Anche tu, almeno una volta nella vita, avrai acceso la televisione e ti sarai soffermato a guardare una delle tante moderne serie televisive poliziesche: CSI, NCIS o Person of Interest, tanto per fare qualche nome, senza pretesa alcuna di essere esaustivi; e a quel punto avrai pensato che la tecnologia ha fatto passi da gigante. Ebbene sì, perché molte (benché non tutte) delle cose che si vedono in televisione sono vere: centinaia e centinaia di telecamere di sorveglianza che riprendono una scena in una metropolitana o in un aeroporto; un operatore umano addetto al monitoraggio di una smisurata quantità di monitor; un sistema intelligente capace di analizzare le informazioni acquisite, in termini di audio e video, e di segnalare situazioni di potenziale pericolo in modo da risvegliare l’attenzione dell’operatore; uno scippo in aeroporto o una rissa in metropolitana; un’anziana signora che urla perché minacciata durante una rapina in banca; o ancora un incendio in lontananza su una montagna. Questi e molti altri sono gli eventi che un sistema di sorveglianza intelligente è in grado di rilevare.
Ma a questo punto alcune domande sorgono spontanee: quanto moderni e avanzati sono i prodotti oggi disponibili sul mercato? Quanto sono utili? E come è possibile capire quale sia la soluzione più adatta al nostro problema?
Quanto moderni e avanzati sono i sistemi di sorveglianza?
AI-Pills è giunto alla sua terza pillola, e finanche al lettore più distratto, seppur assiduo, sarà chiaro il concetto per il quale gli algoritmi alla base delle applicazioni di sorveglianza sono sulla frontiera della ricerca. Sì la parola chiave è proprio ricerca: le competenze di pattern recognition, computer vision, artificial intelligence e machine learning, che solo laboratori universitari, spin-off (la cui compagine sociale è costituita principalmente da docenti universitari ) o R&D di aziende del settore possono maturare, sono le variabili che consentono la progettazione e lo sviluppo di prodotti di video analisi altamente tecnologici. Si pensi ad algoritmi di aggiornamento del background per mantenere l’informazione sulla scena senza oggetti in movimento al variare delle condizioni di luminosità; algoritmi di rilevamento di oggetti in movimento, o meglio dei soli oggetti di interesse in movimento all’interno di una scena (tralasciando, ad esempio, le foglie di un albero scosso dal vento o la luce che si accende improvvisamente in un appartamento); algoritmi di tracking, capaci di inseguire oggetti che si muovono nella scena ed estrarne le traiettorie. E poi ci sono gli algoritmi di “alto livello” che identificano un incendio attraverso un’analisi combinata di colore e movimento o ancora quelli che identificano anomalie valutando le traiettorie rispetto ai pattern che il sistema ha precedentemente appreso in modo del tutto autonomo, senza intervento alcuno dell’operatore umano.
Quanto sono utili questi sistemi automatici?
Grazie a questi sistemi cambia significativamente il modo in cui l’operatore umano interagisce con i video: da una modalità time-based ad una event-based. Ma cerchiamo di capire meglio il significato di tale affermazione.
Senza tali sistemi, l’operatore umano addetto al controllo dovrebbe visualizzare interamente il video, giorno e notte, ora dopo ora (time-based appunto), senza possibilità di trascurare anche solo un minuto di filmato, che potrebbe rivelarsi fondamentale. È ovvio come questa attività, oltre che noiosa, sia estremamente time consuming!
Un approccio event-based stravolge il modo di approcciare al video: da un lato, tali sistemi generano, in tempo reale, un allarme al verificarsi di un evento di interesse, in modo da risvegliare l’attenzione dell’operatore umano addetto al monitoraggio di numerosi video. Dall’altro lato, consentono di visualizzare in sequenza i soli istanti di tempo associati a tutti gli eventi di interesse rilevati in precedenza. Insomma, un risparmio di tempo non indifferente!
Qual è la soluzione più adatta ai nostri problemi?
In questo vi aiutiamo noi! I prodotti disponibili tipicamente sul mercato per risolvere problemi di sorveglianza intelligente sono numerosi. E sulla base delle esigenze, vanno opportunamente combinati. Vediamo insieme i vari pezzi.
Rilevamento di intrusioni: non appena una persona accede ad una zona riservata, il sistema lancia un allarme. Tali sistemi sostituiscono i tradizionali sensori anti intrusione e ne superano i principali limiti: l’operatore può disegnare la sola regione a cui è interessato (per esempio una aiuola nei giardini pubblici oppure l’area che costeggia la recinzione di una azienda) e con una sola telecamera si può monitorare una regione significativamente più grande rispetto ad un singolo sensore; inoltre, la presenza in casa, ad esempio, di animali domestici non genera allarmi nei moderni sistemi di video sorveglianza. Insomma, provare per credere: sostituite i sensori anti-intrusione nei vostri appartamenti e provate AI-Intrusion!
Rilevamento di incendi: un incendio che divampa in lontananza su una montagna, o un piccolo focolaio che inizia a crescere in una cucina di un anziano sbadato che ha lasciato la sigaretta accesa vicino al giornale. In situazioni come queste, perché utilizzare sensori fisici se le attuali telecamere impiegate per la videosorveglianza possono acquisire i filmati e, in combinazione con i moderni algoritmi di video analisi, rilevare fumi e fiamme in modo altrettanto affidabile ma meno invasivo da un punto di vista infrastrutturale? In considerazione di ciò, A.I. Tech ha progettato e sviluppato AI-Fire, disponibile sia server side integrato in Milestone che in versione edge side, su telecamere Axis, per il rilevamento di fumi e fiamme.
Identificazione di anomalie: una persona che corre in direzione opposta a una folla è uno dei tipici comportamenti anomali che i comuni sistemi di videosorveglianza devono rilevare. Allo stesso modo, non possiamo non menzionare il vagabondaggio: una persona che staziona per molto tempo e senza motivo in un posto senza un apparente motivo sicuramente desta sospetto. AI-Anomaly e AI-Loitering, prossimamente in vendita, nascono proprio per risolvere tali problemi.
Rilevamento oggetti abbandonati: si tratta di sistemi di video analisi per il rilevamento di oggetti abbandonati di diversa tipologia, dalla spazzatura rilasciata illecitamente in luoghi pubblici ai bagagli abbandonati in stazioni o luoghi sensibili. Grazie a sofisticati algoritmi di rilevamento, i sistemi sono in in grado di discernere tra gli oggetti che si muovono lentamente o che si fermano solo per pochi istanti da quelli realmente abbandonati. Il nostro AI-Lost ne è un esempio. Cosa aspetti, non serve anche a te?
Identificazione di eventi audio anomali: sebbene siano una fonte insostituibile di informazioni, non sempre le telecamere possono essere installate (si pensi a dei bagni pubblici), e non sempre sono in grado di riconoscere in modo affidabile gli eventi di interesse (come, ad esempio, nel caso di ambienti troppo affollati). In questi casi, l’interpretazione del segnale audio acquisito dai microfoni eventualmente integrati nelle telecamere stesse può essere la soluzione al problema: è proprio con questa idea che nasce AI-Sounds, capace di identificare eventi di interesse configurabili dall’utente quali urla, spari o vetri rotti.
Insomma, numerose sono le combinazioni di prodotti che l’utente può scegliere sulla base delle sue esigenze. Ora non ti resta che scegliere la soluzione più adatta e provare!
Figura 1: Un esempio di applicazione per la video sorveglianza, la versione di AI-Fire integrata in Milestone: non appena è identificato un evento di interesse all’interno di una specifica regione disegnata dall’operatore umano (in blu), un allarme (il rettangolo rosso) viene inviato e il relativo evento viene memorizzato per consentire una visualizzazione event-based del filmato.
