Intervju med Axis produktchef Niklas Rosell om några tekniker och möjligheter som modern kamerateknik kan erbjuda med artificiell intelligens (AI).
I den här artikeln får vi en överblick över hur smarta kameror med AI-funktioner kan användas i er kamerabevakning. Till vår hjälp har vi Niklas Rosell som är global produktchef på Axis och som höll föreläsningen “Intelligent videoanalys – Ett effektivt verktyg för att skapa trygghet i olika miljöer” på Säkerhetsdagen, arrangerad av SafeTeam. AI-kameror var ett ämne som många besökare var intresserade av.
Niklas Rosell, kan du berätta vad artificiell intelligens innebär för kamerabevakning?
– Artificiell intelligens, eller AI, är en gren inom datavetenskap som syftar till att simulera mänsklig intelligens och beteende. För oss som arbetar med kamerabevakning och videoanalys handlar det främst om att simulera mänsklig förståelse av vad som syns i en video.
Kan du berätta om lövutmaningen?
Det är en stor utmaning att urskilja en människas ansikte när en person gömmer sig bakom en buske, till exempel. Det kräver extremt mycket av tekniken och kan lätt leda till fellarm, samtidigt som en väl inställd kamera kan upptäcka saker som en människa missar.
Det är en hårfin gräns mellan fellarm och missade larm, hur ska man tänka där?
– De flesta applikationer inom videoanalys har en känslighetskonfiguration, där du måste hitta balansen mellan falsklarm och missade larm. Var på skalan du vill ligga beror på vilken action du vill ta på ett larm. Om larmet ska tända en lampa skadar inte att falsklarm så mycket, men om larmet går till en operatör, som förväntas göra något, då vill vi inte ha för mycket falsklarm.
Under föreläsningen talade du om real-time och non-real time. Vad innebär real-time?
– Kamerabevakningen kan ske i realtid. Då analyseras innehållet kontinuerligt. Ett exempel är att registrera bilars nummerskyltar och kontrollera dem mot en allow list. Är registreringsnumret godkänt öppnas bommen och bilarna släpps in.
Och vad är non-real time?
– Kamerabevakningen kan också appliceras non-real time. Det betyder att man söker igenom materialet i efterhand för att hitta en händelse som skett.
Är det som på TV, att man måste spola fram och tillbaka för att hitta det man söker?
– För inte så länge sedan var det så. Då var en operatör tvungen att gå igenom otals med VHS-band och spola fram och tillbaka för att leta efter en händelse. I dag har vi metataggar som hjälper oss.
Vad är metataggar och hur hjälper de?
– Allt innehåll analyseras och märks upp automatiskt med hjälp av AI. Sedan kan du söka på tid eller plats eller en viss typ av händelse. Kanske vill du hitta en bil och vet ungefär var den befann sig vid en viss tidpunkt – kanske vet du färgen på bilen. Då kan du be datorn leta efter en sekvens som innehåller just det. Det gör det lättare att hitta nålen i höstacken.
Du gick igenom många spännande kameratekniker under din föreläsning. Kan du sammanfatta dem kort? Vad är blurra?
– Vi kan skydda identiteten på personer genom att blurra, alltså maskera ansiktena på dem. Det kan man göra i realtid, men det går även att applicera i efterhand, till exempel för att skydda personer som inte har något att göra med den händelse vi granskar.
Face recognition?
– Face recognition, eller ansiktsigenkänning, går ut på att matcha en persons ansikte med en känd databas för att identifiera vem det är. Ansiktsigenkänning är dock inte så vanligt inom EU på grund av GDPR.
Face detection?
– Face detection identifierar bara ett ansikte men inte vem individen är. Ett användningsområde är butiker. Kunder ser sig själva när de går in, med en box ritad runt sitt ansikte. Inget mer sker. Men det påminner kunderna om att de kan vara bevakade och analyserade, och det minskar risken för brott.
Unusual detection?
– Unusual detection handlar om att upptäcka beteenden som avviker från det normala. Det kan generera larm till en operatör som kan granska om en åtgärd krävs. Om en man går på en gata med sin hund sent på natten är inget konstigt. Men om några personer kastar sten mot en ruta till en butik så kan systemet reagera.
Fall detection?
– Fall detection är en variant av unusual detection. Som namnet antyder detekteras när någon faller omkull. Det är användbart inom sjukvård, till exempel.
Fire Detection?
– Fire Detection är ett sätt att upptäcka rök på långt håll så att man snabbt kan bekämpa bränder.
Wrong way detection?
– Wrong way detection kan användas vid på- och avfarter på motorvägar. Om någon åker åt fel håll kan systemet till exempel aktivera varningssignaler och informationsskyltar.
Tailgating detection?
– Tailgating detection kontrollerar om flera personer eller flera bilar passerar en dörr eller bom där bara en får passera åt gången.
Unauthorized parking detection?
– Unauthorized parking detection visar om en bil har stått parkerad för länge.
Unattended luggage detection?
– Unattended luggage detection upptäcker objekt som har lämnats kvar utan uppsikt, till exempel väskor som står övergivna på flygplatser.
Tampering detection?
– Tampering detection larmar om någon flyttar kameran eller ställer något i vägen för att skymma den.
Du pratade mycket om edge-tekniken hos smarta kameror, vad är det?
– Det stämmer. Jag är en stor vän av edge. Dagens kameror är mycket mer kraftfulla än för bara två, tre år sedan. Det gör att vi kan använda AI redan i kameran och analysera innehållet där, istället för att skicka det till en server för analys. Det kallas edge, för att tekniken har flyttat ut från en centralt placerad server till enheterna längst ut i systemets ytterkant, ”the edge”.
Har du några exempel på edge-teknikens fördelar?
– En kamera kan själv avgöra när den har något intressant att rapportera. Den behöver inte skicka information hela tiden. Kameran kan även ställas in så att den enbart skickar lågupplösta bilder till servern, medan högupplösta bilder sparas i kamerans minneskort, tills man behöver dem. På så sätt minskar vi bandbredden och är mindre sårbara om nätet ligger nere.
Intervju med Niklas Rosell från Axis i en paus på Säkerhetsdagen, arrangerad av SafeTeam. Kamerateknik och smarta kameror stod på agendan.
Vad är viktigast för en lyckad kamerabevakning?
– Vi kan göra mycket med videoanalys, men vi måste fortfarande ha bra bilder. Det viktigaste är alltså det mest uppenbara: kamerorna måste vara placerade så att man faktiskt ser objektet. Alltså, ta bort saker som är i vägen, till exempel buskar. Tänk även på att kameror ska klara av olika ljusförhållanden, dag och natt, regn, snö, vind.
Mer om AI-kameror
För dig som vill veta mer om smarta kameror rekommenderar vi även att läsa om kameraövervakning med AI-kameror och videoanalys här. Och prenumerera här nedan på Kunskapsmagasinet för att få fler artiklar och kamerateknik och andra säkerhetslösningar.
