Распределенный аппаратный интеллект — следующая ступень в эволюции систем видеонаблюдения

Часть процессора переходит в телекамеру, и видеонаблюдения поднимается на качественно новый уровень, а интеллектуальный анализ видеоизображения становится ключевой технологией безопасности — так в двух словах можно выразить суть новаторского шага, который сделала компания Sony. Шага в эволюции систем видеонаблюдения, которого все давно ждали. Sony разработала и воплотила на практике архитектуру, получившую название DEPA. Телекамеры, входящих в состав системы видеонаблюдения, снабжены собственными процессорами, в которые перенесены задачи по обработке изображения. Это изменение радикально повышает эффективность видеонаблюдения.

Что не в порядке в традиционных системах безопасности?

Сортировать поток повседневных событий, чтобы выделить те, которые представляют опасность, и своевременно привлечь к ним внимание персонала, — вот фундаментальная задача всех охранных систем. Эта фильтрация традиционно велась "вручную". Сотрудники охранной службы следили за ходом событий на мониторах, просматривая живет видео или запись. Главным фактором, который определял успешность или неуспешность такого подхода, стала ограниченная способность человека концентрировать свое внимание.

Чаще длительные периоды отсутствия каких бы то ни было тревожных событий в охранной системе перемежаются случайными ложными тревогами. В этих условиях способность оператора четко выполнять свои обязанности быстро "сходит на нет". Даже в самых тренированных профессионалов концентрация внимания существенно падает в первый же час работы. Поэтому претендующих на эффективность охранные системы должны обеспечивать автоматизированные решения, способные помочь этому процессу "просеивания" событий, чтобы драгоценный человеческий ресурс использовался наиболее рациональным образом.

Появление цифровых IP-систем позволяет сделать существенный скачок в развитии техники видеозаписи, основанной на анализе событий, который выполняется с помощью машинного интеллекта. Однако внедрение подобных решений тормозится вследствие неэффективной организации рабочего процесса, диктуется той архитектурой систем безопасности, которая досталась нам в наследство от периода безраздельного господства аналоговой техники. Такая архитектура имитирует структуру мало изменились с древних времен служб персонифицированной охраны: весь интеллект сосредоточен в последнем звене — там, где располагается процессор. В результате в системе безопасности возникают узкие места. Они ограничивают возможности системы и повышают расходы на ее создание и эксплуатацию. Большая роль в этих системах прежнему отводится рутинной работе человека, внимание которого сильно перегружено.

Архитектура усовершенствованной распределенной обработки данных DEPA (Distributed Enhanced Processing Architecture), предложенная корпорацией Sony, является принципиальным шагом вперед в развитии систем безопасности. Она позволяет оснастить сетевые камеры первого поколения аналитическими функциями и разделить задачи по обработке данных между телекамерами и краевым звеном системы. Этот новаторский способ организации рабочего процесса открывает простор для нового поколения систем безопасности, по определению более эффективных и лучше соответствующих ограничений, связанных с человеческим фактором. Появление архитектуры DEPA знаменует собой новый этап в развитии систем безопасности — этот шаг подобный произошедшему в свое время перехода от корпоративных вычислительных систем, основанных на одном центральном компьютере, к ставшей в наши дни обычной децентрализованной конфигурации локальных вычислительных сетей.

Анализ событий в системе безопасности

Развитие средств видеозаписи, основанных на анализе событий

Для того чтобы системы безопасности, основанные на получении и обработке видео, работали эффективно, в них используется целый ряд способов выделения тревожных событий из общего потока событий. Все они сводятся к тому, чтобы определить, когда и где провести запись или просмотреть живое изображение и как потом отыскать критические события. На сегодняшний день вся история разработки этих стратегий может быть условно разделена на три этапа.

Технология первого поколения основана на записи изображения на видеомагнитофоны большой емкости, запускаемых по сигналу от физических датчиков движения. Ее успех строится на максимальном увеличении объема записи и предельно тщательном просмотре "живого" видеоизображения. При этом оператору доступен только самый простой способ фильтрации событий: просматривать колоссальные объемы видеоматериала, изредка прерываясь для того, чтобы отреагировать на тревоги, большинство из которых при этом оказываются ошибочными. А ведь ручной поиск событий на большом количестве видеозаписей, сохраненных на пленке, — это титанический труд.

Переход от "линейной" магнитофоны к жесткому диску цифрового видеорегистратора существенно улучшает возможности оператора по доступу к записанному видео. Мгновенный переход к любому участку записи и быстрый поиск фильмов — например, по определенным событиям, — снижают затраты времени и сил на выявление тревожных событий. Есть у таких систем и дополнительные преимущества. Например, записываемый видеопоток может быть сжат по алгоритму, основанному на анализе движения. Однако бич этих систем все тот же — неприемлемо высокий процент ложных тревог.

С появлением компонентов, основанных на применении Интернет-протокола (IP), все сигнальные блоки и элементы управления систем видеонаблюдения стали исключительно цифровыми. Возникли сетевые системы видеомониторинга. Процесс оцифровки видеоизображения переместился от устройств видеозаписи в телекамер, в которых теперь можно устанавливать высокопроизводительные процессоры. По видеорегистраторами остаются функции управления и фильтрация цифровых данных.

Изображение с телекамеры становится датчиком

В системах видеонаблюдения реализованы различные технологии, позволяющие сравнительно успешно реализовать стратегию видеозаписи, основанной на анализе событий, и добиться снижения процента ложных тревог.

Одно из традиционных физических средств обнаружения таких событий — это датчики различного типа, например, инфракрасные детекторы. Другой способ сортировки событий — вручную, силами операторов, ведущих видеомониторинг все, что попадает в поле зрения телекамер. Еще один путь — интеграция систем охранного телевидения с системами контроля доступа, при которой открывания дверей и тому подобные события могут управлять выводом изображения с определенных телекамер на экран или включением записи транслируемого ними сигнала.

Прогресс в развитии процессорной техники приводит к росту ее производительности и уменьшения стоимости. Это — выводит на первый план другой, более перспективный способ выявления важных для системы безопасности событий — видеодетектор движения.

Если каждый физический датчик имеет узкую сферу действия, определяемую принципом его работы, то видеообнаружение движения ограничена лишь пределами кадра. Кроме того, видеодетектирования открывает более богатые возможности по предварительной сортировки и анализа событий, за более точной их классификации. Таким образом, оно является наиболее перспективным способом сортировки событий в системах безопасности. Видеозапись, основанная на анализе событий, продолжает совершенствоваться по мере развития алгоритмов детектирования и повышения их надежности.

Преимущества интеллектуального автоматизированного анализа видеоизображения

Освобождение операторов от рутинной и неэффективной работы

Несмотря на появление систем, основанных на применении IP-протокола, ложное игнорирование тревожных событий оператором было и остается важнейшей проблемой охранной сферы. Причина этого — непомерно высокий уровень требований, предъявляемых системами безопасности к внимательности оператора. Поток ложных тревог и необходимость непрерывно следить одновременно за множеством мониторов — в таких условиях даже самый тренированный профессионал службы безопасности может просто не справиться с возложенными на него задачами. Согласно результатам научных исследований, в хорошо подготовленного оператора эффективность работы по распознаванию событий уменьшается вдвое, если он переходит к слежке за изображением с 9 телекамер вместо одной.

Неправильный учет пределов человеческих возможностей может привести к поистине парадоксальным результатам. Увеличение количества телекамер с целью повышения безопасности нередко дает обратный эффект!

Существующие средства обнаружения движения в состоянии лишь более или менее вовремя предупреждать операторов о том, на какие участки объекта следовало бы обратить внимание, но понять, что делает объект наблюдения, классифицировать его поступки и оценить степень их важности для системы безопасности им не под силу. С развитием автоматических средств интеллектуального анализа видеоизображения систему можно преобразовать таким образом, что тревожные сигналы будут генерироваться при строго определенных условиях, соответствующих роли каждой телекамеры в работе всей системы. Разработчики смогут создавать узкоспециализированные системы, в которых каждой телекамере присвоен свой набор возможностей по генерированию тревог на основе самостоятельного анализа формируемого ею видеоизображения. Операторы этих систем смогут адекватно реагировать на каждое из зарегистрированных событий.

Такая система — тонко настроена, с тщательной фильтрацией событий — способна эффективно использовать человеческий ресурс. Охранникам больше не придется одновременно вглядываться в множество экранов, их внимательном точки зрения будут появляться только специально отобранные и соответствующим образом прокомментированы сцены. Автоматический интеллектуальный анализ видеоизображения позволяет эффективно использовать силы оператора, вести более тщательный мониторинг и быстрее принимать решения по реагированию на ситуацию. При сохранении той же численности операторов общая эффективность такой системы значительно возрастает.

Быстрый поиск

Просмотр видеозаписи для выявления в ней определенного рода событий остается главным поводом для обращения к информации, записываемой системами безопасности. Эта задача по-прежнему тяжелая и отнимает много времени. Для нахождения нужных кадров операторам приходится затрачивать невероятно много усилий и времени. Интеллектуальный анализ видеоизображений позволяет фильтровать видеоматериалы автоматически по заданным факторов и их комбинации — по расположению и размеров объектов, а также по их скоростям и направления движения. Это позволяет коренным рационализировать рабочий процесс и одновременно повысить общие показатели эффективности системы безопасности. Снижение времени, затрачиваемого системой на поиск нужных событий, освобождает человеческие ресурсы, которые могут быть переброшены на усиление наблюдения в реальном времени.

Более эффективное использование дискового пространства

Существующие методы видеозаписи, основанные на обнаружении движения в кадре, малоэффективны с точки зрения расходования емкости дискового пространства для хранения данных. В видеоизображении, записанном и сохраненном системой, важная информация составляет лишь небольшой процент. В большинстве цифровых видеорегистраторов приходится принудительно снижать качество видеоизображения, чтобы высвободить дополнительное дисковое пространство и хоть как-то справиться с постоянным "дефицитом гигабайт".

Применение интеллектуального анализа видеоизображения для управления процессом видеорегистрации позволит оператору сосредоточиться только на важной информации. При этом можно значительно сократить "холостое" использование жестких дисков и одновременно повысить качество сохраненного изображения по сравнению с сегодняшними системами цифровой видеорегистрации.

Современное состояние средств интеллектуального анализа видеоизображения

Недостатки централизованных схем анализа видеоизображения

Использование оцифрованного видеосигнала в качестве детектора, по команде которого можно начинать просмотр или запись видеоизображения, получает все большее распространение. Компании, находящиеся на переднем крае этого направления, непрерывно совершенствуют алгоритмы работы видеодетектор. Однако эти алгоритмы прежнему основаны на централизованной обработки данных выделенными вычислительными ресурсами, сосредоточенными в серверной части системы. Расположения средств обработки сигнала между аналоговой телекамерой и цифровым видеорегистратором делает систему неуравновешенной, что создает множество проблем и "узких мест", проявляющиеся в процессе ее эксплуатации.

Недостатки централизованных систем обработки видеоизображения

Использование выделенных процессоров для анализа видеоизображения — это заведомо затратный подход. Централизованная обработка данных требует применения самых высокопроизводительных и дорогих процессоров, способных удовлетворить высоким требованиям, предъявляемым к аппаратной части системы со стороны сложных алгоритмов анализа изображения. Типичные затраты на единицу техники, осуществляет видеообработку, относительно высокие — обычно они попадают в диапазон от 800 до 1500 евро. Кроме того, ограничения, накладываемые на вычислительные возможности каждого отдельного процессора, приводят к необходимости увеличения их общего количества по мере роста системы. Высокая стоимость централизованных систем обработки изображения — их ключевой недостаток.

Большинство продуктов для интеллектуального анализа видеоизображения предназначены для использования при просмотре живого видео. Те же алгоритмы обработки в реальном времени, реализованы путем применения высокопроизводительных централизованных процессоров, используются и для поиска видеофрагментов в архивах. Как правило, это означает, что автоматизированный поиск в архиве, основанный на обнаружении движения в кадре, производится со скоростью, сравнимой со скоростью просмотра того же видеоизображения в режиме реального времени. Выигрыша в затратах времени на архивный поиск по сравнению с просмотром живого видеоизображения — никакого. Это не позволяет достичь истинной цели поиска в архивах — "прочесать" множество записей с телекамер за как можно меньшее время. Неэффективный поиск в архиве — слабое место централизованных систем.

Sony предлагает архитектуру DEPA

Новый принцип построения сетевых систем видеонаблюдения, предлагаемый компанией Sony, означает кардинальный отказ от сегодняшних процессорных систем, основанных на интенсивной обработке данных централизованными серверами. Архитектура DEPA — Distributed Enhanced Processing Architecture, архитектура распределенной улучшенной обработки изображения — предусматривает, как видно из ее названия, распределение вычислительных мощностей по всей системе видеонаблюдения, что позволяет избежать перебоев в обработке информации, которыми «славятся» системы предыдущих поколений.

В системе, построенной на основе архитектуры DEPA, каждому отдельному компоненту назначен ряд специализированных задач по обработке данных, а вычислительные ресурсы распределены между всеми компонентами одного и того же типа. Это открывает перед такими системами новые возможности с точки зрения гибкости и масштабируемости.

Телекамеры от компании Sony, поддерживающих архитектуру DEPA, обрабатывают изображения и генерируют метаданные, есть "данные о данных", точнее говоря, информацию, содержащую результаты обработки изображения. Предварительный анализ изображения производится одновременно во всех телекамерах. Процессы анализа данных и генерации метаданных в телекамерах тесно интегрированы с последующей серверной обработкой данных и метаданных в сетевых видеорегистраторах. Все это значительно снижает стоимость системы и увеличивает ее потенциал по обеспечению безопасности объектов.

Что такое DEPA?

Согласно принципу распределенной видеоаналитики, воплощенному компанией Sony в архитектуре DEPA, традиционная обработка видеосигнала делится на две группы задач. Предварительная обработка распределяется по периферии системы — между телекамерами, а окончательная происходит уже на серверах видеорегистраторов.

Узел предварительной обработки:

• отделяет объекты от шумового фона-
• разделяет объекты на статические и движущиеся-
• преобразующее информацию об объектах в метаданные и передает ее в сеть отдельно от цифрового видеопотока.

Узел окончательной обработки:

• принимает предварительно обработанные данные, поступающие с телекамер, и записывает их на носители информации-
• выделяет объекты, поведение которых соответствует условиям фильтрации, заданным на уровне сервера
• отражает необходимую информацию на мониторах-
• при стечении определенных условий автоматически отдает команды реагирования.

Преимущества архитектуры DEPA

Перевод системы видеонаблюдения на платформу, основанную на архитектуре DEPA, радикально повышает производительность системы одновременно со снижением затрат на ее создание, увеличивает точность анализа видеоизображения, расширяет набор операций по анализу данных, снижает требования к пропускной способности сети.

Высокая производительность при минимальных затратах. В отличие от стандартных систем, использующих интенсивную обработку данных на уровне сервера, платформа DEPA разделяет задачи анализа информации и распределяет их между телекамерами и видеорегистраторами. Имея множество недорогих процессоров, каждый из которых рассчитан на выполнение довольно узкого круга задач, можно избежать больших затрат на высокопроизводительные средства обработки данных. Системы, построенные на архитектуре DEPA, более производительные, обладают повышенной способностью к масштабированию и, в то же время, лишены традиционных узких мест. При этом они требуют меньших инвестиций в аппаратную часть.

Анализ видеоизображения к его сжатию яляется более точным. Артефакты компрессии изображения, создающие цифровой шум и приводят к ложных тревог, — неизбежные спутники цифровых систем безопасности, в которых обработка данных построена по централизованному принципу. Рабочая схема платформы DEPA исключает этот конструктивный недостаток, поскольку предварительная обработка видеосигнала производится в ней на уровне телекамер, а значит — к тому, как видеопоток обрабатывается кодеком сжатия для дальнейшей передачи его по сети. В результате получаемые данные об объекте свободны от влияния цифрового шума независимо от того, каким кодеком с какой степенью сжатия видеопоток будет обработан позже.

Пригодность к широкому набору операций анализа и поиска в архиве. В оконечной, серверной части системы DEPA выполняется только анализ данных, описывающих объекты. Какой обработки изображения на этом этапе уже не происходит, поскольку вся она сосредоточена в процессорах, встроенных в телекамеры. Это делает систему DEPA в высшей степени пригодной для выполнения столь ресурсоемкой операции, как одновременный поиск фрагмента по многим видеоканалов.

Кроме того, поскольку запись данных об объектах проводится отдельно от формирования видеопотоков, эти данные могут подвергаться разного рода фильтрации, ускоряющего поиск видеофрагментов в массивах записанного материала. В централизованной архитектуре анализ и фильтрация производятся параллельно. Поэтому изменение критериев фильтрации после того, как поиск уже проведен, зачастую приводит к необходимости осуществления всего процесса поиска заново. А поскольку производится это фактически в режиме реального времени, процесс этот кропотливый и долгий.

Снижение требований к пропускной способности сетевой инфраструктуры. Снижение требований к пропускной способности сетевой инфраструктуры и оптимизация процесса слежения за удаленными объектами — вот два момента, которые волнуют владельцев и пользователей сетевых систем безопасности. С появлением платформы DEPA информация об объектах уже не занимает значительной доли полосы пропускания сети. Эта информация теперь представлена потоком метаданных и нужна лишь для того, чтобы сообщить системе окончательной обработки данных о том, какую видеоинформацию следует пригласить "с периферии".

Из-за столь утилитарного и рационального подхода количество видеоданных, передаваемых телекамерой в сеть, падает до минимума. Вот где возникает резкий контраст с централизованными системами консолидированной обработки данных: интенсивная обработка данных на уровне сервера требует постоянной передачи на него видеоданных. Более того, для повышения точности анализа в централизованной системе приходится использовать частоту кадров, избыточный по отношению к тем, которые применяются для записи и наблюдения "вживую".

Внутренняя инфраструктура технологии

Архитектура

Интеллектуальный анализ изображения в системах безопасности можно рассматривать как состоящую из двух стадий. На первой производится предварительная обработка изображения, его преобразования, выделения из него информации о присутствующих в сцене объектах. На второй стадии эта информация используется для реализации аналитических функций, таких, как принятие решений и генерация уведомлений по тревоге.

Поскольку эти процессы заметно отличаются друг от друга, разные и предлагаемые ими системные требования. Предварительная обработка для извлечения из видео данных об объектах интенсивно нагружает и процессор, и память, а генерируются в ходе нее данные могут быть распределены между множеством приложений. Окончательная обработка не предъявляет столь высоких требований к аппаратной части, однако требует значительной гибкости в отборе информации об объектах, запрашиваемой каждым из конкретных приложений.

В системах с большим количеством точек ввода информации архитектура, позволяющая разделить эти столь непохожие друг на друга задачи и представить их как две стадии одного и того же процесса, обладает ключевыми преимуществами. Делегирование предварительной обработки данных периферийных устройств при том, что окончательная их обработка выполняется на уровне сервера, представляется вполне логичным. Понимая это, компания Sony обозначает свое лидерство в придании импульса развития сетевых систем безопасности, просмотрев роль телекамер и видеорегистраторов в видеонаблюдении.

Платформа DEPA создает новое пространство возможностей, тесно интегрируя друг с другом обладают собственными интеллектуальными возможностями телекамеры и видеорегистраторы. Так достигается то, что было немыслимо в условиях господства принципа централизованной обработки данных, доставшийся нам в наследство от предыдущих лет. Системы, спроектированные на базе архитектуры DEPA, более эффективные, масштабируемых и экономические.

Предварительная обработка данных

Предварительная обработка данных, произведенная в системах с DEPA-архитектурой, позволяет выделять на изображении неподвижные и перемещающиеся объекты.

Обнаружения движущихся объектов. Главная проблема для любой системы обнаружения движения — как избежать ложных срабатываний. Первопричиной ложных срабатываний является нестабильность окружающего фона, вызванная осадками, дрожанием листьев и крон деревьев на ветру, волнами на воде, вибрацией самой телекамеры. При входе объектов в тень и выход из нее такое же воздействие на систему оказывает шум в автоматической системе регулировки усиления сигнала, вызванный колебаниями яркости всей наблюдаемой сцены.

Есть и другие причины сбоев в выявлении объектов. Больше и удаленный объект может иметь на картинке тот же размер, что и мелкий, расположен ближе. Предметы, имеющие близкую окраску, нередко визуально сливаются друг с другом. Автоматизированная система не всегда способна различить два тела имеют одинаковую угловую скорость относительно точки, в которой находится телекамера.

Чтобы повысить точность обнаружения объектов, разработчики систем автоматизированного анализа изображения постоянно совершенствуют алгоритмы распознавания объектов. Все популярнее становится технология отслеживания векторов перемещения точек на изображении, хотя многие системы опираются лишь на сопоставление двух последовательно снятых кадров. Перспективным считается сочетание в одной сложной процедуре нескольких различных алгоритмов обнаружения движения.

Интеллектуальные IP-телекамеры производства компании Sony — модели SNC-RX550P, SNC-RZ50P и SNC-CS50P — используют улучшенную технологию расчета векторов перемещения, при которой анализу подвергаются целых 15 последовательных кадров. Новый алгоритм существенно снижает степень влияния окружающего фона. Для этого определяется характер изменений между последовательными кадрами, что позволяет отделить тени от предметов, а также исключить из рассмотрения избыточные, перекрывающих друг друга части изображения и признаки движения. В результате мы имеем значительно более устойчивую систему обнаружения.

Выявление оставленных предметов. В дополнение к вышеперечисленным возможностям интеллектуальные IP-телекамеры производства Sony могут проявлять и предметы, появляющиеся в пределах кадра оглядывается сцены или исчезающие из них. При этом информация о таких предметах немедленно передается на процессор, который ведет окончательную обработку данных и формирует инструкции по реагированию на обнаруженное событие.

Проблема заключается в том, что даже близкие к идентичным изображения фона содержат Микроизменения. Например, любой кадр, зафиксированный при дневном освещении — даже в косвенных солнечных лучах — будет постоянно меняться в силу изменений освещенности, связанных с перемещением Солнца и облаков по небосводу, а также других процессов подобного характера. Необходимо, чтобы система не реагировала на эти изменения, только в случае обнаружения фактов появления предметов в кадре или их исчезновение может быть безупречным.

В телекамерах производства компании Sony, поддерживающих архитектуру DEPA, эта возможность обеспечивается непрерывным анализом осматривает, сцены и выпиской из получаемого изображения множества образцов фона.

В новом алгоритме, разработанном компанией Sony, характер изменений фона сцены сравнивается с несколькими базовыми моделями динамики фона. Так за счет минимизации влияния изменений окружающей фона достигается высокая точность обнаружения оставленных и исчезнувших предметов.

Зависимости от конкретных задач пользователи могут по своему выбору устанавливать чувствительность системы и время, в течение которого объект считается неподвижным, в диапазоне от 40 секунд до 12 часов.

Окончательная обработка данных

Окончательная обработка информации в системе DEPA заключается в анализе исключительно данных логического характера. Это в значительно меньшей степени нагружает процессор, чем собственно интеллектуальный анализ видеоизображения. Простые задачи окончательной обработки — такие, как фильтрация данных об объектах — могут производиться сервером записи без необходимости их передоверия специально выделенном процессора.

В процессе окончательной обработки информации в системах на базе архитектуры DEPA используются шесть фильтров движения, которые могут сочетаться между собой и накладываться друг на друга в целях задачи особых критериев выявления тревожной ситуации.

Появление объекта. Тревожный сигнал генерируется при появлении объекта в выбранной зоне

Исчезновение объекта. Тревожный сигнал генерируется при исчезновении объекта с выбранной зоны

Наличие объекта. Тревожный сигнал генерируется, если объект остается в пределах выбранной зоны в течение интервала времени, превышающего заданий.

Пересечение линии объектом. Тревожный сигнал генерируется при пересечении объектом виртуальной линии, заданной в пределах сцены.

Количество объектов. Тревожный сигнал генерируется в случае превышения количества объектов, находящихся в выбранной зоне, известного предела.

Объекты, оставленные без присмотра / удалены. Тревожный сигнал генерируется, когда в выбранной зоне исчезают или появляются объекты.

Варьируя составляющие пакетов данных, которыми описывается объект, — включая его размеры и скорость — можно рассчитать и другие параметры движения, такие, как направление. Комбинируя исходные данные с полученными в результате расчетов, мы получаем возможность дополнительного анализа, который позволяет задать объектам новые свойства.

Примеры подобного анализа:

• Наложение нескольких пообъектных фильтров на одну и ту же сцену для сужения номенклатуры рассматриваемых объектов.
• Запись изображений всех, кто выходит из подъезда, с игнорированием тех, кто входит в него.
• Подсчет количества покупателей в разных отделах предприятия розничной торговли для оптимизации распределения продавцов по отделам. Такие операции можно проводить в разное время дня и в разные дни, чтобы найти варианты типового распределения покупателей, характерные для сезонных событий или мероприятий по продвижению товаров.

Перспективы

Согласно исследованиям, проведенным компанией IMS, средства анализа в обозримом будущем останутся наиболее быстро растущим сегментом безопасности. На этот широкий рынок будут приходить все новые программные и аппаратные продукты.

Однако степень прибыльности этого сегмента оказалась весьма эфемерной результате наложения технологических ограничений на проблемы, связанные с производительностью систем безопасности и их стоимости. Насколько широко средства столь тонкого анализа будут восприняты рынком, зависит от того, насколько системы безопасности будут просты в обращении и доступны по цене.

Платформа DEPA, разработанная компанией Sony, создала инфраструктурный базис для экономически обоснованного внедрения передовых методов анализа видеоизображения. Появление архитектуры DEPA дает всем профессионалам в области безопасности возможность пересмотреть существующую стратегию и приступить к планированию практического внедрения рабочих процессов принципиально нового типа, обеспеченных возможностями новой архитектуры.

Архитектура DEPA представляет собой открытую для разработчиков платформу. Продукты, поддерживающие архитектуру DEPA, выпускаются не только компанией Sony, но и другими ведущими разработчиками средств видеонаблюдения и поставщиками решений по анализу видеоизображения. Растет перечень представленных на рынке программ, поддерживающих платформу DEPA — от узкоспециализированных программных пакетов анализа данных в многоцелевых комплексных систем безопасности.

Архитектура DEPA обеспечивает рост рынка, позволяя внедрить интеллектуальный анализ видеоизображения самые вложения всевозможных системах безопасности. Этот скачок качества и функциональности охранных IP-систем в ближайшее время определит новые стандарты для систем обеспечения безопасности, охраны и видеонаблюдения.

Компания: Sony Professional