до систем уголовного правосудия, которые всегда говорят, что темнокожие люди с большей вероятностью совершат повторное преступление.Если мы обучим систему наблюдения ИИ, используя старые кадры, например, с камер видеонаблюдения или телекамер полиции, то предубеждения, существующие в обществе, вероятно, сохранятся.

    Этот процесс уже происходит в правоохранительных органах, говорит Мередит Уиттакер, содиректор института AI Now при Нью-Йоркском университете, занимающегося вопросами этики, и будет распространяться на частный сектор. Уиттакер приводит в пример Axon (ранее Taser), которая купила несколько компаний, занимающихся ИИ, чтобы помочь встроить видеоаналитику в свои продукты. «Данные, которые у них есть, взяты с телекамер полицейских, которые многое говорят нам о том, кого может профилировать отдельный полицейский, но не дают нам полной картины», — говорит Уиттакер.«В этом есть реальная опасность того, что мы универсализируем предвзятые картины преступности и преступности».

    «Даже если нам удастся исправить предубеждения в этих автоматизированных системах, это не смягчит их, — говорит старший политический аналитик ACLU Джей Стэнли. Он говорит, что изменение камер видеонаблюдения с пассивных на активных наблюдателей может иметь огромное сдерживающее воздействие на гражданское общество.

    «Мы хотим, чтобы люди не просто были свободными, но и чувствовали себя свободными».

    «Мы хотим, чтобы люди не просто были свободными, но и чувствовали себя свободными.А это означает, что им не нужно беспокоиться о том, как неизвестная, невидимая аудитория может интерпретировать или неверно истолковать каждое их движение и высказывание », — говорит Стэнли. «Беспокойство заключается в том, что люди начнут постоянно контролировать себя, опасаясь, что все, что они делают, будет неправильно истолковано и приведет к негативным последствиям для их жизни».

    Стэнли также говорит, что ложные тревоги из-за неточного наблюдения ИИ также могут привести к более опасным столкновениям между правоохранительными органами и представителями общественности.Вспомните, например, выстрел в Дэниела Шейвера, когда полицейский был вызван в номер в отеле в Техасе после того, как Шейвер был замечен с пистолетом. Сержант полиции Чарльз Лэнгли застрелил Шейвера, когда тот, как и просили, полз к нему по полу. Пистолет, с которым был замечен Шейвер, оказался дробовиком, который он использовал для борьбы с вредителями.

    Если человек может сделать такую ​​ошибку, то какой шанс у компьютера? А если системы видеонаблюдения станут хотя бы частично автоматизированными, станут ли такие ошибки более или менее распространенными? «Если технология существует, ее будут проверять некоторые полицейские силы», — говорит Стэнли.

    Когда слежка AI станет обычным явлением, кто будет регулировать алгоритмы?

    Уиттакер говорит, что то, что мы наблюдаем в этой области, является лишь частью более широкой тенденции в области искусственного интеллекта, в которой мы используем эти относительно грубые инструменты, чтобы попытаться классифицировать людей на основе их имиджа. Она указывает на противоречивое исследование, опубликованное в прошлом году, в котором утверждалось, что можно определить сексуальность с помощью распознавания лиц в качестве аналогичного примера. Точность результатов ИИ была сомнительной, но критики отмечали, что не имеет значения, работает он или нет; имело значение, верят ли люди, что это работает, и все же выносили суждения, используя эти данные.

    «Меня беспокоит, что многие из этих систем встраиваются в нашу основную инфраструктуру без демократического процесса, который позволил бы нам задавать вопросы об их эффективности или информировать население, на котором они будут развернуты», — говорит Уиттакер. «Это еще один пример из барабанной дроби алгоритмических систем, которые предлагают классифицировать и определять типологию людей на основе распознавания образов, извлеченных из данных, содержащих культурные и исторические предубеждения.”

    Когда мы спрашиваем IC Realtime о проблемах того, как можно злоупотреблять слежкой за ИИ, они дали ответ, который является обычным в технологической индустрии: эти технологии не имеют ценности, и только то, как они внедряются и кем они являются хорошими или хорошими. плохой. «Любая новая технология может попасть в чужие руки», — говорит Сэйлор. «Это верно для любой технологии … и я думаю, что плюсы в этом аспекте значительно перевешивают минусы».

    Интеллектуальное решение для видеонаблюдения

    Сегодня видеонаблюдение повсеместно применяется в различных отраслях.Связанная технология переходит от автономного и аналогового видео к сетевому (IP) и цифровому видео. Интеллектуальное решение для видеонаблюдения от Mindtree предлагает комплексные программные продукты для IP-видеонаблюдения, которые подходят для малых, средних и крупных установок.

    Программное обеспечение для управления видео Gladius

    Gladius Video Management Software (VMS) — это комплексное решение для видеонаблюдения с открытой платформой, которое идеально подходит для малых, средних и крупных установок.Gladius совместим с ONVIF, а также поддерживает широкий спектр ведущих в отрасли IP-камер и кодеров ведущих производителей. Это позволяет системе масштабироваться и адаптироваться к меняющимся потребностям пользователя

    Основные характеристики

    • Распределенная архитектура клиент-сервер
    • Клиент рабочего стола Windows
    • Сенсорное управление
    • Масштабируемость от 16 до 1000 камер
    • Умное потоковое видео
    • Поддерживает наблюдение на ходу: доступ в любое время и в любом месте с мобильных устройств
    • Отказоустойчивые серверы для обеспечения высокой доступности и бесперебойной работы системы
    • Поддерживает функцию закладок в качестве инструмента исследования
    • Большой портфель Mindtree Video Analytics доступен в виде подключаемого модуля
    • На основе стандартов — ONVIF, RTSP, HTTPs
    • Состояние системы, статистика хранилища и сводный отчет об инцидентах
    • Полная интеграция со сторонними устройствами

    Gladius CMS и облако CMS

    Gladius CMS Cloud — это облачное программное обеспечение для централизованного управления от Mindtree для управления распределенными системами видеонаблюдения.Он обеспечивает централизованное управление системами видеонаблюдения в нескольких местах, которые будут включать, среди прочего, удаленный просмотр видео в реальном времени по запросу, удаленное управление камерой, удаленное управление записанным видео и централизованное хранение записанного видео и его управление. Gladius CMS Cloud с его открытой архитектурой и подходом, основанным на стандартах, может взаимодействовать с IP-камерами, сетевыми видеорегистраторами и видеорегистраторами различных производителей.

    На следующих схемах подключения показаны некоторые параметры общей настройки, которые используются для подключения различных корпоративных установок / периферийных устройств к Gladius CMS Cloud.

    Основные характеристики

    • Видеоверификация тревог
    • Рабочий процесс управления инцидентами
    • Управление камерой из центрального командного пункта
    • Живой мониторинг любого объекта / любой камеры
    • Запись видео по тревоге или активности в облаке
    • Поддержка карт местоположения / участка / этажа
    • Поддержка полнофункционального тонкого клиента, а также веб-клиентов и мобильных клиентов
    • Поддержка интеграции для сторонних цифровых видеорегистраторов, сетевых видеорегистраторов и VMS
    • Уведомление о тревоге с помощью SMS, электронной почты
    • Поддержка аудио и видео аналитики

    Аудио и видео аналитика

    Программное обеспечение для аудио- и видеоаналитики обеспечивает своевременные оповещения, чтобы сделать системы наблюдения более активными, точными и эффективными.Mindtree разработала уникальные алгоритмы низкой сложности, которые являются точными и могут работать в режиме реального времени на стандартных платформах для таких сегментов, как розничная торговля, банковское дело и транспорт.

    Основные характеристики

    • Работает в реальном времени
    • Менее сложные и запатентованные алгоритмы
    • Решение для высокоточной видеоаналитики
    • Правила и регионы интересов, определяемые пользователем
    • Интегрирован с Gladius VMS для настройки через Интернет и управления аварийными сигналами

    Наши продукты и услуги

    Товар

    • Программное обеспечение для управления видео Gladius (VMS)
    • Gladius CMS и облако CMS
    • Программное обеспечение для анализа аудио и видео Gladius

    Услуги

    • Консультации
    • Лицензирование и настройка
    • Интеграция со сторонними организациями
    • Управление инфраструктурой

    Переход от наблюдения к интеллектуальным действиям с помощью Digital Eyes

    Глобальный технологический стратег Unilever .Раскройте потенциал данных и аналитики за счет интеллектуальной оцифровки бизнес-процессов с помощью облачных технологий.

    getty

    Камеры видеонаблюдения — это современные цифровые глаза. Они похожи на Большого Брата, вымышленного персонажа из антиутопического романа Джорджа Оруэлла «, девятнадцать восемьдесят четыре, », присматривают за нами или присматривают за нами, в зависимости от вашего взгляда. Но это быстро меняется. Искусственный интеллект (ИИ) дает этим цифровым глазам мозг для анализа видео в реальном времени без вмешательства человека.

    Идея состоит в том, чтобы использовать машинное обучение (ML) и другие методы искусственного интеллекта для автоматического распознавания временных и пространственных событий в видеопотоке, таких как засорение конвейера, подозрительное движение в защищенной зоне, а также дым или пожар. Компании могут использовать существующие технологии наблюдения вместе со сбором данных через Интернет и облачной обработкой машинного обучения для различных целей и приложений для повышения ситуационной осведомленности.

    Эти технологии не новы, так почему именно сейчас?

    Отрасли промышленности с высоким уровнем риска эффективно используют эти инструменты в течение многих лет.Однако наличие экономичных камер с подключением к Интернету со сложным машинным переводом для обработки цифрового потока в реальном времени сделало его более эффективным и жизнеспособным, чем когда-либо. Предприятиям следует воспользоваться преимуществами этих технологий и создать цифровые системы видеонаблюдения нового поколения на своих объектах.

    Какие новые варианты использования?

    Исторически сложилось так, что отрасль здравоохранения и безопасности инвестировала в решения для видеонаблюдения, чтобы обеспечить безопасность персонала при проведении регулируемых видов деятельности с высокой степенью риска.Видеоаналитика позволяет нам понять данные, стоящие за визуальными потоками. Он может обнаруживать неправильные процессы, выполняемые сотрудником, и предупреждать о необходимости исправления. Также ценен мониторинг скольжения, спотыкания и падения. Он может обрабатывать изображения, чтобы определить, упал ли человек, и при необходимости предупредить персонал службы экстренной помощи. В текущей среде Covid-19 эти видеопотоки могут определять правильное ношение масок, социальное дистанцирование и меры гигиены рук.

    Предприятия также могут выполнять классическое обнаружение вторжений более надежно, поскольку алгоритмы теперь могут отфильтровывать движение, вызванное ветром, дождем, снегом или животными.Эти системы помогают собирать доказательства для расследований и судебных разбирательств, предлагая не только визуальные доказательства, но и лежащие в основе выводы.

    Кроме того, видеоаналитика может помочь нам понять поведение покупателей в магазине, например, как долго они просматривают проход, на что смотрят и что покупают или не покупают. Видеоаналитика в сочетании с дополненной реальностью может помочь улучшить потребительский опыт, связанный с модой и красотой, обеспечивая иммерсивный реальный опыт перед покупкой товаров.

    Многие производственные предприятия уже используют цифровой визуальный контроль для управления качеством. В высокоскоростной этикетировочной машине камера в сочетании с ML может обнаруживать смещенную этикетку на упаковке и отклонять основную сборочную линию, или камера может обнаруживать треснувшие бутылки до наполнения или попадание постороннего предмета в сборку — список можно продолжить. .

    Предприятия могут воспользоваться преимуществами этих вариантов использования без необходимости инвестировать в специальные камеры и интегрироваться в более широкую экосистему цифрового зрения на базе ИИ.

    Как они работают?

    Эти системы выполняют мониторинг в реальном времени для обнаружения объектов, атрибутов объектов, моделей движения или поведения, связанных с окружающей средой. Мы также можем анализировать исторические данные, чтобы получить представление о тенденциях и тенденциях. Обычно мы можем анализировать видеоконтент двумя способами: в режиме реального времени (инициируя оповещения о конкретных событиях и инцидентах, которые происходят в данный момент) или после обработки. Типичная система с поддержкой ИИ состоит из двух частей:

    • Цифровой видеопоток: Система должна интегрироваться с любым источником видеосигнала — ключевым моментом является угол наклона камеры.
    • Обработка (центральная или периферийная): В то время как традиционные системы видеонаблюдения выполняли обработку локально, система с поддержкой AI может встроить обработку в сами камеры, стратегия, известная как обработка кромок. В последние годы, когда затраты на обработку снижаются, мы увидели несколько камер с возможностью обработки в реальном времени. Лучшая отраслевая практика — по возможности использовать обработку в реальном времени на камерах и функции криминалистического анализа централизованно в облаке.

    Какие проблемы?

    Традиционная архитектура CCTV может не подходить для этих случаев использования и может потребовать обновления камер, сетей, таких как Wi-Fi или 5G, а также увеличения потребностей в хранении и обработке данных.

    Еще одна проблема — существующие ракурсы камеры. Например, для использования этой возможности для отслеживания социального дистанцирования во время Covid-19 потребуются потоки как минимум с двух камер с прямым углом для точного измерения расстояния.Мы наблюдали значительное количество ложных срабатываний при использовании только одной камеры для этого варианта использования. В зависимости от использования нам могут потребоваться дополнительные специальные камеры с прямым углом, которые сильно отличаются от существующих камер видеонаблюдения и их углов.

    Каковы последствия для предприятий?

    Существует множество социальных и юридических проблем, связанных с видеоаналитикой с использованием искусственного интеллекта. Несмотря на отсутствие единого законодательства о том, как использовать эти методы во всем мире, ответственные предприятия должны заявить о своем намерении использовать эти технологии и убедиться, что их персонал полностью поддерживает эти возможности.Они должны обеспечить полное соблюдение правил конфиденциальности в разных странах и полностью придерживаться собственной этики ИИ при их создании.

    Заключение

    Видеоаналитика с поддержкой искусственного интеллекта, описываемая в этой статье как «цифровое видение», сегодня может принести значительную пользу предприятиям даже с учетом проблем и последствий. Но крайне важно, чтобы предприятия, использующие эти технологии, делали это, полностью соблюдая местные правила конфиденциальности и свои собственные этические стандарты.Это может позволить им улучшить решения, а не основывать их на косвенных или субъективных мнениях.

    Когда компании смотрят на будущее рабочего места после Covid-19, они могут захотеть подумать, могут ли и как технологии цифрового зрения на базе ИИ улучшить опыт их сотрудников в их рабочей среде.


    Forbes Technology Council — это сообщество ИТ-директоров, технических директоров и руководителей технологических компаний мирового уровня, в которое допускаются только приглашения. Могу ли я соответствовать требованиям?


    Интеллектуальное видеонаблюдение, выходящее за рамки надежного моделирования фона

    Основные моменты

    Чрезвычайно сложные среды: устраняются внезапные изменения освещенности.

    Анализируются оценочные показатели для решений по защите периметра.

    Ограничения для классификации ложных срабатываний узнаются из примера; нет правил ручной работы.

    Глобальные особенности извлекаются, чтобы машины могли изучать сложные сцены.

    Были проведены эксперименты для проверки нашего предложения.

    Аннотация

    Растущее количество камер видеонаблюдения усложняет работу систем видеонаблюдения.Центрам мониторинга требуются инструменты для управления процессом наблюдения. Различные методы видеоанализа эффективно отвечают основным требованиям индустрии защиты периметра. Системы обнаружения с высокой точностью могут обрабатывать видео в реальном времени на доступном оборудовании. Однако некоторые проблемные среды вызывают огромное количество ложных срабатываний. Многие подходы в литературе не рассматривают такие среды, в то время как другие используют метрики, которые ослабляют их влияние на результаты. Интеллектуальное видео решение для защиты периметра должно выбирать и показывать камеры, которые с большей вероятностью являются свидетелями соответствующего события, но системы, основанные только на фоновом моделировании, имеют тенденцию придавать значение проблемным ситуациям, независимо от того, происходит ли вторжение или нет.Мы предлагаем добавить модуль, основанный на машинном обучении и глобальных функциях, обеспечивающий адаптируемость решения для видеонаблюдения, чтобы можно было распознавать проблемные ситуации и уделять им правильный приоритет. Тесты с тысячами часов видео показывают, насколько хорошо может работать детектор вторжения, а также то, как простой сбой в камере может затопить центр мониторинга предупреждениями. Новое предложение способно изучать и распознавать события, чтобы можно было должным образом обрабатывать предупреждения из проблемных сред.

    Ключевые слова

    Видеонаблюдение

    Видео

    Обнаружение вторжений

    Глобальные функции

    Машинное обучение

    Событие

    Распознавание

    Рекомендуемые статьи Цитирующие статьи (0)

    Полный текст

    © 2017 Elsevier Ltd. Все права защищены.

    Рекомендуемые статьи

    Цитирование статей

    Как интеллектуальное видеонаблюдение может помочь вам

    Рынок видеонаблюдения в течение последних нескольких лет подвергался постоянной эволюции и устойчивому росту до такой степени, что сегодняшние оценки показывают среднегодовые темпы роста более 15% , и эта тенденция сохранится как минимум до 2022 года.

    Это развитие, обусловленное технологическим прогрессом, привело к появлению интеллектуальных систем видеонаблюдения, также известных под аббревиатурой IVS , что означает «интеллектуальное видеонаблюдение». Их распространение трансформировало сектор до такой степени, что традиционные камеры наблюдения перестали рекомендоваться в пользу гораздо более совершенных систем видеонаблюдения.

    В этой статье мы расскажем, что такое интеллектуальное видеонаблюдение, чем оно отличается от традиционного видеонаблюдения и чем оно может помочь компаниям.Вы также узнаете о конкурентных преимуществах, предлагаемых компаниям этими типами систем , и причинам, по которым вам следует выбрать эту новую технологию.

    Традиционные камеры наблюдения устарели в пользу более совершенных систем видеонаблюдения

    Что такое интеллектуальное видеонаблюдение и чем оно отличается от традиционного

    Интеллектуальное видеонаблюдение относится к тем системам, которые используют преимущества функций , предлагаемых передовым аппаратным и программным обеспечением для обнаружения и анализа изображений, при этом функции, основанные на новых технологиях и возможности подключения, являются их основными характеристиками.В традиционном видеонаблюдении человеческий фактор был необходим для адекватного анализа изображений и видео, предлагаемых системой, до такой степени, что для выполнения этой работы требовалось несколько человек в несколько смен.

    Постоянный рост количества камер, используемых в системах безопасности и видеоанализа, сделал человеческий анализ несовместимым с этой работой , поскольку было доказано, что после 20 минут максимального внимания, усталость и другие условия мешают этой функции, который подразумевает риск при определенных обстоятельствах , например, при наблюдении за сайтом, для которого нарушение безопасности, такое как доступ злоумышленника, может означать серьезную опасность.

    Интеллектуальное видеонаблюдение эффективно для устранения того, что в традиционной системе является информационной перегрузкой, поскольку оно может эффективно отслеживать и быстро обрабатывать огромного количества изображений. Они становятся метаданными, которые представляют собой выбранную последовательность, содержащую только релевантную информацию из систем CCTV (замкнутого телевидения).

    Конкурентные преимущества интеллектуального видеонаблюдения

    Интеллектуальный анализ видео облегчает обработку как видео в реальном времени, так и записанного видео и обнаруживает любую активность, которая может быть сочтена подозрительной, в дополнение к различению людей от объектов и даже различению моделей поведения .Вот основные преимущества, связанные с использованием этой системы:

    • Повышенная эффективность: IVS записывает и хранит больший объем видео, чем традиционные системы. Но не только это — качество изображений намного выше (высокое разрешение). С другой стороны, в отличие от того, что происходит под наблюдением человека, система не страдает от ошибок, которые можно отнести к утомляемости или аналогичным проблемам.
    • Повышенная рентабельность: , хотя стоимость инвестиций может быть выше, чем для традиционной системы видеонаблюдения, IVS более рентабельны даже в краткосрочной перспективе, поскольку им требуется меньше физической инфраструктуры , как в отношении кабели и к камерам.Экономия затрат на персонал также значительна, поскольку система генерирует метаданные и не требует постоянного контроля.
    • Удаленный мониторинг: достаточно подключения к Интернету для доступа к изображениям и данным, предоставляемым системой, что особенно полезно для владельцев магазинов и компаний. Доступ к живым и записанным изображениям можно получить с нескольких устройств . Когда камеры видеонаблюдения используются для чего-то другого, кроме наблюдения, например, для изучения моделей поведения посетителей магазина или универмага, эта полезность умножается.
    • Высокая масштабируемость: Новые камеры могут быть очень легко добавлены к интеллектуальным системам видеонаблюдения, сохраняя тот же уровень эффективности. Их интеграция в сеть проста и недорога. , так как требуется меньше проводки, чем для обычных систем.
    • Умные будильники: визуализировать каждый час записи, захваченной камерами системы видеонаблюдения, не только смягчают, но и малоэффективны. ИВС не только выполняет эту задачу, но также самостоятельно обнаруживает необычные действия и особенности поведения , генерирует сигналы тревоги и отправляет их владельцам, группам наблюдения за людьми или правоохранительным органам штата.

    Интеллектуальный анализ видео облегчает обработку видео в реальном времени и записанного видео и обнаруживает любую активность, которая может быть сочтена подозрительной

    Видеоаналитика для завершения ваших интеллектуальных видеосистем

    Видеоаналитика, предлагаемая интеллектуальными системами видеонаблюдения, уже используется во многих секторах , таких как логистические центры, промышленные объекты, границы, таможенные и транспортные узлы, среди многих других.Сектор розничной торговли — один из последних, кто подхватил эту прочную тенденцию, которая превратилась из простого наблюдения в приложение , которое анализирует поведенческие модели сотрудников и покупателей. С их помощью можно подсчитывать людей, управлять линиями или отображать горячие точки.

    Благодаря интеллектуальной видеоаналитике, функционирование которой основано на интеллектуальных алгоритмах, протоколы ответа могут быть оптимизированы при срабатывании предупреждения . Это означает, что нет необходимости постоянно наблюдать за всеми камерами, поскольку системы настроены таким образом, что они способны самостоятельно распознавать любую аномалию и запускать звуковые сигналы тревоги , всплывающие окна, отправлять предупреждения на подключенные устройства и т. Д. .Видеоаналитика также полезна для уменьшения количества ложных срабатываний.

    В Grekkom Technologies у нас есть широкий спектр видеоаналитики для интеллектуальных систем видеонаблюдения . Все они совместимы с большинством устройств, имеющихся на рынке, и можно применять почти в каждом секторе (горнодобывающая промышленность, атомная энергетика, морской транспорт и т. Д.). Свяжитесь с нами, если вам нужна дополнительная информация, или попросите демонстрацию, чтобы попробовать любую из наших видеоаналитических инструментов.

    Добавить комментарий

    Ваш адрес email не будет опубликован.