Derin öğrenme teknolojisi ile insan algılama

Ülkemiz genelinde ve dünya çapında suç oranları artıkça video izleme sistemleri daha da önemli hale gelmektedir. Personel veya vardiya sayısını artırsanız da, kaçırılan önemli olaylar için yaptırımlar öngörseniz de video izleme sistemlerinde oluşan video veri yığınlarının video analiz modüllerinin yardımı olmadan tek başına verimli bir şekilde takip edilebilmesi zordur. Video analiz türlerinde güncel olan eğilimlerden biri ise derin öğrenme (deep-learning) teknolojilerinin adapte edilmeye başlamış olmasıdır.

Bilindiği üzere, derin öğrenme teknolojisi en özet haliyle makinelerin, yazılımların kendi kendine öğrenme ilkesine dayanır. Yapay zeka insan gibi düşünüp karar verebilen makine geliştirilmesi odaklı iken, makine öğrenmesi, derin öğrenme teknolojileri bunun alt dalları olarak görülebilir. Makine öğrenmesinde veri yığınlarından hareketle makine doğru ve yanlış tespiti yaparken, yanlış tespitleri arttığında düzeltme için bir programcının müdahalesi gerekir. Derin öğrenmede yanlış tespitlerin azaltılması işleminin yine makine, yazılım tarafından yapılmasına çalışılır.

Video izleme sistemlerinde video veri yığınlarının analiz edilmesi genel itibariyle makine öğrenmesi odaklıdır. Mevcut halde, makine öğrenmesine dayanan video analiz işlevlerinin genel beklentiyi karşıladığı ifade edilebilecektir. Ancak bu yöntemde insan faktörünün gerekliliğini korumaya devam ettiği aşikardır. Örneğin sınır ihlali analizi yaptığınız bir video izleme sisteminde tesisinize yönelik çizdiğiniz sanal sınırları ihlal eden objenin kedi, kuş, ağaç dalları mı yoksa gerçek bir birey mi olduğuna bir insan tarafından karar verilmesi gerekmektedir.

İnsan tarafından karar verilme faktörünün tamamen sıfırlanamayacağı, bunun stratejik olmayacağı açıktır ancak bu ihtiyacın azaltılabilmesi üstesinden kolayca gelinemeyecek veri yığınlarının analizinden etkili sonuçlar alınması, personel verimliliğinin artırılması, ticari, kurumsal ve bireysel kazanımlar sağlanması açından oldukça faydalı olacaktır. Bu yüzden derin öğrenme teknolojilerinin video izleme ve analiz sistemlerine adaptasyonu, obje ve insan farkını tespit ederek sınıflandırma yapabilen bir derin öğrenme analiz teknolojisi oldukça önemli bir ilerlemedir.

TRASSIR derin öğrenme teknolojisi ile video görüntülerinde belirlenen bir bölgede insan, araç ve bisiklet gibi objelerin tespiti ve sınıflandırılabilmesi, sanal sınırlar oluşturarak sınıflandırılan bu objelerin sayılması, yaptıkları sınır ihlallerine yönelik alarmlar alınabilmesi, bu objelerin hareketlerinin takip edilmesi, oluşan hareketlilik ve yoğunluğun ısı haritası şeklinde kamera görüntüsü veya haritalar üzerinde gösterilebilmesi imkanı bulunmaktadır.

Bu şekilde analiz yapabilen bir sistemin çok sayıda faydası olacaktır.

** Yangın riskine karşı izlenen bir alanda objelerin güvenliğinden daha ziyade insan hayatının korunması açısından insan varlığının tespit edilmesi

** Ziyaretçi giriş çıkışlarının takip edildiği yerlerde insan harici objelerin sayılmaması

** Raf veya kasa önlerindeki insan varlığı ve kuyruklarının düzgün bir şekilde tespit edilmesi

** Güvenlik sorununa neden olabilecek şüpheli davranışlara sahip insanların tespit edilmesi

** Kalabalık ve kargaşa ortamlarının önlenmesi için insan varlığının tespit edilmesi

** Engelli, yaşlı, çocuk vb. özel duruma sahip yayaların tespiti ve korunması

** Firmanızın, mağazanızın performansının hangi düzeyde olduğunun tespiti,

** Müşteri akışı yönetiminin iyileştirilmesi,

** Personel dağılımı ve görevlendirmelerinin uygunluğunun ölçülmesi,

** Müşteriye dönüşen ziyaretçi oranının tespiti,

** Satış, pazarlama süreçlerinin iyileştirilmesi,

** Müşteri memnuniyetinin artması vb.

** İnsan tespiti özelliği tesislerinizde içeri giren fakat çıkmayarak güvenlik riski doğuran kişilerin tespiti,

** Vardiya kontrolü yapılması,

** Belli sayıda kişinin girebileceği alanlara giren fazla kişilerin bulunması, dolayısıyla güvenlik ihlallerinin anlaşılması ve güvenlikle ilgili kişilerin zamanında ikaz edilmesi vb.

** İnsan, araç vb. sınıflandırmalarla sayısal ve istatiksel analizler yapılması, verimlilik ve güvenlik merkezli politikalar, stratejiler geliştirilmesi.

Bu örneklerin sayısını artırmak mümkündür.  

Araç, eşya, hayvan, insan ayrımı yapmadan tespit ettiği her objeye alarm veren bir video izleme sisteminden ziyade, bahse konu bu objeler arasında ayrım ve sınıflandırma yapabilen, doğru şekilde tespit oranı daha yüksek bir sistem bir çok avantajı beraberinde getirecektir. Sistem daha doğru sonuçlar üretecek, güvenlik personeliniz çok daha az sayıda yanlış alarma ve dikkat dağılmasına maruz kalacak, gerekli olursa sınıflandırılan objelerin hareketleri ve hareket güzergahları takip ve analiz edilebilecektir. Video analiz modülleri derin öğrenme teknoloji temelinde üretildiği takdirde kent ve kamu güvenliği, suç ve suçlularla mücadele, kamu düzeninin sağlanması gibi alanlarda da bir çok fayda elde edilebilecektir.

Video analiz sistemlerine yeni adapte edilmekte olan derin öğrenme teknolojisi güçlü konfigürasyona sahip makineler gerektirmektedir. Video izleme sistemlerini henüz yeni kuracak veya yenileyecek olanlar hariç bir çok kurum hali hazırda eski veya yeni kendi sistemlerine sahip durumdadır. Derin öğrenme teknolojisine dayanan bir video analiz desteğine geçiş için mevcut bu sistemlerin kullanılabilmesi yani bu sistemlerde yer alan kayıt cihazlarındaki veya kameralardaki görüntülerin alınarak kayıt yapma ihtiyacı duymadan harici olarak işlenebilmesi bir avantaj olacaktır.

PCC Elektronik olarak firmamızın distribütörlüğünü yaptığı Trassir derin öğrenme teknolojisine dayanan “Neuro  Detector”, “Neuro Tracker”, “Heatmap on the Map” gibi ürünleri ile bu alana yönelik çözümlerini kullanıcıların hizmetine sunmuş durumdadır. Bu analitiklerle;

** Video görüntülerinde belirlenen bir bölgede insan, araç ve bisiklet gibi objelerin tespiti ve sınıflandırılabilmesi,

** Sanal sınırlar oluşturarak sınıflandırılan bu objelerin sayılması,

** Sınır ihlallerine yönelik alarmlar alınabilmesi,

** Objelerin hareketlerinin takip edilmesi,

** Oluşan hareketlilik ve yoğunluğun ısı haritası şeklinde kamera görüntüsü veya haritalar üzerinde gösterilebilmesi imkanı bulunmaktadır.

Bahse konu ürünlerin öne çıkan avantajlarından biri de, yukarıda da değinildiği üzere, bu işlevlerin sağlanması için mevcut kurulu sistemlerin iptali veya değiştirilmesinin gerekmemesi, ilgili kayıt cihazlarından veya doğrudan kameralardan alınan görüntüler ile kayıt yapma ihtiyacı duymaksızın, harici olarak video analiz yapılabilmesidir. (offload analysis)  

Derin öğrenme teknolojisine geçişin avantajlarından biri de bu konuda yapılan yatırımların olumlu geri dönüşleri olacağı gerçeğidir. Daha verimli analizler sonucu oluşturulacak, üretilecek stratejilerin daha çok hedef odaklı ve doğru kitlelere yönelik olması imkanı daha yüksek olacaktır. Verimliliği, doğruluk oranı artmış bir analiz sistemi ile bizzat güvenlik personelinizin sıkça oluşan alarmlarla uğraşma şeklindeki olası sıkıntılarının önüne geçilecek, sistem beklentilere uygun nitelikte alarmlar üretebilecektir.

Trassir açısından diğer bir avantaj ise, bu teknolojiye geçişin umulan faydayı sağlayıp sağlamadığını görmek üzere deneyerek karar verebilme imkanıdır. Mevcut sisteminizde bir değişikliğe gitmeden harici bir sunucu makina üzerinde bu teknolojiyi deneyebilir, memnuniyet derecenize göre karar verebilirsiniz.