Les avantages de l’analyse vidéo de barrière virtuelle pour les systèmes périmétriques

L’intelligence artificielle (IA) et l’apprentissage automatique ont transformé le paysage de la sécurité du périmètre grâce à l’utilisation de l’analyse vidéo pour la détection des intrusions. Des analyses basées sur le mouvement hautement sensibles, capables de détecter le mouvement allant de microéchelle à des plages impressionnantes, ont été largement adoptées dans les systèmes périmétriques déployés sur des sites d’infrastructure critiques. Aujourd’hui, cependant, l’analyse vidéo de la barrière virtuelle FLIR offre des avantages encore plus importants aux clients, 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 discutera de la valeur stratégique de l’analyse de la barrière virtuelle dans les systèmes de détection d’intrusion périmétrique (PIDS) ainsi que de ses avantages de performance spécifiques par rapport à l’analyse basée sur le mouvement.

Définition des analyses basées sur le mouvement

L’exécution d’analyses 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 initiale de mouvement basée sur les pixels, qui a déclenché des alertes basées sur un pourcentage de pixels qui changeaient sur un écran dans des limites définies, a pu exécuter des algorithmes de détection de mouvement à l’aide de matériel intégré. Cela a permis aux systèmes de fournir instantanément des alertes de détection et de fonctionner en périphérie tout en évitant tout problème de bande passante ou de latence.

Figure 1 : Exemples d’humains détectés et classés par l’analyse vidéo

Ces analyses ont fonctionné sur des algorithmes composés de trois étapes : Initiation d’arrière-plan, détection d’avant-plan et traitement d’avant-plan.

TÉLÉCHARGER LE LIVRE BLANC

La première crée un cadre de référence en construisant l’arrière-plan en fonction des images précédentes. La deuxième a comparé le cadre immédiat au cadre en arrière-plan, concluant que toute différence entre les deux doit être un mouvement. Dans la troisième étape, les pixels marqués comme étant en mouvement sont filtrés pour éliminer 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 des menaces, elles nécessitent typiquement un étalonnage et une configuration importants pour minimiser les fausses alarmes dans les environnements réels. Même lorsqu’ils sont correctement étalonnés, certains environnements génèrent toujours de fausses alarmes avec des analyses basées sur le mouvement. Les mouvements bruyants, par exemple, lorsqu’on secoue des arbres ou la caméra, les ombres ou les réflexions, causent la plupart de ces fausses alarmes. Un autre problème concerne les objets qui restent immobiles pendant un certain temps ou qui semblent stationnaires lorsqu’ils se déplacent le long de l’axe d’une caméra à longue portée. Ces cibles sont ensuite absorbées dans l’image de fond et rendues indétectables. Ces limites avec la technologie d’analyse basée sur le mouvement peuvent être coûteuses pour le personnel de sécurité et préparer le terrain pour la prochaine génération d’analyse vidéo utilisant des réseaux neuronaux.

Définition de l'analytique vidéo CNN

L’analyse vidéo de la barrière virtuelle est basée sur les réseaux neuronaux convolutionnels (CNN). Cette technique d’analyse vidéo est conçue pour reproduire les systèmes neurobiologiques et est capable de trouver et de classer des objets dans une image.

Les systèmes conventionnels s’appuient sur la détection de mouvement pour déterminer où se trouve un objet potentiel.
Toute cible mobile est traitée par un ensemble de filtres qui déterminent si l’objet est une menace. Il est toutefois 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 Virtual Barrier permet à l’algorithme de déterminer automatiquement les fonctionnalités 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 au réseau nerveux dans un processus itératif. Contrairement aux autres systèmes pilotés par CNN, l’analyse de barrière virtuelle n’utilise pas les images de jeux de données accessibles au public, qui sont fréquemment utilisées par d’autres systèmes. Au lieu de cela, il utilise uniquement des jeux de données Teledyne FLIR, qui ciblent de manière unique l’application de sécurité. Cela permet non seulement de réduire davantage les fausses alarmes, mais aussi d’assurer une détection correcte de toutes les menaces potentielles.

Figure 2 : Analyse de barrière virtuelle classifiant deux personnes et déterminant leur emplacement et leur vitesse

Comparaison des barrières virtuelles et des analyses basées 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. L’analyse de la barrière virtuelle est simple à étalonner et fournit une détection robuste avec un minimum de fausses alarmes tout en prenant en charge la détection de d’objets stationnaires 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 barrière virtuelle, mais sont plus sensibles aux fausses alarmes. Voici une ventilation des avantages distincts que l’analyse de la barrière virtuelle peut ajouter à votre système de sécurité.

Classification robuste

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

En ce qui concerne l’échelle de classification, les analyses basées sur le mouvement et la barrière virtuelle présentent un compromis à noter. 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 FH-Series est réduite d’environ 20 % par rapport à l’ID FLIR FC-Series.

Réduction des fausses alarmes

Figure 3 : Analyse de barrière virtuelle classant les humains et les véhicules

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

En fait, il a été démontré que ces analyses réduisent les fausses alarmes de 60 % dans un échantillon de 100 scénarios uniques, notamment le bruit lié aux conditions météorologiques extrêmes, les animaux qui errent dans le cadre, 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 des cibles

Figure 4 : La cible humaine est mappée avec précision à l’aide de la fonction 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 le cap de chaque cible sont identifiés par les analyses et diffusés en continu comme métadonnées à utiliser par un logiciel de gestion vidéo (VMS) ou un autre logiciel en aval. Les données de géolocalisation peuvent être visualisées de façon transparente sur une carte dynamique, comme le montre la Figure 4, afin de fournir aux opérateurs de sécurité une connaissance situationnelle des menaces à proximité de leur installation. Les données de géolocalisation fournies par l’analyse sont également efficaces pour positionner une caméra PTZ afin d’effectuer une évaluation plus approfondie d’une cible.

Détecte les objets stationnaires

Contrairement à l’analyse basée sur le mouvement, les modèles d’analyse Virtual Barrier prennent en charge les fonctionnalités de détection d’objets stationnaires et peuvent détecter et classer les objets dans le cadre, qu’ils soient en mouvement ou non. Étant donné que l’analyse basée sur le mouvement ne peut pas détecter les cibles à moins qu’elles ne bougent, ces modèles offrent un avantage unique par rapport à l’analyse basée sur la soustraction en arrière-plan.

Conçu pour l’avenir

Conçue pour l’évolution continue, l’analyse de la barrière virtuelle continuera de s’améliorer, en mesure 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 élargir 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 déployer des caméras en toute confiance grâce à l’analyse de barrière virtuelle FLIR intégrée comme solution à leurs besoins actuels et futurs.

Principaux points à retenir

L’analyse de la barrière virtuelle est conçue pour améliorer la détection des menaces, offrant une plus grande précision et une conscience de la situation critique lors du suivi et de la réponse aux intrus, tout en minimisant les fausses alarmes. Conçues pour s’améliorer continuellement, ces analyses sont conçues pour suivre l’évolution des technologies et des menaces du périmètre d’aujourd’hui. Communiquez avec votre représentant Teledyne FLIR local dès aujourd’hui pour savoir comment l’analyse de la barrière virtuelle peut renforcer la sécurité de votre périmètre.