Hva er videoanalyse i kameraovervåking?

I moderne kamerasystemer finnes det et programvarelag som ikke bare tar opp video, men også tolker det som vises i bildet. Videoanalysen trekker konklusjoner i sanntid, for eksempel når noen beveger seg inn i et område, når et kjøretøy passerer en port, eller når noe blir etterlatt på et sted. Teknologien brukes som et supplement til menneskelig overvåking og fungerer som et automatisk filter som fremhever relevante hendelser for en operatør eller sender ut varsler direkte. På større anlegg har videoanalyse blitt standard, fordi det i praksis er umulig for en operatør å følge med på titalls eller hundrevis av kameraer samtidig.

Hvordan analysen tolker bildet

Videoanalysens motor sammenligner hvert bilde med regler eller modeller som administratoren eller leverandøren har definert. Klassisk regelbasert analyse er innstilt på å oppdage piksel- eller objektendringer innenfor definerte soner, for eksempel «utløs alarm hvis noe beveger seg gjennom denne polygonen mellom kl. 22.00 og 06.00». Moderne analyse bruker maskinlæring til først å klassifisere objektet og deretter anvende regler, for eksempel «utløs alarm hvis en person står stille i tre minutter innenfor perimetergjerdet».

Analysen kan foregå på to steder. Edge-analyse kjøres direkte i kameraet, noe som er energieffektivt og fungerer selv om nettverksforbindelsen brytes. Server- eller skybasert analyse kjøres sentralt og har tilgang til større datakraft, noe som er fordelaktig for avanserte modeller. Mange moderne systemer kombinerer begge løsningene og lar kameraet håndtere enklere klassifisering, mens mer krevende analyser kjøres sentralt.

Typiske funksjoner

Funksjonene i dagens systemer spenner vidt, fra enkle regelbaserte varsler til AI-drevne analyser:

  • Detektering av personer og kjøretøy med klassifisering av type
  • Linjekryssing og inntrenging i områder med tidsregler
  • Telling av personer eller kjøretøy for trafikkanalyse
  • Gjenstander som blir etterlatt eller fjernet
  • Maskinlæring for å oppdage avvikende atferd, for eksempel falske bevegelser eller sniking
  • Nummerplategjenkjenning (ANPR) for identifisering av kjøretøy
  • Ansiktsdetektering, med et viktig skille fra ansiktsgjenkjenning
  • Termisk analyse for krevende lysforhold

Funksjonene kan kombineres fritt og knyttes til ulike alarmnivåer, slik at det samme kameraet kan generere både alarmer med høy prioritet og loggdata for senere gjennomgang.

AI, deep learning og falske alarmer

Et tilbakevendende problem med tidligere generasjoner av videoanalyse var det høye antallet falske alarmer. Trær som beveget seg i vinden, regn, skygger og små dyr utløste alarmer som operatørene måtte sortere bort manuelt. Moderne systemer bygger på nevrale nettverk som er trent på store datamengder, og som kan skille mellom et menneske og en kanin eller en lastebil og en busk. Dette reduserer andelen falske alarmer betydelig.

AI åpner samtidig for nye analysemuligheter som tidligere var urealistiske, for eksempel deteksjon av spesifikke atferdsmønstre, korrelasjon mellom flere kameraer og prediktive varsler. Teknologien krever imidlertid fortsatt trening og vedlikehold, ettersom omgivelsene endrer seg over tid, og nye scenarioer kan kreve ny kalibrering.

Bruksområder

Teknologien har gjort størst forskjell på følgende områder:

  • Perimetersikring av industriområder, havner og infrastruktur
  • Butikker for å telle besøkende, avdekke nasking og overvåke køer
  • Trafikkovervåking med ANPR for betalingssystemer og alarmer
  • Sykehus og helseinstitusjoner for å oppdage fall og avvikende atferd
  • Logistikk og lagerbygninger for sikkerhet og prosessoptimalisering
  • Skoler og offentlige bygninger for å oppdage uroligheter på et tidlig stadium

Felles for disse områdene er at videoanalysen avlaster personalet og flytter fokuset fra passiv overvåking til handling når relevante hendelser oppstår.

Personvern og regelverk

Merk: Regelverket for kameraovervåking og videoanalyse varierer mellom land. Bruk av ansiktsgjenkjenning og behandling av biometriske personopplysninger kan være underlagt særlige begrensninger og tilleggskrav. Virksomheter bør derfor undersøke hvilke lover, regler og personvernkrav som gjelder i landet der systemet skal brukes, før teknologien tas i bruk.

Implementering og forvaltning

Før videoanalyse innføres, må virksomheten ha klart for seg hvilke konkrete hendelser systemet skal oppdage, og hvordan alarmer skal håndteres for hver type varsling. Uten tydelig definerte scenarioer er det stor risiko for at analysen genererer støy i stedet for verdi.

Still krav til både frekvensen av falske alarmer, klassifiseringsnøyaktighet og hvordan leverandøren oppdaterer modellene over tid. Still også krav til personvernfremmende funksjoner, hvordan loggdata lagres, og hvor enkelt det er å eksportere materiale til bruk ved politianmeldelse. Et langsiktig forvaltningsperspektiv er avgjørende for at analysen skal fungere godt over tid. Etabler rutiner for regelmessig gjennomgang av alarmstatistikk, justering av soner og opplæring av personalet som skal håndtere alarmene, slik at teknologien faktisk fører til handling og ikke bare til logger.