Video Analytics σε συνθήκες χαμηλού φωτισμού

Οι συνθήκες χαμηλού φωτισμού επηρεάζουν αρνητικά την ποιότητα του video που καταγράφουν οι κάμερες ασφαλείας και αυτό είναι κάτι που ισχύει ανέκαθεν. Η βέλτιστη λύση παραδοσιακά ήταν ο τεχνητός φωτισμός, αλλά δεν είναι και η πλέον πρακτική, ορισμένες μορφές. Ιδιαίτερη σημασία έχει να εξετάσουμε πως επηρεάζονται τα έξυπνα συστήματα ανάλυσης της εικόνας από το χαμηλό φωτισμό.

Του Δημήτρη Σκιάννη

Παρά τις σύγχρονες μεθόδους επεξεργασίας που υπόσχονται καθαρή εικόνα σε συνθήκες πολύ χαμηλού φωτισμού, στην πραγματικότητα πολλές φορές εξακολουθεί να προκαλείται υποβιβασμός της ποιότητας, θόρυβος, όπως και μειωμένη αντίθεση και λεπτομέρεια στο video που καταγράφεται. Σε μια βιομηχανία που τα Intelligent Video Analytics είναι πλέον “must”, αξίζει να δούμε πως επηρεάζει την ακρίβειά τους ο χαμηλός φωτισμός;

Η επιτήρηση μέσω video για λόγους ασφάλειας οφείλει να είναι πλήρως λειτουργική, ακριβής και αποτελεσματική 24 ώρες το 24ωρο, 7 ημέρες την εβδομάδα. Μια πλατφόρμα βίντεο-επιτήρησης θα πρέπει να προσφέρει υψηλό επίπεδο ασφάλειας σε καταστάσεις υψηλού κινδύνου. Εν ολίγοις, όταν η πιθανότητα ενός επικίνδυνου περιστατικού αυξάνεται, οι τελικοί χρήστες βασίζονται στην επένδυσή τους σε σύγχρονο και έξυπνο εξοπλισμό παρακολούθησης. Έτσι, αναμένουν το επίπεδο προστασίας που υπόσχεται η λύση την οποία επέλεξαν να αγοράσουν για το χώρο τους, σε κάθε περίπτωση.

Σε αρκετά περιστατικά παράνομης και εγκληματικής δράσης, η απειλή μεγαλώνει κατά τις νυχτερινές ώρες, όταν ο φωτισμός είναι πολύ χαμηλός. Οι εγκληματίες επιλέγουν τις νυχτερινές ώρες και κυρίως σκοτεινές τοποθεσίες ώστε να μειώσουν την πιθανότητα εντοπισμού και αναγνώρισής τους. Επιπλέον, κατά τη διάρκεια της νύχτας οι περισσότεροι χώροι έχουν ελάχιστο προσωπικό, ή καθόλου, ενώ και οι περαστικοί σε ανοιχτούς χώρους μειώνονται σημαντικά.

Συχνά το επίπεδο φωτισμού είναι πολύ χαμηλό, κάτι που σημαίνει πως απαιτείται τεχνητός φωτισμός, αλλά και λοιπές συνθήκες που εξασφαλίζουν πως οι κάμερες θα μπορούν να λειτουργήσουν ικανοποιητικά.

Η πρακτική του τεχνητού φωτισμού όμως για λόγους ασφάλειας δεν είναι πάντα επιθυμητή και όχι άδικα. Πρώτον, η πρόκληση “φωτο-μόλυνσης” μπορεί να δημιουργήσει επιπλέον υποχρεώσεις στους διαχειριστές του χώρου. Δεύτερον, ο τεχνητός φωτισμός καθόλη τη διάρκεια της νύχτες είναι πολλές φορές μια κοστοβόρα λύση. Ενώ, όσοι βλέπουν ένα καλά φωτισμένο χώρο υποθέτουν αυτόματα πως οποιαδήποτε δραστηριότητα σε αυτόν δεν είναι ύποπτη, καθώς δείχνει κατειλλημένος από προσωπικό και λειτουργικός.

Ως αποτέλεσμα, η παρακολούθηση μέσω βίντεο πρέπει να προσφέρει καλή ποιότητα εικόνας για λόγους ασφάλειας – εντοπισμό και ταυτοποίηση- σε συνθήκες που συχνά είναι κάθε άλλο παρά ιδανικές.

Απαιτείται, λοιπόν, μια συνδυαστική προσέγγιση: η εγκατάσταση επιπλέον λευκού ή υπέρυθρου φωτισμού, η επιλογή καμερών με αποδεδειγμένες ικανότητες σε συνθήκες χαμηλού φωτισμού, η επιλογή των κατάλληλων φακών κ.λπ. Η σωστή προσέγγιση μπορεί να προσφέρει αποδεκτής ποιότητας video, όμως είναι αυτό αρκετό σε ένα τομέα που εξαρτάται όλο και περισσότερο από τα Intelligent Video Analytics;

Χαμηλός φωτισμός και υψηλή ανάλυση

Οι σύγχρονες, προηγμένες κάμερες έχουν συνήθως τρία κοινά χαρακτηριστικά: Υψηλή ανάλυση εικόνας, επεξεργασία χαμηλού φωτισμού και intelligent video analytics. Όσον αφορά το δεύτερο, τα τεχνικά τους χαρακτηριστικά αφήνουν να εννοηθεί πως χρησιμοποιούν τη μέθοδο του “light-scavengin”, κοινώς αξιοποιούν στο μέγιστο τα ελάχιστα ποσά φωτός που υπάρχουν στο χώρο για να ενισχύσουν την ποιότητα της εικόνας. Οι κατασκευαστές τους υποστηρίζουν πως οι κάμερες αυτές μπορούν να παρέχουν καθαρή και υψηλής ποιότητας εικόνα, ακόμα και σε επίπεδα κοντά στα 0 lux. Παρότι οι τεχνολογίες αυτές έχουν τα πλεονεκτήματά τους, δεν είναι πάντα αρκετές.

Το φως είναι βασικό συστατικό για τη λήψη ενός βίντεο. Χωρίς φως, πολύ απλά δεν υπάρχει εικόνα, αυτή η συνθήκη δε μπορεί να «παρακαμφθεί». Αν δεν φτάσει έστω και λίγο φως στον αισθητήρα της κάμερας, δε μπορεί να παραχθεί εικόνα. Όσο οι αναλύσεις μεγαλώνουν, τόσο μειώνεται το μέγεθος των pixels στον αισθητήρα της κάμερας. Έτσι, ένας αισθητήρα 0,5” με 4K UHD ανάλυση (3840×2160 pixels) θα έχει pixels με το 25% του μεγέθους των αντίστοιχων pixels ενός αισθητήρα 0,5” με HD ανάλυση (1920×1080). Αυτό μειώνει σημαντικά την επιφάνεια που συγκεντρώνει φως, άρα απαιτείται και περισσότερο φως για τη δημιουργία εικόνας.

Τεχνολογίες ενίσχυσης της ποιότητας σε συνθήκες χαμηλού φωτισμού δεν παράγουν επιπλέον φως. Αντί αυτού, χρησιμοποιούν εξελιγμένους αλγόριθμους για να ενισχύσουν τη φωτεινότητα και το λόγο αντίθεσης, κατ’ επέκταση και τη λεπτομέρεια αλλά και τη χρωματική πιστότητα. Οι αλγόριθμοι αυτοί βασίζονται στην ενίσχυση συγκεκριμένων παραμέτρων, όπως οι προαναφερθείσες, καθώς έχουν περιορισμένη δυνατότητα χρήσης χαμηλών ταχυτήτων κλείστρου ή frame integration, καθώς πρέπει να πληρούν τις προδιαγραφές HD και 4K UHD.

Αν μια εικόνα περιέχει θόρυβο ή ανεπιθύμητα δεδομένα, θα ενισχυθούν και αυτά κατά τη διαδικασία. Το φιλτράρισμα εικόνας έχει περιορισμένες δυνατότητες στην περίπτωση αυτή. Ο ανθρώπινος εγκέφαλος είναι εξαιρετικός στην οπτική αναγνώριση, έτσι οι τεχνολογίες αυτές είναι αποτελεσματικές για κάποιον που παρακολουθεί ένα videο, αλλά ανεπαρκής για τα Intelligent Video Analytics. Έτσι, η χρήση τέτοιων μοντέλων καμερών δεν είναι πάντα και η ιδανική προσέγγιση.

Προβληματισμοί σχετικά με τα video analytics

Φυσικά, είναι πολύ εύκολο να στραφούμε σε μια σύγχρονη κάμερα που υπόσχεται αποτελεσματική λειτουργία σε φωτισμό 0,001 lux, για παράδειγμα, όμως όπως προείπαμε, τα πράγματα δεν είναι τόσο απλά.

Οι αλγόριθμοι των intelligent video analytics είναι προηγμένοι και πολύπλοκοι, αλλά και σημαντικά ανώτεροι σε σχέση με τα Video Analytics των περασμένων ετών. Ωστόσο, βασίζονται στους αριθμούς των pixels για να αντιληφθούν αλλαγές, σχήματα, «άκρες», μοτίβα και συνήθεις κινήσεις στο χώρο.

Οι αλγόριθμοι γίνονται όλο και εξυπνότεροι και η ανάπτυξη των deep learning τεχνικών βελτιώνει την απόδοση και την ακρίβεια των high-end (και ακριβών) λύσεων, όμως παραμένει γεγονός πως στην «καρδιά» των Intelligent Video Analytics βρίσκονται οι τιμές των pixels και μόνο αυτές.

Ο αλγόριθμος, λοιπόν, αξιοποιεί τη διαφορά μεταξύ των pixels. Ένα τμήμα pixels με τιμές που διαφέρουν ελάχιστα μεταξύ τους, αναγνωρίζεται ως στατικό αντικείμενο. Επιπλέον, υπάρχουν πάντα ορισμένα περιθώρια για αλλαγές στο φωτισμό, αντανακλάσεις, σκιές, θόρυβο κ.λπ. Αν οι συνθήκες χαμηλού φωτισμού έχουν ως αποτέλεσμα έλλειψη αντίθεσης, μια μηχανή analytics θα δυσκολευθεί να εντοπίσει με ακρίβεια την κινητικότητα σε ένα χώρο.

Ο χειριστής, βέβαια, μπορεί κάλλιστα να διακρίνει κίνηση και να αναγνωρίσει έναν εισβολέα, αλλά αυτό δε σημαίνει πως η μηχανή analytics θα το καταφέρει με την ίδια ευκολία. Ο ανθρώπινος εγκέφαλος είναι το απαύγασμα της μηχανικής. Αν μια κάμερα μπορούσε έστω να πλησιάσει σε δυνατότητα το ανθρώπινο μυαλό και τα μάτια μας, σχεδόν ολόκληρη η σημερινή βιομηχανία θα ήταν αυτομάτως ξεπερασμένη κατά πολύ. Ποτέ μην υποθέτετε πως επειδή βλέπετε κάτι με γυμνό μάτι, μπορεί να το «δει» και ένας αλγόριθμος.

Επιπροσθέτως, ο αλγόριθμος θα «δει» τα πάντα σε μια εικόνα με τον ίδιο τρόπο. Η εξέλιξη του AΙ “διδάσκει” στο software πως να αντιλαμβάνεται και να διαχωρίζει το θόρυβο και λοιπά παράγωγα της επεξεργασίας από τη βροχή, τον καπνό ή άλλες συνθήκες περιβάλλοντος. Δυστυχώς, πολλές σημερινές mainstream κάμερες και λύσεις Intelligent Video Analytics δεν έχουν φτάσει ακόμη στο επίπεδο αυτό.

Συμπέρασμα

Τα Intelligent Video Analytics διαρκώς βελτιώνονται και θα βελτιώνονται όσο οι κατασκευαστές εφαρμόζουν πιο προηγμένους αλγόριθμους και εκμεταλλεύονται τις τεχνικές του AI. Ωστόσο, απέχουν από το τέλειο και δεν ξέρουμε αν και στο μέλλον θα αγγίξουν την τελειότητα.

Κατανοώντας το πως τα IVA επηρεάζονται από τις συνθήκες χαμηλού φωτισμού, οι integrators και οι εγκαταστάτες μπορούν να σχεδιάσουν πιο αποδοτικές και αποτελεσματικές λύσεις για τους πελάτες τους, ανάλογα με τις εκάστοτε ανάγκες.