Het belang van betere video intelligentie in de beveiliging

Doordat er steeds meer beeldmateriaal wordt opgenomen en de kwaliteit van het beeldmateriaal toeneemt, is de hoeveelheid data die met video observatie gemoeid gaat in korte tijd enorm gegroeid. Efficiënte verzameling en analyse, en intelligent gebruik van data worden steeds belangrijker in de beveiliging. Het lijkt erop dat het verbeteren van video intelligentie onvermijdelijk belangrijk is geworden.

Beveiligingsbedrijven hopen dat hun investering in nieuwe producten meer voordelen opleveren dan simpelweg tracking en tracing van personen en het verzamelen van bewijs na een incident. Het zou waardevol zijn als de grote hoeveelheid mankracht benodigd voor het doorzoeken van beeldmateriaal en het detecteren van abnormale data overbodig werd. Daarbij is het wenselijk om steeds vaker alarmsignalen tijdens of zelfs vooraf aan incidenten te ontvangen, in plaats van erna. Nieuwe technologieën zijn vereist om aan deze wensen te voldoen, want hoewel intelligente video observatie al jaren beschikbaar is, zijn de resultaten ervan helaas niet ideaal.

De ontoereikendheid van traditionele intelligente algoritmen

De nauwkeurigheid van intelligente herkenning en analyse in vergelijkbare situaties is bij traditionele methoden niet consistent. Dit komt voornamelijk door het feit dat de algoritmen van traditionele intelligente video analyse nog steeds veel fouten bevatten.

In een intelligent herkenning en analyse proces, zoals gezichtsherkenning, zijn twee stappen vereist. Ten eerste moeten de karakteristieken (van het gezicht) worden afgeleid. Ten tweede moet er geclassificeerd worden.

De mate van nauwkeurigheid in de eerste stap bepaald direct de nauwkeurigheid van het algoritme. Het nadeel van traditionele intelligente algoritmen is dat deze worden ontworpen door de mens en flink subjectief zijn. De mens noemt bijvoorbeeld als kenmerken van ogen de kleur. Veel specifieker dan blauw, bruin, groen of grijs zal de mens daar niet in zijn. Meer abstracte karakteristieken, degenen die mensen moeilijk te begrijpen of te beschrijven vinden, worden gemist. Met wisselende hoeken en veranderend licht kunnen veel karakteristieken moeilijk te detecteren zijn. Als gevolg presteren traditionele intelligente algoritmen goed in erg specifieke omgevingen, maar brengen subtiele veranderingen in bijvoorbeeld de beeldkwaliteit en de omgeving significante uitdagingen wat betreft nauwkeurigheid met zich mee.

De tweede stap betreft voornamelijk het detecteren van het doelwit en het herkennen van karakteristieken. Hoe groter de hoeveelheid beschikbare categorieën voor classificatie, hoe hoger de moeilijkheidsgraad. Traditionele intelligente analyse technologieën zijn zeer accuraat in voertuig analyse, maar niet in mens en object analyse. Bij voertuig detectie, bijvoorbeeld, wordt er onderscheid gemaakt tussen een voertuig en een niet-voertuig, waardoor de classificatie eenvoudig is en de moeilijkheidsgraad laag. Ook het herkennen van karakteristieken van voertuigen, zoals modellen en logo’s, is relatief makkelijk en accuraat omdat hier relatief weinig soorten van zijn. Echter, bij gezichtsherkenning is ieder persoon een eigen classificatie en zijn er enorm veel overeenkomende categorieën, wat dit extreem moeilijk maakt.

Behoefte aan verdieping

Traditionele intelligente algoritmen gebruiken over het algemeen oppervlakkige leermodellen om situaties met grote hoeveelheden data in complexe classificaties te behandelen. De resultaten van de analyse zijn dan ver van ideaal. Bovendien beperken deze resultaten de breedte en diepte van intelligente toepassingen en verdere ontwikkeling. Vandaar dat de behoefte aan het ‘verdiepen’ van de intelligentie voor de beveiligingsbranche groeit. De opkomst van deep learning zorgt ervoor dat de wens voor minder mankracht en pre-incident alarmsignalen realiteit kunnen zijn. Volgende week ga ik dan ook verder in op het concept deep learning.

Geef een reactie

Vul je gegevens in of klik op een icoon om in te loggen.

WordPress.com logo

Je reageert onder je WordPress.com account. Log uit /  Bijwerken )

Google photo

Je reageert onder je Google account. Log uit /  Bijwerken )

Twitter-afbeelding

Je reageert onder je Twitter account. Log uit /  Bijwerken )

Facebook foto

Je reageert onder je Facebook account. Log uit /  Bijwerken )

Verbinden met %s