Sanallaştırılmış Bariyer Video Analitiği'nin Çevre Güvenlik Sistemleri İçin Avantajları

Sanallaştırılmış Bariyer Video Analitiği'nin Çevre Güvenlik Sistemleri İçin Avantajları

Yapay zeka (AI) ve makine öğrenimi, video analitiği kullanarak çevre güvenlik alanında devrim yaratmıştır. Mikro ölçekli hareketleri etkileyici mesafelerde algılayabilen son derece hassas hareket tabanlı analitikler, kritik altyapı sitelerinde konuşlandırılan çevre sistemlerinde yaygın olarak benimsenmiştir. Ancak günümüzde, FLIR Virtual Barrier video analitiği, müşterilere daha da büyük faydalar sağlayarak algılama hassasiyetini, sınıflandırma doğruluğunu, hedeflerin coğrafi konumunu ve yanlış alarmlara karşı dayanıklılığı artırmaktadır. Bu teknik not, Virtual Barrier analitiğinin çevre ihlal tespit sistemlerindeki (PIDS) stratejik değerini ve hareket tabanlı analitiklere kıyasla spesifik performans avantajlarını tartışacaktır.

Hareket Tabanlı Analitiklerin Tanımı

2000'li yılların başlarında, analog tabanlı gözetim sistemlerinde video analitiğinin kullanılması güvenlik sektöründe önemli bir paradigma değişikliğine yol açtı. Bu dönemde kullanılan piksel tabanlı hareket algılama teknolojileri, ekrandaki tanımlanmış sınırlar içinde değişen piksel yüzdesine dayalı olarak uyarılar tetikliyordu. Bu yenilik, sistemlerin hareket algılama algoritmalarını yerleşik donanım kullanarak çalıştırmalarını mümkün kıldı. Sonuç olarak, bu sistemler algılama uyarılarını anında iletebiliyor ve ağ bant genişliği veya gecikme sorunlarından kaçınarak uçta çalışabiliyordu.

Hareket tabanlı analitiklerin algoritmaları genellikle üç ana adımda çalışır: Arka Plan Başlatma, Ön Plan Tespiti ve Ön Plan İşleme. Bu adımlar, sistemlerin hareket eden nesneleri doğru bir şekilde tespit etmesini ve analiz etmesini sağlar.

İlki, önceki görüntülere dayanarak arka planı oluşturarak bir referans çerçevesi oluşturur. İkincisi, anlık kareyi arka plandaki kareyle karşılaştırır ve ikisi arasındaki herhangi bir farkın hareket olması gerektiği sonucuna varır. Üçüncü adımda, hareket halinde olduğu işaretlenen pikseller, alakasız nedenleri kaldırmak için filtrelenir ve izinsiz giriş alarmları oluşturmak üzere işlenir. Bu hareket tabanlı yöntemler tehditleri tespit ederken oldukça hassas olabilse de, gerçek dünya ortamlarında yanlış alarmları en aza indirmek için önemli kalibrasyon ve yapılandırma gerektirir. Düzgün bir şekilde kalibre edilseler bile, bazı ortamlar hareket tabanlı analizlerle hala yanlış alarmlar üretir. Gürültü hareketi (örneğin, sallanan ağaçlar, sallanan kamera, gölgeler veya yansımalar) bu yanlış alarmların çoğuna neden olur. Başka bir sorun, bir süre hareketsiz duran veya uzun mesafeden bir kameranın ekseni boyunca hareket ederken hareketsiz görünen nesnelerle ilgilidir. Bu hedefler daha sonra arka plan görüntüsüne emilir ve algılanamaz hale getirilir. Hareket tabanlı analiz teknolojisindeki bu sınırlamalar, güvenlik personeli için maliyetli olabilir ve sinir ağlarını kullanan bir sonraki nesil video analitiği için ortamı hazırlar.

CNN Video Analitiklerinin Tanımı

Sanal Bariyer video analitiği, evrişimli sinir ağlarına (CNN) dayanmaktadır. Bu video analitiği tekniği, nörobiyolojik sistemleri kopyalamak için tasarlanmıştır ve bir görüntüdeki nesneleri bulup sınıflandırabilir.

Geleneksel sistemler, potansiyel bir nesnenin nerede olduğunu belirlemek için hareket algılamaya güvenir.
Herhangi bir hareketli hedef, nesnenin bir tehdit olup olmadığını belirleyen bir dizi filtre tarafından işlenir. Ancak, gerçek dünyadaki her bir durumu hesaba katmak imkansızdır; bu da her zaman bir miktar yanlış alarmın mümkün olduğu anlamına gelir. Sanal Bariyer tarafından kullanılan CNN video analitiği, algoritmanın istenen nesneyi bulmak ve tanımlamak için hangi özelliklerin ve filtrelerin en alakalı olduğunu otomatik olarak belirlemesine izin vererek bunu ele alır. Böyle bir sistem oluşturmak, ilgi duyulan nesnelerin yerini ve sınıflandırmasını belirlemek için on binlerce görüntüyü manuel olarak analiz etmekle başlar. Bu görüntüler daha sonra sinir ağına yinelemeli bir süreçte öğretmek için kullanılır. Diğer CNN odaklı sistemlerin aksine, Sanal Bariyer analitiği, diğer sistemler tarafından sıklıkla kullanılan, herkese açık veri kümelerinden gelen görüntüleri kullanmaz. Bunun yerine, yalnızca güvenlik uygulamasını benzersiz şekilde hedefleyen Teledyne FLIR veri kümelerini kullanır. Bu, yalnızca yanlış alarmları daha da azaltmakla kalmaz, aynı zamanda tüm olası tehditlerin doğru şekilde tespit edilmesini de sağlar.

Virtual Barrier ve Hareket Temelli Analitiklerin Karşılaştırılması

Virtual Barrier analitiği ile hareket temelli analitikler arasındaki farkları anlamak, iki model arasında seçim yaparken önemlidir. Virtual Barrier analitiği kalibrasyonu basit olan ve minimum yanlış alarmla sağlam tespit sağlayan bir çözümdür; aynı zamanda bekleme tespiti ve tehditlerin dinamik bir harita üzerinde görselleştirilmesi için coğrafi konum belirleme desteği sunar. Hareket temelli analitikler genellikle Virtual Barrier analitiğinden daha uzun tespit mesafeleri sunar ancak daha fazla yanlış alarm verme eğilimindedirler. Aşağıda, Virtual Barrier analitiğinin güvenlik sisteminize katabileceği belirgin faydaların bir dökümü yer almaktadır.

Sağlam Sınıflandırma

Binlerce görüntü içeren zengin bir kütüphaneden desteklenen Virtual Barrier analitiği, hedeflerin hafifçe gizlenmiş veya tanımlanması zor gerçek dünya koşullarında nesneleri sınıflandırmak üzere eğitilmiştir. Örneğin, FLIR FH-Serisi ID, 100 benzersiz senaryo örneğinde hareket temelli analitiklerden %15 daha fazla tehdit tespit etmiştir.

Sınıflandırma menzili açısından, hareket temelli analitikler ve Virtual Barrier analitikleri arasında dikkate değer bir denge bulunmaktadır. Virtual Barrier analitiklerinin, hareket temelli analitiklerden daha fazla piksel gerektirmesi nedeniyle sınıflandırma menzili azaltılmıştır. FLIR FH-Serisi ID'nin sınıflandırma menzili, FLIR FC-Serisi ID'ye kıyasla yaklaşık %20 oranında azaltılmıştır.

Yanlış Alarm Azaltma

Virtual Barrier analitiğinin en büyük avantajlarından biri, yanlış alarmların azaltılmasıdır. Virtual Barrier analitiği, tespitte hareketi bir girdi olarak kullanmadığı için, sallanan yapraklar, rüzgarda kamera sarsılması ve vahşi hayvanlar gibi gürültü kaynaklarından dolayı alarm verme olasılığı çok daha düşüktür.

Aslında, bu analitiklerin 100 benzersiz senaryo örneğinde, aşırı hava koşulları, çerçeveye giren hayvanlar, kamera sarsılması gibi gürültü kaynaklarına bağlı yanlış alarmları %60 oranında azalttığı gösterilmiştir. Bu, Virtual Barrier analitiğinin güvenlik personelinin günümüzde yaşadığı en maliyetli operasyonel sorunlardan biri olan yanlış alarmları azaltma konusundaki önemli bir avantajıdır.

Hedef Takibi İçin Coğrafi Konum Belirleme

FLIR Virtual Barrier analitiği, bir sahnedeki hedeflerin coğrafi konumunu destekler. Bu, her hedefin konumunun, hızının ve yönünün analitikler tarafından belirlenip, video yönetim yazılımı (VMS) veya diğer yazılımlar için meta veriler olarak iletilmesi anlamına gelir. Coğrafi konum verileri, Şekil 4'te gösterildiği gibi dinamik bir harita üzerinde sorunsuz bir şekilde görselleştirilebilir ve bu da güvenlik görevlilerine tesislerinin çevresindeki tehditlerin durum farkındalığını sağlar. Analitikler tarafından sağlanan coğrafi konum verileri ayrıca, bir hedefin daha ayrıntılı değerlendirilmesi için PTZ kameranın konumlandırılmasında da etkili bir şekilde kullanılabilir.

Bekleyen Nesneleri Tespit Eder

Hareket Temelli Analitiklerin aksine, Virtual Barrier analitiği modelleri bekleme tespiti işlevlerini destekler ve nesneleri hareket edip etmediklerine bakılmaksızın tespit edip sınıflandırabilir. Hareket temelli analitikler, hedefler hareket etmediği sürece onları tespit edemezler, bu yüzden bu modeller arka plan çıkarımı tabanlı analitiklere karşı benzersiz bir avantaj sunar.

Gelecek İçin Tasarlandı

Virtual Barrier analitiği, güvenlik personelinin kritik altyapıdaki günümüz ve gelecekteki sızma ihtiyaçlarını karşılayacak şekilde sürekli olarak gelişmeye devam edecektir. Teledyne FLIR, sınıflandırma doğruluğunu sürekli olarak artırmak için görüntü kütüphanelerini genişletme ve analitiklere saha güncellemeleri için yeni özellikler ekleme konusundaki taahhüdünü sürdürmektedir. Güvenlik direktörleri, mevcut ve gelecekteki ihtiyaçları için bir çözüm olarak gömülü FLIR Virtual Barrier analitiği olan kameraları güvenle kullanabilirler.

Öne Çıkan Noktalar

Virtual Barrier analitiği, tehdit tespitini artırmak için özel olarak tasarlanmıştır ve sızmalara karşı izleme ve müdahale sırasında daha yüksek doğruluk ve kritik durum farkındalığı sağlar, aynı zamanda yanlış alarmları minimize eder. Sürekli olarak gelişmesi için tasarlanan bu analitikler, günümüzün evrilen çevre güvenliği teknolojileri ve tehditleriyle uyumlu kalacak şekilde geliştirilmiştir. Virtual Barrier analitiğinin çevre güvenliğinizi nasıl güçlendirebileceğini öğrenmek için bugün yerel Teledyne FLIR temsilcinizle iletişime geçin.