Hvad er videoanalyse i kameraovervågning?

I moderne kamerasystemer findes der et softwarelag, som ikke blot optager, men også fortolker det, der vises på billederne. Videoanalysen drager konklusioner i realtid, for eksempel når en person bevæger sig ind i et område, et køretøj passerer en port, eller noget efterlades et sted. Teknologien bruges som et supplement til menneskelig overvågning og fungerer som et automatisk filter, der fremhæver relevante hændelser for en operatør eller sender alarmer direkte. På større anlæg er videoanalyse blevet standard, da det i praksis er umuligt for en operatør at holde øje med snesevis eller hundredvis af kameraer på samme tid.

Sådan fortolker analysen billedet

Videoanalysens motor sammenligner hvert enkelt billede med regler eller modeller, som administratoren eller leverandøren har defineret. Klassisk regelbaseret analyse er indstillet til at registrere ændringer i pixels eller objekter inden for definerede zoner, for eksempel: »Udløs en alarm, hvis noget bevæger sig gennem denne polygon mellem kl. 22.00 og 06.00.« Moderne analyse anvender maskinlæring, som først klassificerer objektet og derefter anvender regler, eksempelvis: »Udløs en alarm, hvis en person står stille i tre minutter inden for perimeterhegnet.«

Analysen kan foregå to steder. Edge-analyse kører direkte i selve kameraet, hvilket er energieffektivt og fungerer, selv hvis netværksforbindelsen afbrydes. Server- eller cloudbaseret analyse kører centralt og har adgang til større regnekraft, hvilket er en fordel ved avancerede modeller. Mange moderne systemer kombinerer begge metoder, så kameraet håndterer den enklere klassificering, mens de mere krævende analyser udføres centralt.

Typiske funktioner

Funktionerne i dagens system spænder vidt, fra enkle regelbaserede alarmer til AI-drevne analyser:

  • Detektering af personer og køretøjer med klassificering af objekttype
  • Linjekrydsning og indtrængen i områder med tidsbaserede regler
  • Optælling af personer eller køretøjer til flowanalyse
  • Registrering af efterladte eller fjernede genstande
  • Maskinlæring til registrering af unormal adfærd, for eksempel falske bevægelser eller personer, der sniger sig rundt
  • Nummerpladegenkendelse (ANPR) til identifikation af køretøjer
  • Ansigtsdetektering med en vigtig forskel i forhold til ansigtsgenkendelse
  • Termisk analyse under vanskelige lysforhold

Funktionerne kan kombineres frit og knyttes til forskellige alarmniveauer, så det samme kamera både kan generere alarmer med høj prioritet og logdata til senere gennemgang.

AI, deep learning og falske alarmer

Et tilbagevendende problem med tidligere generationers videoanalyse var antallet af falske alarmer. Træer, der bevæger sig i vinden, regn, skygger og små dyr udløste alarmer, som operatørerne manuelt måtte sortere fra. Moderne systemer bygger på neurale netværk, der er trænet på store datamængder, og som kan skelne mellem et menneske og en kanin eller mellem en lastbil og en busk. Det reducerer antallet af falske alarmer betydeligt.

AI åbner samtidig mulighed for nye analysetyper, som tidligere var urealistiske, for eksempel detektering af specifik adfærd, korrelation mellem flere kameraer og prædiktive advarsler. Teknologien kræver dog stadig træning og vedligeholdelse, da omgivelserne ændrer sig over tid, og nye scenarier kan kræve en ny kalibrering.

Anvendelsesområder

Teknologien har gjort den største forskel på følgende områder:

  • Perimetersikring af industriområder, havne og kritisk infrastruktur
  • Butikker til optælling af besøgende, identifikation af butikstyveri og overvågning af køer
  • Trafikovervågning med ANPR til betalingssystemer og alarmer
  • Hospitaler og plejemiljøer til registrering af fald og unormal adfærd
  • Logistik og lagerfaciliteter til sikkerhed og procesoptimering
  • Skoler og offentlige bygninger til tidlig registrering af uroligheder

Fælles for disse anvendelsesområder er, at videoanalysen aflaster personalet og flytter fokus fra passiv overvågning til handling på baggrund af relevante hændelser.

Privatliv og lovgivning

Bemærk: Reglerne for kameraovervågning og videoanalyse varierer fra land til land. Brug af ansigtsgenkendelse og behandling af biometriske personoplysninger kan være underlagt særlige begrænsninger og yderligere krav. Virksomheder bør derfor undersøge, hvilke love, regler og databeskyttelseskrav der gælder i det land, hvor systemet skal anvendes, inden teknologien tages i brug.

Implementering og vedligeholdelse

Inden videoanalyse indføres, skal virksomheden have klart defineret, hvilke konkrete hændelser systemet skal registrere, og hvordan alarmer skal håndteres for hver type registrering. Uden tydeligt definerede scenarier er der stor risiko for, at analysen genererer støj frem for værdi.

Stil krav til både frekvensen af falske alarmer, klassificeringsnøjagtigheden og leverandørens procedurer for løbende opdatering af modellerne. Stil også krav til funktioner, der beskytter privatlivet, hvordan logdata opbevares, og hvor nemt det er at eksportere materiale til brug for en politianmeldelse.

Et langsigtet forvaltningsperspektiv er afgørende for, at analysen fungerer over tid. Fastlæg rutiner for regelmæssig gennemgang af alarmstatistik, justering af zoner og uddannelse af det personale, der skal reagere på alarmerne. På den måde sikres det, at teknologien rent faktisk fører til handling og ikke blot til logregistreringer.