Работа систем видеоаналитики строится на алгоритмах распознавания камерой различных образов с помощью технологий машинного обучения и искусственного интеллекта (ИИ). Компьютерное распознавание образов позволяет идентифицировать объект (лицо человека, номерной знак автомобиля и др.) и при необходимости провести его верификацию для борьбы с возможными подделками или мошенничеством.
В каждом случае алгоритмы находят и выделяют ряд характерных опорных точек объекта, которые они обучены распознавать. Так, при идентификации лиц они работают с рядом антропометрических точек, определяющих индивидуальность (глаза, нос, рот, расстояния между ними, контур лица и др.), а в составе транспортных систем анализируют силуэты автомобилей, очертания пластин регистрационных знаков и состояние дорожного покрытия.
Полученный в результате первичной обработки массив точек трансформируется в массив чисел и просчитывается в математическую модель (цифровой шаблон), которую, в случае работы с лицами, также называют биометрической моделью.
Такой цифровой шаблон можно сравнивать с другими образцами, накопленными в базе данных, и делать выводы о полном или частичном совпадении либо соответствии заявленным критериям поиска.
Для анализа видео в последние годы все чаще используются технологии многослойных нейронных сетей, максимально эффективных при распознавании образов. С помощью алгоритмов оптимизации на достаточном объеме размеченных данных такая сеть обучается разработчиком и нарабатывает иерархический набор абстрактных признаков, необходимых для выполнения поставленных перед ней задач распознавания.
В отличие от классических математических алгоритмов распознавания, ИИ на базе сверхточных нейронных сетей менее восприимчив к изменению внешних условий и поведению объектов в кадре. Это обеспечивает высокое качество распознавания в широком диапазоне освещенности при разных углах обзора, что, в свою очередь, снижает требования к качеству камер и их монтажу и в итоге ведет к снижению себестоимости системы.
Развитие технологий ИИ также привело к появлению аппаратных решений, способных ускорить работу алгоритмов машинного обучения во множество раз. Наглядный пример — функции распознавания образов и обработки видео, которые сегодня встраивают даже в смартфоны. По мере дальнейшего совершенствования алгоритмов ИИ, системы видеоаналитики все реже нуждаются в мощном дорогостоящем оборудовании, меньше привязаны к центру обработки данных и без проблем встраиваются в бизнес-процессы, в рамках которых нужно выполнять широкий круг прикладных задач.
