• Nombre:
  • Surname:
  • Nombre de la compañía:
  • E-mail:
  •  
  • Yes, I would like to be kept informed about new products, services and surveys of Hikvision and its partners. Hikvision collects and uses your information in accordance with its privacy policy.
  •  
    Enviar
  • Nombre:
  • E-mail:
  •  
  • Yes, I would like to be kept informed about new products, services and surveys of Hikvision and its partners. Hikvision collects and uses your information in accordance with its privacy policy.
  •  
    Enviar
  • You have subscribed to Hikvision Newsletter already.

  • OK
  • The mail subscription has been canceled!

  • OK
  • Email or UserName does not exit!

  • OK
  • Email already exists

  • OK
Reducción de falsas alarmas con Deep Learning
February 26,2018

 

Reducción de falsas alarmas con Deep Learning

 

El fenómeno del Deep Learning continúa sorprendiendo al mundo TI, con mejoras en los desarrollos tecnológicos en la actualidad, llegando a un nivel donde se puede utilizar perfectamente en aplicaciones prácticas. Hikvision ha estado a la vanguardia de la aplicación de esta tecnología en la industria de la videovigilancia y seguridad, y ha lanzado su primera serie de productos que aprovechan la potencia de la Inteligencia Artificial (IA).

 

El concepto “Deep Learning” está inspirado en la forma como el cerebro humano funciona. Nuestro cerebro puede verse como un modelo de aprendizaje muy complejo. Las redes neuronales del cerebro están compuestas por miles de millones de neuronas interconectadas y Deep Learning simula esta estructura. Estas redes de múltiples capas pueden recopilar información y realizar las acciones correspondientes según el análisis de esa información.

 

En los últimos dos años, esta tecnología se ha venido destacando en las áreas de reconocimiento de voz, visión artificial, traducción de voz y mucho más. Incluso ha superado las capacidades humanas en las áreas de verificación facial y clasificación de imágenes; por lo tanto, ha sido altamente considerada en el campo de videovigilancia para la industria de la seguridad.

 

Su capacidad para mejorar el reconocimiento de los seres humanos - por ejemplo, distinguiéndolos de los animales - hace de esta tecnología un gran componente en el sector de la seguridad. Esto es especialmente importante en un mundo donde las falsas alarmas representan entre el 94% al 99% de todos los eventos generados, según las estadísticas de la policía y el servicio contra incendios


 

Cómo funciona Deep Learning

Esta importante tecnología es intrínsecamente diferente de otros algoritmos. La forma en que soluciona las insuficiencias de los algoritmos tradicionales está comprendido en los siguientes aspectos. 


El modelo algorítmico para Deep Learning tiene una estructura mucho más profunda que los algoritmos tradicionales. A veces, el número de capas puede alcanzar más de un centenar, permitiéndole procesar grandes cantidades de datos en clasificaciones complejas. El aprendizaje profundo es muy similar al proceso de aprendizaje humano y tiene un proceso de abstracción de capa por capa. Cada una de ellas tendrá diferentes "ponderaciones", y esta a su vez se reflejan en lo que se aprendió sobre los "componentes" de las imágenes. Cuanto mayor sea el nivel de capa, más específicos son los componentes.  Al igual que el cerebro humano, una señal original en Deep Learning pasa a través de capas de procesamiento; después, pasa de una comprensión parcial (superficial) a una abstracción total (profunda) donde puede percibir el objeto.


 


Deep Learning no requiere intervención manual, tan solo se basa en una computadora para extraer características por sí mismo. De esta forma, es capaz de extraer tantas características del objetivo como sea posible, incluyendo características abstractas que son difíciles o imposibles de describir. Cuantas más características haya, más preciso será el reconocimiento y la clasificación. Algunos de los beneficios más directos que pueden aportar los algoritmos de Deep Learning incluyen, lograr una precisión de reconocimiento de patrones comparable o incluso mejor que la humana, excelente capacidades anti-interferencia y capacidad de clasificar y reconocer miles de características.

 

Desafíos de los sistemas existentes

Los sistemas de videovigilancia convencional principalmente detectan objetos en movimiento, sin mayor análisis. Incluso, las cámaras IP inteligentes sólo pueden mapear puntos individuales de forma de uno por uno, haciendo difícil la calibración de algunas características (por ejemplo, la frente o mejilla), disminuyendo así la exactitud.

 

Para seguridad perimetral, por ejemplo, otras tecnologías pueden ser (y son) usadas para proporcionar un nivel más integral. Pero todas estas tienen sus desventajas. Los detectores infrarrojos pueden ser 'burlados' y también son propensos a falsas alarmas causadas por animales y objetos. Las cercas electrónicas pueden ser un peligro para la seguridad y están limitadas en ciertas áreas. También algunas de estas soluciones pueden ser costosas y complicadas de instalar.

 

Objetos tales como animales, hojas o incluso un reflejo de sombra generado por la luz, pueden causar falsas alarmas, por lo que poder identificar la presencia de una forma humana realmente mejora la precisión de las funciones de VCA perimetrales. Las falsas alarmas generadas con frecuencia son siempre un problema para los usuarios finales, quienes necesitan tiempo para investigar cada una de ellas, lo cual potencialmente retrasa cualquier respuesta y afecta generalmente la eficiencia. 

 


Imagine, por ejemplo, un escenario que es relativamente tranquilo – una escena nocturna donde hay pocos carros y gente alrededor. Aun allí, podría haber 50 falsas alarmas en esa sola noche. Suponiendo que se tarda de 2 a 3 minutos para comprobar si es falsa o no y que sólo 3 de las 50 requieren una atención – digamos cada 15 minutos. Un guardia tampoco necesita comprobar el sistema y revisar las alertas, o alguien necesita ser enviado a la ubicación para que mire a su alrededor, comprobando si alguien ha 'ingresado sin permiso'. En la mayoría de las organizaciones, estas necesitarían ser también reportadas/registradas, añadiendo mayor tiempo total gastado en esta 'falsa alarma'. Por lo tanto, esas 50 falsas alarmas podrían costar más de dos horas cada noche de tiempo perdido en ese escenario.

 

Deep Learning representa una gran diferencia. Con una serie de variables como cantidad de datos de buena calidad de las cámaras y otras fuentes, como es el Instituto de Investigación de Hikvision, con más de cien miembros del equipo de depuración y análisis de datos de imágenes de video, quehan llegado al punto de desarrollar patrones de reconocimiento de humanos, vehículos, objetos, animales entre otros. Cada vez entregando mejores niveles de precisión en el sector de la seguridad.

 

Basada en una serie de experimentos, la exactitud del reconocimiento de las soluciones, utilizando el algoritmo de Deep Learning, se incrementa en un 38% - aplicando esto al ejemplo anterior, correspondería a un ahorro de casi una hora cada noche. Esto hace de la tecnología Deep Learning, una gran ventaja en un proyecto de seguridad perimetral, donde se requiere mayor nivel de precisión en detección de cruce de línea, intrusión y entrada y/o salida de una región.

 

Otros usos

El valor de la tecnología Deep Learning se extiende más allá de la seguridad tradicional. Por ejemplo, el seguimiento de patrones de movimiento de los individuos, puede determinar si  están 'merodeando' y son una amenaza potencial en el futuro. Se podría establecer un umbral en un radio de cinco metros de movimiento, o diez segundos de permanencia en el mismo lugar. Si la persona pasa el umbral de cualquiera de los dos, podría activarse una alarma. La solución realiza un seguimiento a los individuos y compara este comportamiento con una base de datos para ver si reconoce un patrón.

 

Otra aplicación sería en un escenario donde 'una caída' podría ser una amenaza, lo cual sería muy útil en una casa de cuidado de ancianos. Si un umbral de altura fue establecido en 0,5 m y 10 segundos de duración, por ejemplo, la solución sería capaz de ver a una persona cayendo (cuando ellos van por debajo de 0,5 m) y podría ser un problema (si 'permanecen caídos' por más de 10 segundos). La solución utiliza los parámetros para comparar con su base de datos y activar una alarma.

 

Con características y beneficios como estos, es fácil ver cuántas aplicaciones inteligentes pueden ser atendidas por la tecnología Deep Learning.

 

Para resumir, el Centro de Investigación & Desarrollo de Hikvision con 10.000 personas está superando los límites de las soluciones de videovigilancia y aportándoles aún más beneficios. La Inteligencia Artificial tiene un enorme potencial y Hikvision siempre está explorando nuevas formas de aplicar esta extraordinaria tecnología en la industria de la seguridad y más allá.


Cuadro de Información

 

Inteligencia y Vigilancia más profunda. 

Las Soluciones Deep Learning de Hikvision están disponibles en tres niveles:

- La cámara DeepinView puede llevar a cabo el seguimiento de objetos, clasificación y captura cuando se activa una alarma.

- La 'tradicional' cámara IP usando un NVR DeepinMind agregará la función de búsqueda inteligente de imagen, ahorro de tiempo en la búsqueda de objetivos en comparación con un NVR regular.

- La cámara DeepinView y un NVR DeepinMind proporcionan una solución de máxima potencia, con la cámara enviando la información al NVR, el cual luego puede analizarla. Esto acelera la grabación y análisis y filtro de falsas alarma.

Para más información:

Productos DeepinView 

Productos DeepinMind

Deep Learning en la industria de la seguridad.


<  Regresar a la lista