Les Avantages De La Vidéo De Barrière Virtualle Analyses

L’intelligence artificielle (IA) et l’apprentissage machine ont transformé le paysage de la sécurité périmétrique grâce à l’utilisation de l’analyse vidéo pour la détection des intrusions. Des analyses de mouvement hautement sensibles, capables de détecter les mouvements à micro-échelle sur des plages impressionnantes, ont été largement adoptées à travers les systèmes de périmètre déployés sur les sites d’infrastructure critiques. Aujourd’hui, cependant, l’analyse vidéo de la barrière virtuelle FLIR offre des avantages encore plus importants aux clients, en améliorant la précision de la détection, la précision de la classification, la géolocalisation des cibles et la résilience contre les fausses alarmes. Cette note technique abordera la valeur stratégique de l’analyse de la barrière virtuelle dans les systèmes de détection d'intrusion de périmètre (Perimeter Intrusion Detection System, PIDS), ainsi que ses avantages spécifiques en termes de performances par rapport à l’analyse basée sur le mouvement.

DÉFINITION DE L’ANALYSE BASÉE SUR LE MOUVEMENT

La gestion de l’analyse vidéo avec des systèmes de surveillance analogiques a créé un changement de paradigme dans l’industrie de la sécurité au début des années 2000. La détection de mouvement initiale basée sur les pixels, qui a déclenché des alertes basées sur un pourcentage de pixels ayant changé sur un écran dans des limites définies, a permis d’exécuter des algorithmes de détection de mouvement à l’aide du matériel embarqué. Cela a permis aux systèmes de fournir instantanément des alertes de détection et de fonctionner en périphérie tout en évitant les problèmes de bande passante ou de latence.

Chiffre 1: Exemple d’êtres humains détectés et classés par l’analyse vidéo

Ces analyses fonctionnaient sur des algorithmes composés de trois étapes : Initiation en arrière-plan, détection au premier plan et traitement au premier plan.

télécharger le livre blanc

La première crée une image de référence en construisant l’arrière-plan en fonction des images précédentes. La deuxième compare l’image immédiate à l’image en arrière-plan, et conclut ainsi que toute différence entre les deux doit être un mouvement. Au cours de la troisième étape, les pixels signalés comme étant en mouvement sont filtrés pour supprimer les causes non pertinentes et traités pour générer des alarmes d’intrusion. Bien que ces méthodes basées sur le mouvement puissent être très sensibles lors de la détection de menaces, elles ont également tendance à nécessiter un une configuration et un étalonnage significatifs pour minimiser les fausses alarmes dans des environnements réels. Même lorsqu’ils sont correctement étalonnés, certains environnements génèrent toujours des fausses alarmes avec les analyses basées sur le mouvement. Le mouvement provenant de bruit, par exemple, l’agitation des arbres, le tremblement de la caméra, les ombres ou les reflets, sont la cause de la plupart de ces fausses alarmes. Un autre problème concerne les objets qui restent immobiles pendant un certain temps ou qui semblent immobiles lorsqu’ils se déplacent le long de l’axe d’une caméra à longue portée. Ces cibles sont ensuite absorbées dans l’image d’arrière-plan et rendues indétectables. Ces limitations, associées à la technologie d’analyse basée sur le mouvement, peuvent être coûteuses pour le personnel de sécurité et préparent le terrain pour la prochaine génération d’analyses vidéo utilisant des réseaux neuronaux.

DÉFINITION DE L’ANALYSE VIDÉO CNN

Les analyses vidéo de barrière virtuelle sont basées sur des réseaux neuronaux convolutifs (convolutional neural networks, CNN). Cette technique d’analyse vidéo est conçue pour reproduire des systèmes neurobiologiques. Elle est capable de trouver et de classer des objets dans une image.

Les systèmes conventionnels s’appuient sur la détection de mouvement pour identifier où se trouve un objet potentiel. Toute cible en mouvement est traitée par un ensemble de filtres, qui déterminent si l’objet est une menace. Cependant, il est impossible de tenir compte de chaque situation dans le monde réel, ce qui signifie qu’un certain niveau de fausses alarmes est toujours possible. L’analyse vidéo CNN utilisée par la barrière virtuelle répond à cette situation en permettant à l’algorithme de déterminer automatiquement les caractéristiques et les filtres les plus pertinents pour trouver et identifier un objet souhaité. La création d’un tel système commence par l’analyse manuelle de dizaines de milliers d’images pour déterminer l’emplacement et la classification des objets d’intérêt. Ces images sont ensuite utilisées pour enseigner le réseau neuronal dans un processus itératif. Contrairement aux autres systèmes pilotés par CNN, l’analyse de la barrière virtuelle n’utilise pas d’images provenant d’ensembles de données accessibles au public, qui sont fréquemment employés par d’autres systèmes. Au lieu de cela, elle utilise seulement les ensembles de données Teledyne FLIR, qui ciblent de manière unique l’application de sécurité. Cela réduit non seulement les fausses alarmes, mais garantit également une détection correcte de toutes les menaces potentielles.

Chiffre 2: Analyse de la barrière virtuelle classant deux personnes et déterminant leur emplacement et leur vitesse

COMPARAISON DE L’ANALYSE DE LA BARRIÈRE VIRTUELLE ET DE L’ANALYSE BASÉE SUR LE MOUVEMENT

Il est important de comprendre les différences entre l’analyse de la barrière virtuelle et l’analyse basée sur le mouvement lors du choix entre les deux modèles. Les analyses de barrière virtuelle sont simples à étalonner et fournissent une détection robuste avec un minimum de fausses alarmes tout en prenant en charge la détection du vagabondage et la géolocalisation des menaces pour la visualisation sur une carte dynamique. Les analyses basées sur le mouvement ont tendance à offrir des plages de détection plus longues que les analyses de la barrière virtuelle, mais sont plus sensibles aux fausses alarmes. Vous trouverez ci-dessous une répartition des différents avantages que l’analyse de la barrière virtuelle peut ajouter à votre système de sécurité.

CLASSIFICATION ROBUSTE

Étayées par une bibliothèque de milliers d’images contenant des augmentations et des variations importantes dans la présentation visuelle d’objets détectables, les analyses de la barrière virtuelle sont formées pour classer les objets dans des situations réelles où les cibles peuvent être légèrement masquées ou difficiles à identifier. L’ID FLIR série FH, par exemple, a détecté 15 % de menaces en plus que l’analyse basée sur le mouvement dans un échantillon de 100 scénarios uniques.

En ce qui concerne la plage de classification, l’analyse basée sur le mouvement et l’analyse de la barrière virtuelle présentent un compromis qui mérite d'être souligné. L’analyse nécessite plus de pixels sur la cible que l’analyse basée sur le mouvement, de sorte que la plage de classification est réduite pour l’analyse de la barrière virtuelle. La plage de classification de l’ID FLIR série FH est réduite d’environ 20 % par rapport à l’ID FLIR série FC.

RÉDUCTION DES FAUSSES ALARMES

Chiffre 3: Analyse de la barrière virtuelle classifiant les êtres humains et les véhicules

L’un des principaux avantages de l’analyse de la barrière virtuelle est la réduction des fausses alarmes. Comme les analyses de la barrière virtuelle n’utilisent pas le mouvement comme entrée pour la détection, elles sont beaucoup moins sujettes aux alarmes sur les sources de bruit courantes telles que le feuillage ondulant, les tremblements de caméra dans le vent et les animaux sauvages.

En fait, ces analyses ont montré qu’elles réduisaient les fausses alarmes de 60 % dans un échantillon de 100 scénarios uniques, qui comprenaient le bruit lié aux conditions météorologiques extrêmes, les animaux errant dans l’image, les tremblements de caméra, etc. Il s’agit d’un avantage clé de l’analyse de la barrière virtuelle, car les fausses alarmes sont l’un des problèmes opérationnels les plus coûteux auxquels le personnel de sécurité est confronté aujourd’hui.

GÉOLOCALISATION POUR LE SUIVI DE CIBLE

Chiffre 4: La cible humaine est cartographiée avec précision à l’aide de la fonctionnalité de géolocalisation de l’analyse de la barrière virtuelle

L’analyse de la barrière virtuelle FLIR prend en charge la géolocalisation des cibles dans une scène. Cela signifie que la position, la vitesse et la direction de chaque cible sont identifiées par les analyses et diffusées en tant que métadonnées à utiliser par un logiciel de gestion vidéo (video management software, VMS) ou un autre logiciel en aval. Les données de géolocalisation peuvent être visualisées de manière transparente sur une carte dynamique, comme indiqué ci-dessus, afin de fournir aux opérateurs de sécurité une perception de la situation en termes de menaces à proximité de leur installation. Les données de géolocalisation fournies par l’analyse sont également efficaces pour positionner une caméra PTZ afin d’évaluer plus en profondeur une cible.

DÉTECTE LES OBJETS DE VAGABONDAGE

Contrairement à l’analyse basée sur le mouvement, les modèles d’analyse de la barrière virtuelle prennent en charge les fonctionnalités de détection de vagabondage et peuvent détecter et classer les objets dans l’image, qu’ils soient en mouvement ou non. Étant donné que les analyses basées sur le mouvement sont incapables de détecter les cibles à moins qu’elles ne bougent, ces modèles offrent un avantage unique par rapport aux analyses basées sur la soustraction d’arrière-plan.

CONÇU POUR L’AVENIR

Conçue pour une évolution permanente, l’analyse de la barrière virtuelle continuera de s’améliorer, en étant capable de répondre aux besoins d’intrusion d’aujourd’hui et de demain pour le personnel de sécurité dans les infrastructures critiques. Teledyne FLIR s’engage à étendre les bibliothèques d’images pour une précision de classification en constante amélioration, ainsi qu’à ajouter des fonctionnalités aux analyses pour les mises à niveau sur le terrain. Les directeurs de la sécurité peuvent se sentir confiants dans le déploiement de caméras avec l’analyse intégrée de la barrière virtuelle FLIR comme solution pour leurs besoins actuels et futurs.

ÉLÉMENTS CLÉS

Les analyses de la barrière virtuelle sont conçues spécialement pour améliorer la détection des menaces, en offrant une plus grande précision et une connaissance situationnelle critique lors du suivi et de la réponse aux intrus, tout en minimisant les fausses alarmes. Conçues pour s'améliorer en permanence, ces analyses sont créées pour suivre le rythme des technologies et menaces de périmètre en constante évolution d’aujourd’hui. Contactez votre représentant local Teledyne FLIR dès aujourd’hui pour découvrir comment l’analyse de la barrière virtuelle peut renforcer la sécurité de votre périmètre.