Тренды рынка видеонаблюдения: камера или облако

На рынке видеонаблюдения сейчас активно конкурируют два тренда – камеры видеонаблюдения со встроенной аналитикой и облачные услуги видеонаблюдения и аналитики. Оба решения при организации видеосистемы безопасности или бизнес-аналитики эффективны, но у каждого есть свои плюсы и ограничения, особенности функционала, которые и проанализированы в обзоре.  

Данные и прогнозы от аналитических агентств

Согласно данным агентства маркетинговых исследований Omdia, в 2020 году в мире было продано 117 млн профессиональных камер (лишь 16% имели функционал аналитики на базе глубокого обучения), 42% из них с разрешением более 4 Мп, и к 2025 их доля прогнозируется на уровне 74%. А концу этого года Omdia прогнозирует более 1 млрд установленных камер. Они будут генерировать огромный объем информации, и возникает вопрос, что с ним делать.

Рынок ИИ чипсетов – Доли выручки 2020

Облачная архитектура выигрывает у локальной по времени развертывания решений и объему капитальных затрат. Тем не менее количество решений видеонаблюдения и видеоаналитики на базе облачных сервисов растет, в том числе с этим направлением эксперты связывают развитие рынка в ближайшие годы. Так, совокупный среднегодовой темп роста облачной видеоаналитики с 2021 по 2028 год, согласно прогнозам Telecom Daily, составит 17,5%, что на 6,2% больше, чем у рынка видеоаналитики в целом. Отмечается, что последние пару лет важным драйвером облачной видеоаналитики является ритейл.

Всплеск внедрения искусственного интеллекта (ИИ) в последнее десятилетие был тесно связан с разработкой в области аппаратного обеспечения. Все более совершенные чипсеты, созданные для огромного рынка смартфонов, начали проникать и на другие, в частности видеонаблюдения. Ожидается, что рынок камер безопасности для чипсетов с ИИ будет расти от 2% в 2020 году до 10% в 2025 году.

Применение видеоанализа на базе глубокого обучения

Сферы применения видеоанализа на базе глубокого обучения можно условно разделить на следующие.

Охрана и безопасность. Включает все функции видеоанализа: детекция объектов, нарушение периметра, оставленные предметы, приватные зоны/размытые лица, несанкционированный проход нескольких человек по одному предъявленному идентификатору (проход паровозиком), распознавание номеров для контроля доступа.

Бизнес-аналитика. Включает такие приложения, как тепловые карты, подсчет посетителей, мониторинг длины очередей, время остановки в зоне, поток людей, распознавание возраста и пола.

Наблюдение за транспортным потоком. Включает приложения, разработанные для детекции нарушения ПДД, аварий и инцидентов на дорогах, равно как управления плавностью дорожного потока.

На текущий момент большинство аналитических функций на камерах решают задачи охраны и безопасности. Но к 2025 году баланс сдвинется в сторону решения задач бизнеса по мере того, как бизнес-аналитика нарастит свою долю в функционале таких камер. Проекты с ее использованием станут драйвером роста этого сегмента рынка, потому что конечные клиенты осознают возврат инвестиций, который она дает.

Камеры с аналитикой на борту

На основании тестов, проведенных командой камер TRASSIR, рынок выделяет группы камер по точности:

1.   60-85% – алгоритм видеоаналитики такой точности позволяет производить поиск по данным для оператора, который визуально отмечает ложные срабатывания, тем самым снижая время на поиск инцидентов и увеличивая скорость реакции на них.
2. 85-90% – такой уровень точности позволяет создавать автоматизированные системы контроля. Они могут функционировать без операторов, только с аналитиком, который обрабатывает данные на больших распределенных системах.
3. 90-95% – такая точность дает возможность создавать полностью автоматизированные системы контроля.
4. 95-99,9% – модули с такой точностью аналитики позволяют создавать системы автоматизированного контроля и реагирования.

Облачное видеонаблюдение

Сейчас большое количество как отечественных, так и зарубежных облачных сервисов видеонаблюдения предлагают пользователям возможность использования видеоаналитики с различными подходами к организации системы видеоанализа (что может сказываться на ее технических показателях):

1. Детекция и распознавание объекта или события происходит непосредственно на борту камеры.  На удаленных серверах облачного сервиса производится фиксация событий в журнале, уведомлений всех заинтересованных пользователей и возможных запрограммированных процессов реагирования. При таком подходе можно сэкономить на пропускной способности сети и значительно повысить вероятность работы с действительно важными данными. Более того, есть возможность ретроспективно работать с видеозаписями, если камеры поддерживают видеометаданные.
2. Детекция объекта или события происходит на борту камеры, а дальнейшее распознавание производится с помощью программного обеспечения на облачном сервере.
3. Анализ видео производится полностью на облачных серверах. При этом видеопоток с камер транслируется на «облака» в течение всего времени, пока пользователю необходим анализ процессов. В данном подходе можно сэкономить на видеокамерах за счет сниженных требований к их техническим характеристикам. Заказчик получает гибкость в использовании разных видов видеоаналитики для различных устройств и с помощью выбора типов лицензий или подписок может адаптировать функциональные возможности системы под актуальные нужды. Следует отметить, что возможность использования различных типов видеоанализа и смены лицензии существует и на камерах, относящихся к верхнему ценовому сегменту.

В некоторых случаях облачные сервисы видеонаблюдения могут предоставлять партнерские услуги: при таком подходе видеоданные, передаваемые на сервера облачного сервиса, далее транслируются на партнерский – для обработки, что повышает риск утери данных или взлома из-за задержки реакции.

Возможности и ограничения каждого подхода

1. Безопасность данных. Камеры, которые являются первоисточником данных в системах видеонаблюдения, имеют различные уровни защиты от несанкционированного доступа. Основные риски связаны с передачей данных, аутентификацией пользователей и своевременным обновлением встроенного ПО. Во многих случаях для последующего анализа и хранения камера передает видеопоток на облачный сервер, это увеличивает число узлов и объем данных, подверженных риску уязвимости. Вместе с тем ряд облачных сервисов используют сквозное шифрование или шифрование канала от видеокамеры до самого сервера, что позволяет снизить риск взлома. Также ряд сервисов предлагают пользователям возможность удаленной ручной или автоматической смены паролей и обновления внутреннего ПО на камерах, что является рекомендованной специалистами профилактикой уязвимости, но нередко игнорируется службами как заказчика, так и подрядных организаций.
2. Повышенная нагрузка на сеть. Анализ, выполняемый на облачном сервере, требует, чтобы все данные с камеры передавались в центр обработки, что создает потребность в дорогостоящей сети с соответствующей пропускной способностью. В случае использования камеры с видеоаналитикой на борту можно снизить нагрузку за счет автоматической отправки только действительно важных видеоданных для резервирования в облаке по запросу и/или расписанию.
3. Увеличенные расходы на обработку данных. В некоторых случаях передача данных по сети для централизованной обработки может быть полностью исключена: либо она производится на борту камеры, либо потому, что сверхбольшой объем данных слишком дорого передавать и хранить на серверах. Практичнее их обработать локально, отфильтровав до действительно важных данных, и уже тогда передавать и хранить на центральных серверах. Потоковая передача больших объемов видео, а затем их анализ с помощью графических процессоров на облачном сервере увеличит стоимость лицензий или подписок на услуги сервисов.
4. Задержка передачи и обработки данных: В сценариях, которые подразумевают контроль в режиме реального времени (распознавание лиц для предоставления доступа или оповещения и особенно критические ситуации), нет альтернативы функции анализа на камере. В случаях отслеживания объектов и отдельных лиц на обширных площадях с помощью нескольких камер, системы также выигрывают от развития вычислительной мощности для анализа на базе глубокого обучения на борту камеры. Это приводит к сокращению задержки и времени обработки поступающих видеоданных.

Есть объекты, процессы которых не являются критически важными, при этом комфортность использования систем безопасности с видеонаблюдением для непосредственного пользователя играют решающую роль. Например, розничные POS-системы или автоматическая касса могут стать не пригодными для использования, когда скорость интернет-соединения падает или вовсе отсутствует.

Таким образом, облачные сервисы позволяют постепенно обновлять старые системы, проводить пилоты, тестировать гипотезы (и в бизнес-аналитике), используя экономичный подход к затратам. Также они могут агрегировать данные с большого количества географически распределенных камер и использовать их для обучения нейросети, повышая точность видеоанализа.

При построении новой архитектуры целесообразно использовать камеры с видеоаналитикой на базе глубокого обучения, брать уже обработанные данные для объединения с информацией от сторонних интегрированных систем и последующего более сложного анализа. Наиболее безопасное, комфортное и экономически эффективное будущее достижимо при объединении возможностей и достоинств каждого из подходов.