As Vantagens Da Analise De Video De Barreira Virtual

A inteligência artificial (IA) e o aprendizado de máquina transformaram o cenário de segurança do perímetro por meio do uso de análise de vídeo para detecção de invasão. Análises altamente sensíveis baseadas em movimento, capazes de detectar movimentos em faixas impressionantes em microescala, têm sido adotadas amplamente em sistemas de perímetro adotados em locais de infraestrutura primordial. Hoje, no entanto, a análise de vídeo de barreira virtual da FLIR está gerando benefícios ainda maiores para os clientes, melhorando a precisão da detecção e da classificação, a geolocalização dos objetos-alvo e a resiliência contra alarmes falsos. Esta nota técnica discutirá o valor estratégico da análise de barreira virtual em sistemas de detecção de intrusão de perímetro (Perimeter Intrusion Detection Systems, PIDS) e suas vantagens de desempenho específicas em comparação com análises baseadas em movimento.

DEFINIÇÃO DE ANÁLISE BASEADA EM MOVIMENTO

A análise de vídeo com sistemas de vigilância analógicos criou uma mudança de paradigma no setor de segurança no início dos anos 2000. A detecção inicial de movimento baseada em pixels, que acionava alertas com base em uma porcentagem de pixels que mudavam em uma tela dentro de bordas definidas, era capaz de executar algoritmos de detecção de movimento usando o hardware integrado. Isso permitia que os sistemas fornecessem alertas de detecção instantaneamente e operassem no limite, evitando assim quaisquer problemas de largura de banda ou latência

Figura 1: Exemplo de humanos sendo detectados e classificados por análise de vídeo

Essas análises eram realizadas em algoritmos que consistiam em três etapas: Iniciação de plano de fundo, detecção de primeiro plano e processamento de primeiro plano.

baixe o whitepaper

O primeiro criava um quadro de referência construindo o plano de fundo com base nas imagens anteriores. O segundo comparava o quadro imediato ao quadro em segundo plano, concluindo que qualquer diferença entre os dois era movimento. Na terceira etapa, os pixels sinalizados como em movimento eram filtrados para remover causas não relevantes e processados para gerar alarmes de intrusão. Embora esses métodos baseados em movimento possam ser altamente sensíveis ao detectar ameaças, eles também tendem a exigir calibração e configuração significativas para minimizar alarmes falsos em ambientes do mundo real. Mesmo quando calibrados corretamente, alguns ambientes ainda geram alarmes falsos com análises baseadas em movimento. Falsos movimentos, por exemplo, o movimento de folhas de árvores, o movimento da câmera, sombras ou reflexos, causam a maioria desses alarmes falsos. Outro problema envolve objetos que ficam parados por um tempo ou parecem estacionários ao se mover junto ao eixo de uma câmera a longo alcance. Esses alvos são subsequentemente absorvidos na imagem de fundo e tornados indetectáveis. Essas limitações com a tecnologia de análise baseada em movimento podem ser caras para o pessoal de segurança e prepara o cenário para a próxima geração de análise de vídeo usando redes neurais

DEFINIÇÃO DE ANÁLISE DE VÍDEO BASEADA EM CNN

A análise de vídeo de barreira virtual se baseia em redes neurais convolucionais (Convolutional Neural Networks, CNN). Esta técnica de análise de vídeo foi projetada para replicar sistemas neurobiológicos e é capaz de encontrar e classificar objetos em uma imagem

Os sistemas convencionais dependem da detecção de movimento para identificar onde está um possível objeto. Todo objeto-alvo em movimento é processado por um conjunto de filtros que determina se o objeto é uma ameaça. No entanto, é impossível considerar cada situação no mundo real, o que significa que algum nível de alarmes falsos é sempre possível. A análise de vídeo baseada em CNN usada pela barreira virtual lida com esse problema ao permitir que o algoritmo determine automaticamente quais recursos e filtros são mais relevantes para encontrar e identificar um objeto desejado. A criação desse sistema começa com a análise manual de dezenas de milhares de imagens para determinar a localização e a classificação dos objetos de interesse. Essas imagens são então usadas para ensinar a rede neural em um processo iterativo. Ao contrário de outros sistemas orientados por CNN, a análise de barreiras virtuais não usa imagens de conjuntos de dados disponíveis publicamente, que são frequentemente empregados por outros sistemas. Em vez disso, são usados apenas conjuntos de dados da Teledyne FLIR, que têm como alvo exclusivo a aplicação em segurança. Isso não apenas reduz alarmes falsos, mas também garante a detecção correta de todas as ameaças potenciais

Figura 2: Análise de barreira virtual classificando duas pessoas e determinando sua localização e velocidade

COMPARAÇÃO DE BARREIRA VIRTUAL E ANÁLISE BASEADA EM MOVIMENTO

As diferenças entre a análise de barreira virtual e a análise baseada em movimento precisam ser entendidas ao se fazer a escolha entre os dois modelos. A análise de barreira virtual é simples de calibrar e fornece detecção robusta com alarmes falsos mínimos, ao mesmo tempo que suporta a detecção e a geolocalização de ameaças para visualização em um mapa dinâmico. As análises baseadas em movimento tendem a oferecer intervalos de detecção mais longos do que as análises de barreiras virtuais, mas são mais suscetíveis a alarmes falsos. A seguir, apresentamos um detalhamento dos benefícios distintos que a análise de barreira virtual pode adicionar ao seu sistema de segurança

CLASSIFICAÇÃO ROBUSTA

Apoiada por uma biblioteca de milhares de imagens contendo importantes aumentos e variações na apresentação visual de objetos detectáveis, a análise de barreira virtual é treinada para classificar objetos em situações do mundo real onde os objetos-alvo podem estar ligeiramente obscurecidos ou representar um desafio para identificação. O FLIR FH-Series ID, por exemplo, detectou 15% mais ameaças do que análises baseadas em movimento em uma amostra de 100 cenários exclusivos

Com relação à faixa de classificação, as análises baseadas em movimento e de barreira virtual apresentam uma compensação que vale a pena observar. A análise exige mais pixels do objeto-alvo do que a análise baseada em movimento e, portanto, a faixa de classificação é reduzida para a análise de barreira virtual. A faixa de classificação para o FLIR FH-Series ID é reduzida em aproximadamente 20% em comparação com o FLIR FC-Series ID

REDUÇÃO DE ALARME FALSO

Figura 3: Análise de barreira virtual classificando humanos e veículos

Uma das principais vantagens da análise de barreira virtual é a redução de alarmes falsos. Como a análise de barreira virtual não usa movimento como dado para detecção, ela é muito menos propensa a alarmes em fontes comuns de interferência, como o balanço de folhas, a trepidação da câmera causada pelo vento e animais selvagens

Na verdade, essas análises reduziram os alarmes falsos em 60% em uma amostra de 100 cenários exclusivos, que incluíram interferências relacionadas a condições climáticas extremas, animais entrando na imagem, trepidação da câmera, etc. Essa é uma vantagem fundamental da análise de barreira virtual, pois alarmes falsos são um dos problemas operacionais mais caros que o pessoal de segurança enfrenta hoje

GEOLOCALIZAÇÃO PARA RASTREAMENTO DE OBJETO-ALVO

Figura 4: Objeto-alvo humano sendo mapeado com precisão usando o recurso de geolocalização da análise de barreira virtual

A análise de barreira virtual da FLIR suporta a geolocalização de objetos-alvo em uma cena. Isso significa que a posição, a velocidade e a direção de cada objeto-alvo são identificadas pela análise e transmitidas como metadados a serem usados por um software de gerenciamento de vídeo (VMS) ou outro software similar. Os dados de geolocalização podem ser visualizados sem problemas em um mapa dinâmico, como mostrado acima, para fornecer aos operadores de segurança a percepção situacional das ameaças próximas às suas instalações. Os dados de geolocalização fornecidos pela análise também são eficazes para posicionar uma câmera PTZ para uma avaliação mais detalhada de um objeto-alvo

DETECTA OBJETOS-ALVO ERRANTES

Ao contrário da análise baseada em movimento, os modelos de análise de barreira virtual suportam funcionalidades de detecção de objetos-alvo errantes e podem detectar e classificar objetos no quadro, estejam eles em movimento ou não. Como a análise baseada em movimento não consegue detectar objetos-alvo a menos que se movam, esses modelos oferecem uma vantagem única sobre a análise baseada em subtração de fundo

PROJETADA PARA O FUTURO

Projetada para evolução contínua, a análise de barreira virtual continuará a melhorar, sendo capaz de atender às necessidades do pessoal de segurança da infraestrutura primordial quanto à prevenção de intrusão, tanto atualmente quanto no futuro. A Teledyne FLIR tem o compromisso de expandir bibliotecas de imagens para uma precisão de classificação cada vez maior, além de adicionar recursos às análises para atualizações em campo. Os diretores de segurança podem se sentir seguros ao instalarem câmeras com a análise de barreira virtual da FLIR incorporada como solução para suas necessidades atuais e futuras

PRINCIPAIS CONCLUSÕES

As análises de barreiras virtuais são desenvolvidas especificamente para melhorar a detecção de ameaças, oferecendo maior precisão e consciência situacional essencial ao rastrear e responder a invasores, minimizando alarmes falsos. Projetadas para melhorar continuamente, essas análises são criadas para acompanhar o ritmo atual da evolução das tecnologias e ameaças de perímetro. Entre em contato com seu representante local da Teledyne FLIR hoje mesmo para saber como a análise de barreira virtual pode fortalecer a segurança do seu perímetro