비디오 감시를 위한 인공지능

영상 감시를 위한 인공지능은 사람과 차량, 사물, 이벤트를 인식하기 위해 비디오 감시 카메라의 오디오와 이미지를 분석하는 컴퓨터 소프트웨어 프로그램을 활용한다. 보안 계약자 프로그램은 카메라 감시로 보호되는 재산에 대해 카메라 시야 내에서 제한구역(예: 울타리 쳐진 소외지역, 주차장, 주차장 등, 주차장 밖 보도나 공공도로는 제외)과 시간대별 프로그램(영업 종료 후 등)을 규정하는 소프트웨어다. 인공지능(이하 AI)은 하루 중 해당 지역에 사람이 출입할 수 없다는 '규칙'을 어긴 침입자를 발견하면 경보를 보낸다.^[1]

A.I. 프로그램은 기계 시야를 이용하여 기능한다. 머신비전은 일련의 알고리즘, 즉 수학적 절차로서, 다른 자세, 각도, 위치 및 움직임에서 인간의 수십만 개의 저장된 참조 영상과 사물을 비교하기 위해 흐름도나 일련의 질문처럼 작용한다. A.I.는 관찰된 물체가 기준 영상처럼 움직이는지, 넓이에 비해 대략 같은 크기인지, 특징적인 두 팔과 두 다리를 가지고 있는지, 비슷한 속도로 움직이는지, 수평이 아닌 수직인지를 자문한다. 물체가 반사되는 정도, 물체가 흔들리지 않는 정도 또는 진동하는 정도, 물체가 움직이는 부드러움 등 다른 많은 질문들이 가능하다. 다양한 질문의 모든 값을 종합하면 A가 주어지는 종합 순위가 도출된다.I. 그 물체가 사람이거나 인간이 아닐 확률. 값이 설정된 제한을 초과하면 경고가 전송된다. 인간이나 차량이 모니터된 이미지의 특정 부분(카메라 주변 영역)에서 다른 부분보다 더 크게 나타나는 것을 학습하는 등, 어느 정도 자체 학습을 하는 것이 이러한 프로그램의 특징이다.

하루 중 특정 시간에 특정 지역에서 사람 또는 차량을 제한하는 간단한 규칙 외에 더 복잡한 규칙을 정할 수 있다. 시스템 사용자는 차량이 한 방향으로 주행하지만 다른 방향은 주행하지 않는지 여부를 알고자 할 수 있다. 사용자는 특정 영역 내에 특정 사전 설정 인원 이상이 있음을 알고 싶을 수 있다. A.I.는 수백 대의 카메라를 동시에 감시할 수 있다. 먼 곳이나 비가 오거나 눈이 부신 곳에서 침입자를 찾아내는 능력은 인간의 능력보다 뛰어나다.

A의 이런 타입.I. 보안에 대해서는 "규칙 기반"이라고 알려져 있는데, 인간 프로그래머는 사용자가 경고를 받고자 하는 모든 것에 대한 규칙을 설정해야 하기 때문이다. 이것이 A의 가장 보편적인 형태다.보안을 위해서입니다. 오늘날 많은 비디오 감시 카메라 시스템에는 이런 종류의 A가 포함되어 있다.I. 능력. 프로그램을 저장하는 하드 드라이브는 카메라 자체에 위치하거나 카메라로부터 입력을 수신하는 별도의 장치에 위치할 수 있다.

A의 새로운 비규칙 기반 형식.I. "행동 분석"이라고 불리는 보안을 위해 개발되었다. 이 소프트웨어는 사용자나 보안 계약자가 초기 프로그래밍을 입력하지 않고 완전히 자체 학습한 것이다. 이런 유형의 분석에서 A는I.는 크기, 속도, 반사율, 색상, 그룹화, 수직 또는 수평 방향 등과 같은 다양한 특성의 패턴에 대한 자체 관찰에 기초하여 사람, 차량, 기계 및 환경의 정상적인 행동을 학습한다. A.I.는 시각 데이터를 정규화하며, 이는 관찰 대상과 패턴을 분류하고 태그를 지정하여 관찰 대상의 정상 또는 평균 행동에 대한 정의를 지속적으로 개선한다는 것을 의미한다. 이런 식으로 몇 주 동안 배운 후에 그것은 언제 사물이 패턴을 깨는지 인식할 수 있다. 그러한 이상 징후를 관찰하면 경보를 전송한다. 예를 들어, 차들이 거리에서 운전하는 것은 정상이다. 보도 위로 차를 몰고 올라가는 것이 이상할 것이다. 철조망 울타리가 쳐진 마당이 보통 밤에 비어 있다면, 그 지역에 들어가는 사람은 변칙이 될 것이다.

역사

문제성명

비디오 감시 실황 영상을 자경하는 인간의 능력에 대한 제한은 그 임무를 더 잘 수행할 수 있는 인공지능에 대한 요구로 이어졌다. 한 대의 비디오 모니터를 20분 이상 시청하는 사람은 중요한 사건을 식별하기에 충분한 주의를 유지하는 능력의 95%를 잃는다.^[2] 두 대의 모니터로 이것은 다시 반으로 잘린다.^[3] 많은 시설들이 수십 대, 심지어 수백 대의 카메라를 보유하고 있다는 점을 감안하면, 그 임무는 분명히 인간의 능력 밖이다. 일반적으로 텅 빈 복도나 창고, 주차장, 구조물의 카메라 뷰가 지나치게 지루해 주의가 빠르게 감쇠된다. 여러 대의 카메라를 모니터링할 때, 일반적으로 스크린 뷰가 분할된 벽면 모니터 또는 모니터 뱅크를 사용하고 한 대의 카메라와 다음 카메라 사이에서 수 초마다 회전할 때, 시각적 테디움은 빠르게 압도된다. 자동차 대리점과 쇼핑광장에서 학교와 기업체, 원전 등 보안성이 높은 시설에 이르기까지 이용자들의 큰 채택으로 비디오 감시 카메라가 확산되는 가운데, 인간 장교(일명 '운영자'라고도 함)의 비디오 감시는 비현실적이고 비효율적이라는 사실이 뒤늦게 인식됐다. 광범위한 비디오 감시 시스템은 도난, 방화, 공격 또는 사건 이후 누군가를 식별하기 위해 가능한 법의학적 사용을 위한 녹음으로 좌천되었다. 특히 넓은 야외 지역을 중심으로 광각 카메라 뷰를 채용한 곳에서는 해상도가 미흡하여 이를 위해도 심각한 한계가 발견되었다.^[4] 이러한 경우 침입자나 가해자의 이미지가 모니터에 너무 작기 때문에 신원을 확인하는 것은 불가능하다.우리는 인간을 동물로 구분할 수 있고, 자동차 인공지능은 똑같고, 인간의 뇌도 똑같다.

초기 해결 시도

동작 탐지 카메라

감시 모니터를 장기간 감시하는 인간 경비원의 단점에 대응하여, 첫 번째 해결책은 동작 탐지기를 카메라에 추가하는 것이었다. 침입자나 가해자의 동의가 원격 감시관에게 경계 경보를 보내서 지속적인 인간 경계의 필요성을 없애주는 것이 이유였다. 문제는 야외 환경에서는 화면에서 보는 총 영상을 구성하는 픽셀의 움직임이나 변화가 일정하다는 것이었다. 바람에 날리는 나무 위의 나뭇잎 동작, 땅을 따라 흩날리는 것, 곤충, 새, 개, 그림자, 전조등, 햇살 등이 모두 동작으로 구성된다. 이로 인해 하루에 수백 또는 수천 건의 허위 경보가 발생하여 이 솔루션은 작동되지 않는 시간 동안 실내 환경을 제외하고 작동 불능 상태가 되었다.

고급 비디오 모션 감지

그 다음 진화에서는 허위 경보를 어느 정도까지 감소시켰지만 복잡하고 시간이 많이 소요되는 수동 보정의 비용을 절감했다. 여기에서 고정된 배경에 상대적인 사람 또는 차량 등의 대상의 변화가 감지된다. 배경이 계절적으로 변경되거나 다른 변화로 인해 변경되는 경우 신뢰성은 시간이 지남에 따라 악화된다. 너무 많은 잘못된 경고에 다시 대응하는 경제성이 장애물임이 증명되었고 이 해결책은 충분하지 않았다.

진정한 비디오 분석의 등장

시각적 인식의 기계 학습은 패턴과 그 분류와 관련이 있다.^[5][6] 진정한 비디오 분석은 인간의 형태, 차량, 보트 또는 선택된 물체를 다른 모든 물체의 일반적인 움직임과 시각적 정적 또는 모니터의 픽셀의 변화로부터 구별할 수 있다. 그것은 패턴을 인식함으로써 이것을 한다. 예를 들어, 인간과 같은 관심 대상이 사전 설정된 규칙을 위반할 경우, 예를 들어 정의된 시간 간격 동안 미리 정의된 영역에서 사람 수가 0을 초과하면 안 된다는 경고가 전송된다. 붉은색 사각형이나 이른바 '경계함'은 일반적으로 탐지된 침입자를 자동으로 따라다니며, 이를 담은 짧은 동영상이 경보로 전송된다.

실용화

실시간 예방조치

비디오 감시를 이용한 침입자 검출은 경제성과 비디오 카메라의 성격에 따라 한계가 있다. 일반적으로 야외 카메라는 넓은 각도로 설정되지만 먼 거리를 내다본다. 초당 프레임률과 밝게 빛나는 영역과 희미하게 켜진 영역을 처리할 수 있는 동적 범위는 움직이는 인간의 침입자를 실제로 볼 수 있도록 카메라가 더 이상 적절하지 않다. 야간에는 조명이 들어오는 야외 영역에서도 초당 프레임당 충분한 빛을 모으지 못하기 때문에 카메라 가까이 있지 않는 한 얇은 와이즈로 나타나거나 거의 알아볼 수 없는 귀신으로 나타나거나 완전히 보이지 않게 된다. 눈부심, 부분적 외설, 비, 눈, 안개, 그리고 어둠의 조건들이 모두 문제를 복잡하게 만든다. 이러한 조건에서는 인간이 대상의 모니터에서 실제 위치를 살펴보도록 지시되어도 대상자는 대개 감지되지 않는다. A.I.는 전체 이미지와 모든 카메라의 이미지를 동시에 공정하게 볼 수 있다. 인간 형태를 구성하는 것에 대한 학습된 패턴으로부터의 편차 정도의 통계적 모델을 사용하면, 불리한 조건에서도 높은 신뢰성과 낮은 허위 경보율을 가진 침입자를 탐지할 것이다.^[7] 그것의 학습은 다양한 위치, 각도, 자세 등에 있는 약 25만 개의 인간의 이미지를 기반으로 한다.

탑재된 비디오 분석 기능이 탑재된 1 메가픽셀 카메라는 약 350'의 거리와 비이상적 조건에서 약 30도의 시야각에서 사람을 감지할 수 있었다. 규칙은 "가상 울타리" 또는 사전 정의된 영역에 대한 침입에 대해 설정될 수 있다. 방향 이동, 뒤에 남겨진 물체, 군중 형성 및 기타 조건에 대한 규칙이 설정될 수 있다. 비디오 감시를 위한 인공지능은 중국에서 널리 사용되고 있다. 중국의 대규모 감시를 참조하십시오.

토크다운

이 시스템의 가장 강력한 특징 중 하나는 A.I.로부터 경보를 받은 인간 장교나 운영자가 침입자에게 즉각적으로 확성기를 통해 말할 수 있다는 것이다. 이것은 대부분의 범죄가 기회주의적이고 침입자에게 붙잡힐 위험이 살아 있는 사람이 말할 때 너무 뚜렷해져서 침입을 피하고 후퇴할 가능성이 매우 높기 때문에 높은 억제 가치가 높다. 보안요원은 침입자가 실제 사람이 감시하고 있다는 것을 의심하지 않도록 침입자의 행동을 묘사할 것이다. 그 경찰관은 침입자가 법을 어기고 있고 법 집행 기관이 연락을 받고 있고 그들이 비디오 녹화되고 있다고 발표하곤 했다.^[8]

확인된 위반 보고서

경찰은 도난 경보로부터 엄청난 수의 허위 경보를 받는다. 실제로 보안업계는 이런 경보의 98% 이상이 허위 경보라고 보고하고 있다. 이에 따라 경찰은 도난 경보에 매우 낮은 우선순위를 부여하고 현장에 출동하는 데 20분에서 2시간이 소요될 수 있다. 이와는 대조적으로 영상분석검출 범죄는 진행 중인 실제 범죄임을 직접 눈으로 확인하는 중앙감시관에게 보고된다. 그리고 나서 그 또는 그녀는 경찰에게 그러한 전화들을 가장 우선순위로 하는 것을 파견한다.

행동분석

활성 환경

규칙 기반 비디오 분석은 많은 보안 애플리케이션에 대해 경제적이고 안정적으로 작동했지만 작동하지 않는 상황이 많다.^[9] 하루 중 특정 시간대에 아무도 속하지 않는 실내 또는 실외 지역이나 셀 타워와 같이 어느 때라도 속하지 않는 지역의 경우 전통적인 규칙 기반 분석이 완벽하게 적합하다. 셀 타워의 예에서 서비스 기술자가 그 지역에 접근해야 하는 드문 시간은 단순히 모니터링 응답을 "시험 중" 또는 인가자가 있는 짧은 시간 동안 비활성화하기 위해 암호로 호출해야 할 것이다.

그러나 수백, 수천 명의 사람들이 항상 사방에 속해 있는 활동적인 환경에는 많은 보안상의 필요성이 있다. 예를 들어, 대학 캠퍼스, 활성 공장, 병원 또는 모든 활성 운영 시설. 합법적인 사람과 범죄자 또는 잘못된 행인들을 차별할 수 있는 규칙을 정할 수는 없다.

활성 환경 문제 극복

행동 분석, 자체 학습, 비규칙 기반 A.I. 비디오 카메라에서 데이터를 가져와서 보이는 물체와 이벤트를 연속적으로 분류한다. 예를 들어, 길을 건너는 사람은 하나의 분류다. 한 무리의 사람들은 또 다른 분류다. 자동차는 하나의 분류지만, 지속적인 학습으로 대중 버스는 작은 트럭과 오토바이와 차별을 받게 될 것이다. 정교함이 증가하면서, 이 시스템은 인간의 행동에서 패턴을 인식한다. 예를 들어, 개인이 통제된 출입문을 한 번에 하나씩 통과하는 것을 관찰할 수 있다. 문이 열리고, 그 사람이 그들의 근접 카드나 태그를 제시하며, 그 사람이 지나가면 문이 닫힌다. 반복적으로 관찰되는 이러한 활동 패턴은 그 장면을 관찰하는 카메라의 시야에서 정상적인 것의 기초를 형성한다. 만약 인가된 사람이 문을 열지만 두번째 "테일게이트" 허가받지 않은 사람이 문이 닫히기 전에 문을 잡고 통과한다면, 그것은 경고를 만들 수 있는 일종의 변칙이다. 이러한 유형의 분석은 규칙 기반 분석보다 훨씬 더 복잡하다. 규칙 기반 분석은 주로 하루 중 정해진 시간에 아무도 없는 영역으로 침입자를 탐지하는 데 효과가 있지만, 행동 분석은 사람들이 평범하지 않은 것들을 탐지하기 위해 활동적인 곳에 작용한다.

야외에서 화재가 발생하면 이례적인 일이 될 것이고, 피어오르는 연기 구름처럼 경각심을 유발할 것이다. 편도 진입로로 잘못 진입하는 차량은 시각적 시그니처가 강하고 반복적으로 관찰되는 차선 내 올바른 편도 주행 패턴에서 벗어나는 사건의 유형을 나타낼 수도 있다. 공격자가 땅바닥에 내던져진 사람은 경각심을 일으킬 만한 특이한 사건이 될 것이다. 이것은 상황에 따라 다르다. 그래서 만약 카메라가 레슬링이 연습된 체육관을 보았다면 A.I.는 한 사람이 다른 사람을 땅에 던지는 것이 보통이라는 것을 알게 될 것이며, 그 경우에는 이 관찰에 대해 경각심을 갖지 않을 것이다.

인공지능이 이해하는 것

A.I.는 인간, 화재, 또는 차량이 무엇인지 알거나 이해하지 못한다. 그것은 단순히 크기, 모양, 색깔, 반사율, 각도, 방향, 움직임 등을 바탕으로 이것들의 특징을 찾는 것이다. 그리고 나서 그것은 분류한 물체들이 전형적인 행동 패턴을 가지고 있다는 것을 발견한다. 예를 들어, 인간은 인도 위를 걸으며 때때로 거리를 걷지만, 건물 옆면을 자주 오르지는 않는다. 차들은 거리에서 운전하지만 인도에서는 운전하지 않는다. 따라서 누군가가 건물이나 차량을 인도 위로 차양을 조정하는 비정상적인 행동은 경각심을 유발할 것이다.

보안 시스템의 기존 사고 방식과 다름

일반적인 경보 시스템은 진정한 긍정(실제 범죄 사건)을 놓치지 않고 가능한 한 거짓 경보 발생률이 낮도록 설계된다. 그런 점에서 도난경보기는 진정한 긍정성은 거의 없지만 통제된 실내 환경에서도 거짓경보율이 매우 높다. 동작 감지 카메라는 일부 진정한 긍정을 놓치지만 실외 환경에서 압도적으로 잘못된 경보에 시달린다. 규칙 기반 분석은 대부분의 진정한 긍정을 신뢰성 있게 탐지하고 잘못된 긍정의 비율이 낮지만 활성 환경에서는 수행할 수 없으며 빈 긍정의 경우에만 수행할 수 있다. 또한 그들은 침입자가 있는지 없는지에 대한 단순한 차별에 한정된다.

싸움이 일어나거나 안전 절차를 어기는 것만큼 복잡하거나 미묘한 것은 규칙 기반 분석을 통해 탐지하거나 차별할 수 없다. 행동 분석으로, 그것은 그렇다. 사람들이 움직이고 일하는 곳은 문제를 일으키지 않는다. 그러나 A는I.는 변칙적으로 보이지만 본질적으로 결백한 많은 것들을 발견할 수 있다. 예를 들어, 만약 캠퍼스 학생들이 광장을 걷는다면, 그것은 정상적으로 학습될 것이다. 만약 두어 명의 학생들이 바람에 펄럭이는 야외에서 큰 시트를 가지고 다니기로 결정한다면, 그것은 정말로 경각심을 유발할 수 있다. 감시관은 자신의 모니터를 보고 그 사건이 위협이 되지 않는다는 것을 알게 되고 그것을 무시하게 될 것이다. 경보를 트리거하는 표준으로부터의 편차 정도는 가장 비정상적인 사항만 보고되도록 설정할 수 있다. 그러나 이것은 여전히 새로운 인간방식과 A의 방식을 구성한다.I. 전통적인 경보 산업 사고방식으로 특징지어지지 않는 상호작용. 현장에 대응이 필요한지 신속하게 살피고 판단할 수 있는 휴먼 장교에게 보내는 것이 가치 있는 허위 경보가 많을 것이기 때문이다. 그런 의미에서 A씨의 '어깨 두드리기'라고 할 수 있다.나는. 인간에게 무언가를 보게 하기 위해.

행동 분석의 한계

너무 많은 복잡한 것들이 연속적으로 처리되고 있기 때문에, 소프트웨어는 컴퓨터 수요를 보존하기 위해 단 1 CIF의 매우 낮은 해상도로 샘플링한다. 1 CIF 해상도는 카메라가 활용되는 각도가 넓고 사람이 조건에 따라 60~80피트 이상 떨어져 있으면 사람 크기의 물체가 감지되지 않는다는 것을 의미한다. 차량이나 연기와 같은 더 큰 물체는 더 먼 거리에서 감지될 수 있을 것이다.

상황 인식의 수량화

보안을 위한 인공지능의 효용성은 진공상태에서 존재하지 않으며, 그 발전은 순수하게 학문적 또는 과학적인 연구에 의해 추진되지 않았다. 오히려 현실 세계의 필요성, 즉 경제적 힘에 대해 언급된다. 운영 효율화, 디스플레이 구역의 쇼핑객 열 지도(소매 공간에서 특정 구역에 몇 명이 있는지 의미), 수업 참석 등 비보안 애플리케이션에 대한 사용이 발전하고 있다.^[10] 인간은 A만큼의 자질을 갖추지 못한다.I. 다중 원격 보기 위치에서 동시 계산이 필요한 매우 큰 데이터 세트로 구성된 패턴을 컴파일하고 인식한다. 그런 자각에는 본래 인간적인 것이 없다. 그러한 멀티태스킹은 인간의 주의와 성과를 방해하는 것으로 보여진다. A.I.s는 그러한 데이터를 처리할 수 있는 능력을 가지고 있다. 비디오 카메라와 상호 작용하는 보안을 위해 그들은 기능적으로 사람 또는 그것에 대한 기계 근사치보다 더 뛰어난 시력을 가지고 있다. 행동이나 대상의 의도나 위협의 정도나 행동의 미묘함을 판단하기 위해 인간은 현재의 기술 상태에서 훨씬 우위에 있다. 그래서 A는I. 보안 기능에서 인적 역량을 넘어 광범위하게 스캔하고 관련성의 1단계 분류에 대한 데이터를 검사하고 평가와 대응의 기능을 인계받는 인사 담당자에게 경고한다.

예방적 보안의 지출이 일반적으로 피해야 할 위험의 인식 비용을 초과하지 않도록 실무적 세계에서의 보안은 경제적으로 결정된다. 연구에 따르면 기업들은 일반적으로 실제 손실에 드는 비용의 25분의 1 정도만 보안에 쓴다고 한다.^[11] 순수한 경제 이론에 의한 것은 동등성 또는 동종성이어야 하며, 따라서 그것에 크게 미치지 못한다. 이것을 설명하는 한 가지 이론은 인지 부조화, 즉 위험과 같은 불쾌한 것들이 의식으로부터 떨쳐질 수 있는 편안함이다. 그럼에도 불구하고, 보안은 중요한 지출이며, 보안 전문가들 사이에서 항상 다른 보안 수단의 비용 비교가 가장 중요하다.

미래 보안 위협이나 손실이 과소평가되는 또 다른 이유는 흔히 결과적 손실의 스펙트럼 대신 잠재적 손실에 대한 직접 비용만 고려되기 때문이다. 예를 들어, 공장에서 주문 제작 기계나 냉장 트랙터 트레일러의 파괴 행위는 고객이 서비스를 받을 수 없는 긴 교체 시간을 초래하여 사업 손실을 초래할 수 있다. 폭력 범죄는 고용주를 보호하지 못한 직접적인 책임을 넘어 고용주에게 광범위한 홍보 피해를 줄 것이다.

행동 분석은 단순한 보안을 넘어 독특하게 기능하며, 프로토콜의 표준 패턴의 위반을 관찰할 수 있기 때문에, 노동자의 보상 또는 공공 책임 사고를 초래할 수 있는 직원의 안전하지 않은 행동을 효과적으로 발견할 수 있다. 여기서도 향후 사건의 비용에 대한 평가는 현실에 미치지 못한다. Liberty Mutual Insurance Insurance Company의 연구에 따르면, 보험에 가입하지 않은 경우 임시 대체인력, 대체인력 채용비, 교육비, 관리자의 보고서나 법정에서의 시간, 다른 근로자에 대한 사기 저하, 고객에 대한 영향 등이 포함되기 때문에 고용주에게 부과되는 비용은 직접보험 비용의 약 6배에 달하는 것으로 나타났다.d 공공 ^[12]관계 A의 잠재력.I. 그러한 사고를 사전에 차단하고 예방하기 위한 행동 분석의 형태는 중요하다.

참고 항목

• 활동인식
• 군중 분석
• 인덱트
• 영상 콘텐츠 분석

참조