Чем может обернуться для конечников внедрение интеллектуальных технологий

16.06.2014

Рынок видеоаналитики и интеллектуальных систем видеонаблюдения в последние несколько лет заполонили бодрые уверения в том, что очередное инновационное решение компании Х позволит клиентам полностью избавиться от операторов мониторинга и, соответственно, от затрат на оплату их труда. Однако опыт говорит об обратном: судя по последним событиям, возможности автоматического видеоанализа сильно раздуты, и аналитике вовсе не по силам заменить живого человека, вглядывающегося в монитор. Что же делать? Очевидно, учиться сочетать возможности людей и автоматики.

Чем может обернуться для конечников внедрение интеллектуальных технологий видеонаблюдения

К сожалению, в маркетинговых материалах крайне редко обращают внимание на то, насколько видеоаналитика способна повысить эффективность труда профессиональных операторов видеонаблюдения, не оставляя их при этом без работы. Аналитику следует внедрять, тщательно продумав принципиальные основы её применения на данном объекте, выработав соответствующую стратегию и соотнеся её с картиной угроз, присутствующих на объекте, и потенциальным воздействием человеческого фактора на процесс обеспечения безопасности.

Внедрение технологических новинок в любой отрасли приводит к повышению спроса на качественный экспертный анализ и принятие решений. Возможно, при этом количество востребованных в этом процессе работников снижается, однако уровень требований к качеству их подготовки существенно поднимается. Чем сложнее используемая технология, тем более информированные решения приходится принимать. И это требует определённых затрат ресурсов.

Недавно в Австралии мне довелось проехаться в специально сконструированном автомобиле дорожной полиции, который был оснащён видеосистемой распознавания автомобильных номеров. Система эта способна работать на ходу, сканируя все попадающие в кадр номерные знаки и проверяя результат распознавания на совпадение со списками разыскиваемых автомобилей — числящихся в угоне, должников по штрафам, принадлежащих интересующим полицию гражданам и т.п. Получив сигнал о произошедшем ограблении, патрульный автомобиль с такой системой может быть использован для активного поиска автомобиля, на котором преступники скрылись с места преступления. Как только искомое транспортное средство обнаружено по номерному знаку, полицейский офицер, находящийся на пассажирском сиденье, пробивает по базе данных информацию о марке, модели и цвете автомобиля, а также личности владельца. После этого экпиаж принимает решение о целесообразности преследования. Таким образом, в этом патрульном автомобиле используется мощная комбинация новейших технологий обработки изображений, передачи данных и их отображения. В данном смысле это является работающим воплощением принципа интеллектуального видеонаблюдения.

Находясь в движении, автомобиль с установленной на нём системой распознавания номеров транспортных средств постоянно передаёт в общую сеть сообщения о статусе прочих автомобилей, участвующих в дорожном движении, и, соответственно, требует постоянной проверки сотрудниками полиции данных, поступающих из системы. Такого рода проверка включает оценку степени тяжести правонарушения, связанного с даным транспортным средством (к примеру, неплательщика штрафа «отпустить» намного безопаснее, чем краденую автомашину). Поток распознаваемых номеров требует определённого упорядочивания списков разыскиваемых с точки зрения приоритетов, поскольку не исключено, что в определённые моменты времени будет наблюдаться перегрузка. Кроме этого, поскольку распознавание ведётся не только на попутной, но и на встречной полосе, при необходимости преследования может возникнуть нужда в развороте, который не всегда возможно и/или удобно произвести непосредственно после принятия решения о преследовании нарушителя.

По результатам первичного обнаружения разыскиваемого транспортного средства полицейский офицер запрашивает в онлайновой базе данных более детальные сведения об автомобиле, а также информацию о предполагаемых действиях при его обнаружении. В этом процессе уже возникает вероятность ошибки: к примеру, в угоне может числиться автомобиль, не вовремя возвращённый клиентом прокатной компании (автоматический перевод таких транспортных средств в категорию угнанных является весьма распространённой практикой). Полицейскому также предстоит определить, реально ли автомобиль числится в угоне, либо он всего лишь скрылся с места совершения правонарушения — в ряде случаев возникает необходимость в оценке тяжести правонарушения либо преступления и последующем принятии решения о целесообразности каких-либо действий по задержанию обнаруженного транспортного средства.

Экслуатация систем автоматического определения автомобильных номеров на первый взгляд может показаться делом достаточно простым. Однако на деле она оказывается намного сложнее. Критически важными для успешного использования таких систем являются качество информации, фигурирующей в системе, и скорость её прохождения через точки принятия решений. При мобильном базировании такого рода систем требования к данным и потенциальная сложность принятия решений существенно возрастают по сравнению со стационарными системами распознавания номеров. Одна из сложностей, которую обычно упускают из внимания — необходимость продолжать наблюдение и анализ во время уже производящейся полицейским экипажем отработки данных по обнаруженным номерам.

Личный состав полицейских подразделений, привлекаемый к такого рода работам, требует особо тщательной профессиональной подготовки — интенсивных тренингов с отработкой возможных предметов поиска и угроз; весьма серьёзные требования возникают и к тем сотрудникам, которые по долгу службы работают с компьютерными системами и данными, заносимыми в базы. Как уже упоминалось в начале, внедрение систем автоматизированного распознавания автомобильных номеров вовсе не означает облегчение несения полицейской службы, связанной с их использованием. А это, в свою очередь, требует повышения качества подготовки всех сотрудников полиции, вовлечённых в процесс обработки информации и принятия решений.


Автор:  Д-р Крэйг Дональд

Возврат к списку


Другие статьи этого автора:

 Подписаться на RSS-канал