2021年5月10日 星期一

.智慧影像監控:最新趨勢和未來趨勢

Intelligent video surveillance

智慧影像監控



ATi 

      


閉路電視(CCTV)等影像監視系統,已廣泛佈署在各種環境中,包括公共區域、公共基礎設施、商業建築等。在大多數情況下,它們用於雙重目的:即時監控實物資產和空間,並查看收集的影像資訊,以辨識安全指標,並計劃安全措施。


幾十年來儘管影像監控系統,一直都是公共和安全部門,不可或缺的一部分,但在這些行業之外,人們對它們仍抱有極大的興趣。這種興趣很大的程度上,是由於全球犯罪率和安全威脅的增加,這推動了影像監控市場的持續成長。


根據 Mordor Intelligence 的最新報告,影像監控市場在 2016 年的價值為 299.8 億美元,預計到 2022 年將達到 721.9 億美元。


這一市場潛力,還受到 IT 技術的最新發展的推動。 


是什麼推動了影像監控的主要技術趨勢?你如何最好地使用它們?就是影像監控解決方案的可擴展性和準確性。更多的內容,請繼續看下去。


影像監控系統的發展,受到以下技術趨勢的推動:


https://www.sdmmag.com/articles/98019-video-analytics-evolution-drives-artificial-intelligence-vice-versa


智慧和前後關聯感知的影像數據收集

信號處理方面的最新發展,使智慧影像監視系統的開發成為可能,特別是可以靈活地,適應影像數據收集速率的系統。特別是,每當檢測到安全事件指示器時,就增加數據的收集率,以便提供更豐富的資訊,以進行更準確和可信的分析。


大數據基礎設施

先進的大數據基礎架構,為儲存和訪問,以大數據的 4V(容量、速度、多樣性和準確性)為特徵的影像數據,開闢了新的視野。尤其是,與過去相比,現在比以前更容易地,可以從多個攝影機來收集大量的數據,包括具有高攝取率的串流數據。


大數據系統為創建和實施,以無縫且經濟高效的方式,擴展的影像監控架構提供了方法。  

     


數據串流系統

在最近幾年中,出現了許多串流系統。後者提供了用於蒸汽管理和串流分析的功能,同時是前面討論的,大數據系統的重要組成部分。


預測分析和人工智慧(AI)

由於像谷歌的 Alpha AI 引擎,所採用的顛覆性深度學習方法出現,2016 年和 2017 年,是人工智慧歷史上重要的一年。


可以在影像監視系統中,直接利用深度神經網路的發展,使它們具有超凡的智慧,並可以實現更有效的監視過程。例如,AI 可以啟用預測分析,這使安全操作員可以預測安全事件,並主動為之做好準備。


無人機和物聯網(IoT)

物聯網設備和智慧對象,與影像監控系統的融合,也將是提供下一代安全和監控功能的關鍵。在這個方向上,如今佈署無人飛行器(UAV)(無人機),是為了提供影像監視的多功能性和功能,而這些功能和功能,是傳統固定攝影機所難以實現的。



整合實體和網路安全

正在進行的,工業資產和流程的數位化轉型,正在逐步導致實體和網路安全措施的融合。影像監視系統在這種融合中,起著關鍵作用,因為它們代表了,可用於監視實體區域的 IT 基礎架構。


因此,它們可以與其他網路安全系統靈活地整合在一起,從而形成一種整體和整合的安全和監視方法。


架構影像監控系統

上面列出的技術,為智慧影像監視系統的開發、佈署和操作,開闢了新的視野。但是,影像監控的開發者和佈署者,必須整合和充分利用這些技術的功能。


為此,為影像監控基礎架構設計,和實施適當的架構非常重要。現代影像監控系統架構,遵循邊緣/霧計算範例,以處理更接近現場的影像資訊。


這使他們可以節省頻寬,並執行即時安全監控。攝影機佈署在網路邊緣,作為能夠捕獲和處理,影像幀的邊緣節點的一部分。邊緣節點還能夠透過,標識安全的前後關聯,調整幀速率來實現數據收集智慧。


此外,它們連接到雲基礎架構,在此基礎上,可以在較粗的時間範圍內連接,查看和分析來自多個攝影機的資訊。        


邊緣/霧計算體系結構,也是支持將影像監控與提出的技術,進行融合的理想選擇。物聯網無人機需要與適當的邊緣節點,整合在一起,作為行動邊緣計算架構的一部分。


即時串流分析必須在邊緣,而不是影像監控佈署的雲端中執行。深度學習功能,可以佈署在邊緣層和雲端層。邊緣的深度神經網路,可以支援即時提取複雜的安全模式。同時,只有透過在雲端佈署深度學習,才能提取安全模式,和有關許多邊緣節點所覆蓋的大區域的知識(例如,城市範圍內的佈署)。


通常,決定是否將某些功能,放置在雲端中或邊緣時,是非常具有挑戰性的,相關決策通常與權衡解決方案相關(例如,處理速度與某些監視功能的處理精度)。


影像監控系統,可以從多家硬體供應商的開放式架構中受益。這是由於以下事實:監視解決方案可以包含不同的影像捕獲設備和方式(例如,高清攝影機、有線和無線攝影機,無人機/ UAV 中的攝影機等)。開放的體系結構,可以提供靈活性,易於佈署和技術壽命。在過去的一年中,一直在努力為邊緣/霧計算引入,基於標準的開放式體系結構,以將影像監視作為霧計算的主要用途之一。



挑戰和佈署最佳實踐

除了適當的邊緣計算架構規範之外,影像監控系統佈署人員,還必須應對其他挑戰。這些挑戰之一涉及保護隱私,和遵守數據保護法規。


確實,監視感測器的佈署,要遵守有關隱私和數據保護的法律和指令,有時會限制佈署的性質和規模。同樣,無人機的使用,也應遵守相關規定。


另一個挑戰,涉及解決方案的自動化程度。儘管通常需要自動化來覆蓋,和監視更廣泛的區域,而無需額外的人力資源,但是人工檢查和干預,仍然是整個解決方案可靠性的關鍵。


此外,另一個挑戰涉及可能來自影像監視系統,網路實體性質的新威脅。實體攻擊可能伴隨著對影像監視基礎結構的網路攻擊,以削弱後者檢測實體安全事件的能力。              


另一個挑戰涉及數據驅動智慧的實現(即作為預測分析和 AI 的一部分),這需要大量的數據,以及幾乎無法獲得的安全事件。儘管出現了具有邊緣 AI 產品和服務的創新型新創企業,但處於邊緣的 AI(例如輕量級和高效的深度神經網路)仍處於起步階段。


為了應對這些挑戰,影像監控解決方案的開發人員和佈署人員,需要更好地遵守標準和法規,同時還需要採用逐步/分階段的佈署方法。後者應能夠實現,從人工即人為操作員介導的系統,到基於 AI 的全自動視覺監視的平穩過渡。


從簡單的規則開始,逐漸過渡到可以檢測,更複雜的非對稱攻擊模式,更複雜的機器學習技術,還需要逐步佈署數據驅動的情報。另一個最佳實踐,是佈署開放式體系結構,該體系結構可容納將來的和舊式的監視感測器,以此為手段,以最物有所值的方式利用高級功能。


總體而言,現代影像監控解決方案,可能具有很高的創新性,因為它們可以包含領先的 IT 和網路技術。


升級或佈署自己的影像監控基礎架構,最佳的方法是什麼?首先,請詳細描述你的安全性和業務需求,以及一個可靠的技術合作夥伴,它將代表你整合和部署系統,這是無限的。


沒有留言:

張貼留言