Bu yazının aslı Ağustos 27, 2019 tarihinde Security Magazine 'de yayınlanmıştır. 

Video güvenlik konusunda şu anda nerede olduğumuzu ve nereye gittiğimizi düşünmek faydalı olacaktır.

Bugün, piyasadaki gerçek fiziksel güvenlik ürünleriyle neyin mümkün olabileceği konusunda hala çok fazla tartışma var. Konuşmaların çoğu, derin öğrenme ve sinir ağlarını kullanmanın pratik yollarını ve bu tekniklerin video çözümlemeyi (analitiği) nasıl iyileştirebileceğini ve önemli olaylar için yanlış bilgileri önemli ölçüde azaltabileceğini gösteriyor.

Son kullanıcılarla çözümleme (analitik) hakkında konuşurken, birçoğunun hala video çözümlemeden tam olarak faydalanmadığı açık bir şekilde anlaşılıyor. Bazı durumlarda bu, önceki nesil teknolojilerin yanlış pozitif* sonuçlu geçmişlerinden kaynaklı olabilir. Ancak diğer bazı durumlarda ise güvenilir çözümlemenin benzersiz ihtiyaçları için ulaşılabilir / satın alınabilir olduğuna inanmama durumu olabilir. İyi haber şu ki, yapay zeka veya daha doğru bir şekilde derin öğrenme ve sinir ağları ile iki temel alanda yeni bir gelişmiş çözümleme ve veri toplama seviyesine gidiyoruz:

Varolan çözümleme için artan doğruluk: Geçmişte, geliştiriciler, bir nesnenin ne olduğunu, hareketin ne olduğunu ve neyi göz ardı etmek istediğimizi, bir gürültü hareketine karşı izlemek istediğimiz ilginç bir hareket olarak nitelendirilmesi gerektiğini tanımlamaya çalıştılar.

Mükemmel bir örnek;

Bir ağacın yaprakları veya  rüzgarla uçuşan plastik bir torba düşünülebilir. Hareket algılama -ki sektörün en eski ve basit çözümlemesidir- kadar basit bir şey, rüzgar tarafından çok uzun süre üretilen yanlış pozitifler nedeniyle kullanışsız hale gelmiştir. Kullanıcılar hafif esintiler için hassasiyeti azaltabilir, ancak büyük bir fırtına gelir gelmez hareket olayları tetiklenir. Sonuç: hareket algılamanın iyi çalışmadığına kanısı ortaya çıkar.

İnsan, araba, otobüs ve hayvan gibi nesneleri tanımlamak için sinir ağlarını ve derin öğrenmeyi kullanmak, geleneksel çözümelemelerin artık nesnelere odaklanabileceği anlamına gelir. Bu yeni algoritmalar ile kameralar, binlerce insan imgesini görerek bir insanı tanımayı öğrenir hale gelmiştir. Sinir ağlarının tekrarlı öğrenme işlemi kameralara veya sunuculara, insanı veya arabayı tanımayı tam olarak nasıl tanımlayabileceğini öğretmiştir.  Bu örnekleri öğrendikten sonra, bu gelişmiş bilgiyi varolan çözümlemelere uygulayabilir. Örneğin, bir araba giriş kapısında bir çizgiyi geçerse kabul edilebilir. Ancak, bir kişi aynı hattı geçerse, bir uyarı isteyebiliriz. Bir gölge göz ardı edilmelidir ve hareketli ağaçlar dikkate alınmamalıdır diyebiliriz. Bir sınır geçme uygulamasında yanlış yöne giden araç için bir uyarı üretilebilirken serbestçe dolaşan insanların aynı sınırı geçmesine alarm üretilmeyebilir. Alanda belirme / veya alandan kaybolma, çizgiyi geçme, geride bırakılan nesne ve aylak gezinme gibi hareketle ilgili tüm geleneksel çözümelemeler, yapay zeka ve nesne tanıma gücü kullanarak daha hassas olacak ve ek iyileştirme yapabilecektir.

Daha iyi veri madenciliği: Yapay zeka kullanarak, kameralar tespit ettikleri nesneler hakkında bize daha fazla bilgi verebilir. Örneğin, sadece bir insan değil, yeşil bir gömlek ve güneş gözlüklü siyah pantolon giyen bir insan veya bu araba küçük kırmızı bir sedan gibi. Bu ek bilgiler, videoyla birlikte yakalanan meta verilere gömülür (meta veriler gerçekten sadece olayla ilgili verilerdir). Her video karesinin ek çözümleme meta verilerini içeren kendi başlığı vardır. Bu, meta verilerin videoyla eşzamanlanlı yürümesi anlamına gelir. Bu veriler kaydedicide saklanıyorsa, kaydedilen dosyalara tekrar bakabilir ve meta verilerde yeşil bir gömlek arayabilirsiniz. Bu, birkaç saatlik arama süresini birkaç dakika veya daha azına indirebilir.

Kenar (Edge) ve Sunucu

Video çözümleme, özel bir sunucuda veya kameranın içinde yani kenarda çalışabilir. Sunucu tarafı yapay zeka, yüz tanıma, otomatik plaka tanıma ve daha fazlasında tipik olan büyük veritabanı karşılaştırmaları gibi daha ağır sorgular / eşleştirmeler gerektiğinde kullanılacaktır. Ancak, yoğun bilgi işlem gerektiren görevler için, hem işleme hızı hem de azaltılmış bant genişliği gereksinimlerinde, kenar aygıtlarda (kamera) ve birlikte çalışan sunucularla karma bir yaklaşım kullanılarak verimlilik sağlanabilir. Kenardaki yapay zekalı kameradan türetilmiş meta veriler, sunucunun yalnızca bir çözümleme çalıştırmak için çoklu akışları çözmesini gerektiren ham video göndermenin aksine sunucu tarafı bir uygulamaya gönderilebilir.


Bu yeni yapay zeka (AI) yetenekleri ile güvenlik kameraları her zamankinden daha güçlü ve çözümleme doğruluğunu katlanarak artıracaktır.