تشخیص چهره و هوش مصنوعی در نظارت تصویری

1402/4/20

هوش مصنوعی به طور قابل توجهی بر فناوری‌های تشخیص چهره، از جمله الگوریتم‌های بسیار بیشتری برای بهینه‌سازی روش نظارت تصویری، تأثیر می‌گذارد.

بیش از آنچه که تصور می‌کردیم هوش مصنوعی در میان ما حضور داشته است و امروزه در تمام جنبه‌های زندگی روزمره ما حضور دارد، گاهی بدون اینکه متوجه شویم و گاهی بدون اینکه متوجه باشیم از آن استفاده می‌کنیم.

هوش مصنوعی توانایی یک ماشین برای ارائه همان توانایی های انسان مانند استدلال، یادگیری، خلاقیت و توانایی برنامه ریزی است.

هوش مصنوعی به سیستم های فناورانه اجازه می دهد تا محیط خود را درک کنند، با آن ارتباط برقرار کنند، مشکلات را حل کنند و با هدف خاصی عمل کنند. هوش مصنوعی به عنوان فناوری تحلیلی یا به سادگی تجزیه و تحلیل نیز شناخته می شود.

قطعاً دانشمندان تحقیق و توسعه علوم رایانه موفق به طراحی الگوریتم‌ها یا برنامه‌های بسیار پیچیده‌ای شده‌اند که در ریزپردازنده‌های موجود در دستگاه‌هایی که امروزه از آنها استفاده می‌کنیم، عملیات‌های بی‌شماری یا کارهای پیچیده را اجرا می‌کنند که نتایج آنی را فراتر از امکان پاسخ‌دهی یک انسان ارائه می‌دهد.

ماشین داده ها را دریافت می کند (که قبلاً از طریق حسگرهای خود تهیه یا جمع آوری شده است، به عنوان مثال، یک دوربین)، آنها را پردازش می کند و به آنها پاسخ می دهد.

سیستم‌های هوش مصنوعی می‌توانند رفتار خود را تا حدی تطبیق دهند، اثرات اقدامات قبلی را تجزیه و تحلیل کنند و به طور مستقل کار کنند. تشخیص چهره (FR)، بخشی از پیشرفت هوش مصنوعی است.

تشخیص چهره چیست؟

این نتیجه شناسایی مثبت هویت یک فرد بر اساس مقایسه داده های چهره فیزیکی صورت او است که توسط دوربین فیلمبرداری گرفته شده است، که قادر به تجزیه و تحلیل مقایسه ای بسیاری از نقاط مرجع چهره یک فرد مانند فاصله است. بین ابروها، مرکز چشم، لب‌ها، چانه و غیره، داده‌هایی که قبلاً با استفاده از یک عکس ماتریسی که ممکن است در دوربین، در یک NVR یا در یک نرم‌افزار وجود داشته باشد در پایگاه داده آپلود شده‌اند، به طوری که الگوریتم FR مقایسه را انجام می‌دهد. وظیفه و تایید یا عدم هویت فرد مورد نظر.

هر چه داده های بیشتری تجزیه و تحلیل شود، نتیجه مقایسه دقیق تر خواهد بود. کار مقایسه معمولاً بر حسب نانو ثانیه اتفاق می افتد، به طوری که نتایج معمولاً آنی هستند. همچنین معیارهای مشابهی برای الگوریتم های LPR برای شناسایی پلاک نیز اعمال می شود.

داده‌های جمع‌آوری‌شده برای انجام این کارها به همان اندازه که کاربر انتظار دارد متنوع است. معیارهای جمع آوری این داده ها مستقیماً با کاربرد و سطح امنیت مورد نیاز کاربر نهایی مرتبط است

برای یک FR، رویکرد داده های ذخیره شده توسط شرکتی که از آنها به عنوان کنترل دسترسی استفاده می کند، نیست. مانند داده های مورد نیاز اداره زندان و همچنین داده های مورد نیاز بیمارستان. اطلاعاتی که احتمالاً برای شرکت مورد نیاز است به احتمال زیاد محدود به نام، سن، بخش، تماس های اضطراری، زمان ورود و خروج، آدرس محل سکونت و سایر موارد است.

با این حال، داده های مورد نیاز یک زندان، علاوه بر موارد ذکر شده در بالا، می تواند شامل سوابق کیفری، گروه خونی، طبقه بندی زندانی، زمان محکومیت، امتیازات و غیره باشد. به همین ترتیب، داده های جمع آوری شده توسط بیمارستان می تواند شامل موارد پزشکی باشد. تاریخچه بیمار و سایر داده ها با هدف تسهیل تجزیه و تحلیل وضعیت سلامتی بیمار.

به گونه‌ای که این پایگاه‌های اطلاعاتی حاوی اطلاعات زیادی است که طبق قانون باید محرمانه نگه داشته شود و یکپارچگی آنها را تضمین کند. از این رو، سازندگان سیستم‌های هوش مصنوعی ملزم به طراحی دستگاه‌هایی هستند که بتوانند تحت بالاترین استانداردهای امنیت سایبری و پروتکل‌های حفاظت از اطلاعات مانند GDPR (مقررات عمومی حفاظت از داده‌ها) و NDAA (قانون مجوز دفاع ملی) تأیید شوند.

هوش مصنوعی در نظارت تصویری

در زمینه نظارت تصویری، هوش مصنوعی شروع به انجام کارهایی کرد که امروزه ظاهراً ساده هستند، مانند تشخیص حرکت (MD) که در آن زمان پیشرفت بسیار مهمی را نشان می‌داد، زیرا امکان برنامه‌ریزی دوربین برای تشخیص تغییرات پیکسل‌ها را فراهم می‌کرد.

این امر حاکی از بهبود قابل توجهی در صرفه جویی در فضا در هارد دیسک ها در روزهایی است که کدک های فشرده سازی ویدیو به اندازه امروز کارآمد نبودند، علاوه بر این که در مواقع ضروری به انجام بررسی های ویدیوی ضبط شده به پاسخ های سریع کمک می کردند.، زیرا دیگر ساعت ها ویدیویی که در آن هیچ اتفاقی نمی افتاد پخش نمی شد. این تحلیل ساده کمک قابل توجهی به پیشرفت نظارت تصویری به عنوان یک ابزار اساسی در امنیت کرد.

امروزه هوش مصنوعی الگوریتم های بیشتری را شامل می شود که روش انجام نظارت تصویری را بهینه کرده است که شامل ویژگی های تشخیص چهره (FR)، تشخیص پلاک (LPR)، تشخیص چهره (FD)، ردیابی چهره (FT)، عبور از خط (LC) است. ، شمارش افراد (PC)، شمارش تبعیض آمیز افراد، وسایل نقلیه 4 چرخ و 2 چرخ، کنترل ظرفیت (OC)، اشیاء باقی مانده و حذف شده، نرده های مجازی (VF)، مناطق محروم، مناطق تهاجم، افراد پرسه زن (PL) ، تشخیص جمعیت(CD)، از جمله شناخته شده ترین هاست.

در ابتدا شرکت‌های توسعه‌دهنده این ویژگی‌های تحلیلی در پیاده‌سازی هوش مصنوعی در بازار نظارت تصویری در دست توسعه‌دهندگان نرم‌افزار VMS بودند و بسته به نوع تحلیلی که قرار بود توسط مشتری پیاده‌سازی شود، باید مجوزی برای آن پرداخت می‌کرد. هر کانال ویدیویی، و قیمت آن مجوز به پیچیدگی نوع تجزیه و تحلیلی که باید پیاده سازی شود، علاوه بر پرداخت هزینه VMS به اضافه هزینه سخت افزار، بستگی داشت.

این واقعیت به این معنی است که پیاده سازی هوش مصنوعی فقط توسط کاربرانی انجام می شود که بودجه بالایی دارند، زیرا هزینه های مجوز برای هر کانال ویدیویی، هزینه مجوز VMS به علاوه هزینه سخت افزار، راه حل های امنیتی را بسیار گران می کند.

امنیت سایبری

پیشرفت فناوری، دیجیتالی شدن سیستم ها، افزایش استفاده از شبکه های کامپیوتری به عنوان وسیله ای برای اتصال و تبادل اطلاعات، این عناصر ضروری برای اجرای موفقیت آمیز هوش مصنوعی و در نتیجه کسب مزایای آن، روندی را نشان می دهد که در در مقابل، به جای کاهش، به طور اجتناب ناپذیر به آینده همه سیستم ها، در همه صنایع حمله خواهد کرد, این اکوسیستم محاسباتی همچنین مستلزم اجرای پروتکل‌های امنیتی سایبری سخت‌گیرانه‌تر است که قادر به حفاظت و حفاظت از داده‌ها و ابرداده‌ها باشد، زیرا برای اینکه هوش مصنوعی به درستی کار کند، نیازمند تعامل، تجزیه و تحلیل، تبادل و انتقال فعال اطلاعات محرمانه، استراتژیک و تاکتیکی است که در اشتباه است.

به همین دلیل است که اجرای هوش مصنوعی مستلزم انتخاب تجهیزاتی است که مطابق با مقرراتی مانند GDPR و NDAA باشد که پروتکل های امنیت سایبری با هدف محافظت از داده ها در برابر هک و هک سایبری هستند، اقداماتی که تبدیل به یک دشمن قدرتمند و دشوار شده است. خنثی نمودن. این پروتکل‌های امنیت سایبری نه تنها از تولیدکنندگان می‌خواهند که اجزای منشأ قابل اعتماد را انتخاب کنند، بلکه همچنین از داده‌ها تحت سیستم‌های رمزگذاری با کارایی بالا محافظت می‌کنند تا از غیرقابل کشف بودن داده‌هایی که می‌توانند برای هکرها غارت شوند، جلوگیری کنند.

هوش مصنوعی همچنین مستلزم یکپارچگی بین سیستم‌ها از طریق پلتفرم‌های تایید زبان مانند ONVIF، یک سازمان مشهور جهانی است که از نظر امنیت ویدیویی، استانداردهای تعامل عملیاتی بین تولیدکنندگان در سطح جهانی می باشد

 

 

نام نویسنده R&D