La Ventaja de los Analíticos de Video como Barrera Virtual

La inteligencia artificial (IA) y el aprendizaje automático han transformado el panorama de la seguridad perimetral mediante el uso de análisis de vídeo para la detección de intrusiones. Los análisis basados en el movimiento de alta sensibilidad, capaces de detectar movimientos a microescala a distancias impresionantes, se han adoptado de forma generalizada en los sistemas perimetrales desplegados en sitios de infraestructuras críticas. Sin embargo, en la actualidad, los análisis de vídeo de la barrera virtual de FLIR están aportando aún más beneficios a los clientes, mejorando la precisión de la detección, la exactitud de la clasificación, la geolocalización de los objetivos y la resistencia contra las falsas alarmas. En esta nota técnica se analizará el valor estratégico del análisis de la barrera virtual en los sistemas de detección de intrusiones perimetrales (PIDS), así como sus ventajas específicas de rendimiento en comparación con el análisis basado en el movimiento.

DEFINICIÓN DE LOS ANÁLISIS BASADOS EN EL MOVIMIENTO

LA ejecución de análisis de vídeo con sistemas de vigilancia de base analógica creó un cambio de paradigma en la industria de la seguridad a principios de la década de 2000. La detección de movimiento inicial basada en píxeles, que activaba las alertas en función de un porcentaje de píxeles que cambiaban en una pantalla dentro de unos límites definidos, podía ejecutar algoritmos de detección de movimiento utilizando el hardware integrado. Esto permitió a los sistemas emitir alertas de detección de forma instantánea y operar en el límite, evitando cualquier problema de ancho de banda o latencia.

Figura 1: Ejemplo de detección y clasificación de seres humanos mediante análisis de vídeo

Estos análisis funcionaban con algoritmos que constaban de tres pasos: Iniciación del fondo, detección del primer plano y procesamiento del primer plano.

descargar el documento técnico 

El primero crea un marco de referencia construyendo el fondo a partir de imágenes anteriores. El segundo comparó el fotograma inmediato con el fotograma de fondo, concluyendo que cualquier diferencia entre ambos debe ser movimiento. En el tercer paso, los píxeles marcados como en movimiento se filtran para eliminar las causas no relevantes y se procesan para generar alarmas de intrusión. Aunque estos métodos basados en el movimiento pueden ser muy sensibles a la hora de detectar amenazas, también suelen requerir una importante calibración y configuración para minimizar las falsas alarmas en entornos reales. Incluso cuando se calibra correctamente, algunos entornos siguen generando falsas alarmas con los análisis basados en el movimiento. El ruido del movimiento, por ejemplo, el temblor de los árboles, el temblor de la cámara, las sombras o los reflejos, es la causa de la mayoría de estas falsas alarmas. Otro problema es el de los objetos que permanecen inmóviles durante un tiempo o que parecen inmóviles cuando se mueven a lo largo del eje de una cámara a larga distancia. Posteriormente, estos objetivos son absorbidos por la imagen de fondo y se vuelven indetectables. Estas limitaciones de la tecnología de análisis basada en el movimiento pueden resultar costosas para el personal de seguridad y preparan el terreno para la próxima generación de análisis de vídeo mediante redes neuronales

DEFINICIÓN DE ANÁLISIS DE VÍDEO DE CNN

Esta técnica de análisis de vídeo está diseñada para replicar los sistemas neurobiológicos y es capaz de encontrar y clasificar objetos en una imagen.
Los sistemas convencionales se basan en la detección de movimiento para identificar dónde se encuentra un posible objeto. Cualquier objetivo en movimiento es procesado por un conjunto de filtros, que determinan si el objeto es una amenaza. Sin embargo, es imposible tener en cuenta todas las situaciones del mundo real, lo que significa que siempre es posible un cierto nivel de falsas alarmas. El análisis de vídeo CNN utilizado por Virtual Barrier aborda esta cuestión permitiendo que el algoritmo determine de forma automática qué características y filtros son los más relevantes para encontrar e identificar un objeto deseado. La creación de un sistema de este tipo comienza con el análisis manual de decenas de miles de imágenes para determinar la ubicación y la clasificación de los objetos de interés. Estas imágenes se utilizan para enseñar a la red neuronal en un proceso iterativo. A diferencia de otros sistemas basados en la CNN, el análisis de la barrera virtual no utiliza imágenes de conjuntos de datos disponibles públicamente, que suelen emplear otros sistemas. En su lugar, solo utiliza los conjuntos de datos de Teledyne FLIR, que se dirigen exclusivamente a la aplicación de seguridad. Esto no solo reduce aún más las falsas alarmas, sino que asegura la correcta detección de todas las amenazas potenciales.

Figura 2: análisis de barrera virtual que clasifica a dos personas y determina su ubicación y velocidad

COMPARACIÓN DE LA BARRERA VIRTUAL Y EL ANÁLISIS BASADO EN EL MOVIMIENTO

Las diferencias entre los análisis de barreras virtuales y los análisis basados en el movimiento son importantes a la hora de elegir entre los dos modelos. Los análisis de barreras virtuales son fáciles de calibrar y proporcionan una detección sólida con falsas alarmas mínimas, al tiempo que permiten la detección y geolocalización de personas merodeando para su visualización en un mapa dinámico. Los análisis basados en el movimiento tienden a ofrecer rangos de detección más largos que los de la barrera virtual, pero son más susceptibles a las falsas alarmas. A continuación se desglosan las distintas ventajas que el análisis de barreras virtuales puede añadir a su sistema de seguridad.

CLASIFICACIÓN ROBUSTA

El análisisde barreras virtuales, que cuenta con una biblioteca de miles de imágenes que contienen aumentos importantes y variaciones en la presentación visual de objetos detectables, está capacitado para clasificar objetos en situaciones reales en las que los objetivos pueden estar ligeramente oscurecidos o ser difíciles de identificar. El ID de la serie FLIR FH, por ejemplo, detectó un 15 % más de amenazas que los análisis basados en el movimiento en una muestra de 100 escenarios únicos.

En cuanto al alcance de la clasificación, los análisis basados en el movimiento y en la barrera virtual presentan una compensación que merece la pena destacar. La analítica requiere más píxeles en el objetivo que la analítica basada en el movimiento, por lo que el rango de clasificación se reduce para la analítica de la barrera virtual. El rango de clasificación del ID de la serie FLIR FH se reduce en aproximadamente un 20 % en comparación con el ID de la serie FLIR FC.

REDUCCIÓN DE FALSAS ALARMAS

Figura 3: Análisis de barreras virtuales que clasifican a humanos y vehículos

Una de las principales ventajas de los análisis debarreras virtuales es la reducción de falsas alarmas. Dado que los análisis de barreras virtuales no utilizan el movimiento como entrada para la detección, son mucho menos propensos a alarmarse ante fuentes comunes de ruido como el balanceo del follaje, el movimiento de la cámara por el viento y los animales salvajes

De hecho, se ha demostrado que estos análisis reducen las falsas alarmas en un 60 % en una muestra de 100 escenarios únicos, que incluían ruido relacionado con condiciones meteorológicas extremas, animales deambulando en el fotograma, sacudidas de la cámara, etc. Esta es una ventaja clave del análisis de barreras virtuales, ya que las falsas alarmas son uno de los problemas operativos más costosos que experimenta el personal de seguridad en la actualidad

GEOLOCALIZACIÓN PARA SEGUIMIENTO DE OBJETIVOS

Figura 4: El objetivo humano se asigna de forma precisa mediante la función de geolocalización del análisis de barreras virtuales

Los análisis de barreras virtuales de FLIR admiten la geolocalización de los objetivos en una escena. Esto significa que la posición, la velocidad y el encabezado de cada objetivo se identifican mediante el análisis y se transmiten como metadatos para ser utilizados por un software de gestión de vídeo (VMS) u otro software posterior. Los datos de geolocalización se pueden visualizar sin problemas en un mapa dinámico, como se muestra anteriormente, para proporcionar a los operadores de seguridad un conocimiento situacional de las amenazas cerca de sus instalaciones. Los datos de geolocalización facilitados por los análisis también son eficaces para posicionar una cámara PTZ para una evaluación más detallada de un objetivo

DETECTA PERSONAS MERODEANDO

A diferencia de los análisis basados en movimiento, los modelos de análisis de barreras virtuales admiten funciones de detección de personas merodeando y pueden detectar y clasificar objetos en fotogramas, tanto si se mueven como si no. Dado que los análisis basados en movimiento no pueden detectar objetivos a menos que se muevan, estos modelos ofrecen una ventaja única sobre los análisis basados en sustracción de fondo

DISEÑADO PARA EL FUTURO

Diseñado para una evolución continua, el análisis de barreras virtuales continuará mejorando, capaz de abordar las necesidades de intrusión actuales y futuras para el personal de seguridad en la infraestructura crítica. Teledyne FLIR se compromete a ampliar las bibliotecas de imágenes para mejorar continuamente la precisión de la clasificación, y a añadir características a los análisis para las actualizaciones de campo. Los directores de seguridad se pueden sentir seguros implementando cámaras con los análisis de barreras virtuales FLIR integrados como una solución para sus necesidades actuales y futuras.

PRINCIPALES CONCLUSIONES

Los análisis de barreras virtuales están diseñados específicamente para mejorar la detección de amenazas, ofreciendo una mayor precisión y un conocimiento crítico de la situación cuando se realiza un seguimiento y se responde a intrusos, a la vez que se minimizan las falsas alarmas. Diseñados para mejorar continuamente, estos análisis están desarrollados para mantenerse al día con las tecnologías y amenazas de perímetro en evolución actuales. Póngase en contacto con su representante local de Teledyne FLIR hoy mismo para descubrir cómo el análisis de barreras virtuales puede reforzar la seguridad de su perímetro