На объектах розничной торговли видеоаналитика позволяет решать задачи безопасности, а также анализа и управления. Каждая из этих задач обладает своими особенностями. Современные технические решения позволяют добиваться довольно высоких показателей точности обнаружения и обработки данных. Примеры, приведенные в статье, относятся к розничной торговле, однако те же самые методы могут быть применимы и к задачам мониторинга на транспортных объектах (сбор данных о перемещениях пассажиров)
Можно условно обозначить две области применения видеоаналитики на сегодня:
В каждой из областей применения видеоаналитики, обозначенных выше, существенно различаются бизнес и технические требования.
Как видно из таблицы, в случае торговых сетей и транспортных узлов видеоаналитика в основном используется для сбора статистических данных и выработки управленческих решений. Как правило, это насыщенные зоны для анализа с большой концентрацией людей. В таких местах часто устанавливаются купольные камеры, размещаемые сверху, – они обеспечивают непрерывный поток событий. Полученные данные необходимо непрерывно фиксировать и передавать инструментам для анализа и обобщения.
Современный рынок предлагает несколько модулей видеоаналитики, востребованных в сетях розничной торговли или на транспортных объектах:
Подсчет посетителей актуален для статистического анализа посещаемости объекта в различное время, а также может использоваться для оперативного определения текущего количества посетителей.
При подсчете числа посетителей применение обычного детектора движений, как правило, малоэффективно из-за плотного потока посетителей (близко расположенные объекты будут слипаться друг с другом). Кроме того, у обычного детектора проблемы возникают из-за наличия посетителей с очень разной контрастностью (как высокой, так и очень низкой), что затрудняет их устойчивое одновременное детектирование. Поэтому наряду с традиционными этапами (выделение областей движения, сопровождение объектов, их классификация, адаптивное обновление фона) в аналитических алгоритмах важно применение дополнительного этапа – выделение кластеров – объектов характерного размера, соответствующих типичному размеру посетителей. Выделение таких кластеров позволяет эффективно разделять рядом идущих посетителей. Кластеры к тому же малочувствительны к контрасту объекта, что позволяет использовать их для регистрации и высоко-, и низкоконтрастных посетителей (рис. 1).
Рекомендуется тестировать точность алгоритмов подсчета посетителей с помощью большого набора видеороликов, содержащих наиболее типичные ситуации, которые встречаются на торговых объектах.
Подсчет людей в очереди актуален для статистического анализа загруженности кассиров, а также управления количеством кассиров. При подсчете числа людей, находящихся в очереди, основную трудность составляет целый ряд фактов.
Учитывая приведенные выше сложности, наиболее эффективно вести подсчет людей в очереди позволяет метод на основе нахождения на изображении округлых объектов (вид сверху головы человека по форме близка к окружности). Сопровождение обнаруженных окружностей (голов) осуществляется корреляционным методом, учитывающим схожесть объектов на разных кадрах (рис. 2).
Такой подход может позволить:
Хорошо бы протестировать выбираемые алгоритмы на нескольких сценах:
Видеоаналитика для ритейла часто должна "уметь" разделять посетителей и персонал, так как поведение этих объектов различается.
Классификация объектов по данному типу строится на том факте, что персонал обычно одет в униформу какого-то специфического цвета. Соответственно персоналом будет классифицироваться тот объект, у которого преобладает цвет, характерный для униформы. В аналитических алгоритмах может использоваться такая цветовая характеристика, как тон, – она наиболее устойчива к изменениям освещенности объекта, в отличие от компонентов цветового пространства RGB, которые очень сильно изменяются при изменении освещенности объекта.
Классификация по данному типу особо актуальна для магазинов, торгующих детскими товарами. Например, дети часто активно и хаотически двигаются, что может исказить общую статистику посещаемости торгового объекта.
Наиболее значительным отличием взрослого и ребенка является их физический размер. Поэтому, сравнивая габариты детектируемых объектов, а также характерные размеры окружностей (голов), зафиксированных у объекта, можно проводить надежную классификацию по типу "взрослый/ребенок". Подобная классификация позволяет игнорировать детей при подсчете посетителей или очереди.
Для целей менеджмента часто бывает необходимо слежение за активностью персонала торговых объектов. Для определения активности кассира производится анализ наличия движения в области кассы, а также наличия срабатываний детектора окружностей (голов) в этой зоне. Сочетание этих двух подходов позволяет надежно выявлять факты отсутствия кассира на месте.
На сегодня на международном рынке в сегменте подсчета людей представлены алгоритмы компаний Cognimatics (Швеция), Flonomics (США), Aimetis (Канада). На российском рынке в этом сегменте – алгоритмы компаний "Ватком" и "Синезис". Заявленная точность алгоритмов изменяется в диапазоне от 95 до 98%. При этом, правда, не все производители раскрывают условия тестирования, от которых итоговая точность может очень сильно меняться.
Источник: Журнал "Системы безопасности" #2, 2012