Buzz
E-salon
Web-TV
Maître Bensoussan
Actualités
Réglementation
Technologie
Forum
Ajouter des caméras pour couvrir un maximum de périmètre n’est plus un objectif en soi car on en connaît désormais certaines limites :
- une masse considérable d’information à afficher, traiter et à stocker, et les coûts associés,
- la difficulté à détecter en temps réels les incidents / anormalités dans des délais acceptables (attention déclinante des opérateurs face aux murs d’images, notamment la nuit, quand les caméras basculent en noir et blanc ou, a fortiori, en absence d’opérateurs),
- la complexité et les lenteurs des recherches des séquences vidéo postincidents,
- l’nsuffisance des données de suivi permettant d’améliorer les performances du système (en période de restrictions budgétaires on s’intéresse de plus en plus aux mesures d’efficacité des systèmes).
Afin de tenter d’améliorer les temps de détection, d’économiser des capacités de stockage, et d’améliorer les temps de recherche d’incidents, la “détection de mouvements” (VMD : Video Motion Detect) est apparue il y a une dizaine d’années. Sa dénomination est, en fait, trompeuse. On ne détecte pas un mouvement, mais un changement d’état de pixels contigu, avec une taille et une vitesse de variation des pixels paramétrables. Soit intégrée dans les caméras IP, soit dans la gestion Vidéo (Vms ou Nvr), la détection de mouvement est aujourd’hui très utilisée surtout pour économiser de l’espace de stockage en enregistrant sur détection au lieu d’enregistrer en continu.
Mais la détection de mouvement atteint très vite des limites :
- travaillant sur un plan en deux dimensions, elle ne sait pas analyser une profondeur de champs et distinguer un objet proche d’un objet éloigné,
- analysant uniquement les états de pixels, la VMD distingue difficilement un avant-plan d’un arrière-plan comprenant ciel, arbres, pluie, neige, vibrations, variations lumineuses, reflets…
- la VMD ne sait pas catégoriser et ne saura pas faire la différence entre un arbre, un reflet, un oiseau, un individu ou une voiture et générer des alarmes différenciées.
Au final, la VMD pourra être adaptée la plupart du temps aux caméras d’intérieur visualisant des zones simples avec peu de profondeur de champs et avec une luminosité constante. En environnements extérieurs complexes, larges champs de vision, soumis aux aléas de la météo (vent, pluie, neige..) et de la lumière (soleil, reflets), elle sera difficilement utilisable car générera trop d’intempestifs ( faux positifs).
L’analyse vidéo représente une opportunité pour améliorer sensiblement la performance d’un système vidéo, sur certaines caméras que l’on considérera comme “stratégiques” :
- améliorer la capacité de réaction en temps réel, en signalant des anormalités aux opérateurs,
- déclencher des contre-mesures ou des alarmes en absence d’opérateurs (la nuit, le week-end…),
- marquer les alarmes dans les enregistrements, permettant une relecture rapide des incidents,
- décupler les capacités et les vitesses de recherches a posteriori dans la vidéo grâce à l’exploitation des métadonnées générées par l’analyse vidéo.
Contrairement à la détection de mouvement l’analyse vidéo ne travaille pas sur des changements de pixels mais sur la détection de mouvements en avant-plan, avec une forme et une vitesse donnée. La profondeur de champs filmée est calibrée en trois dimensions ce qui permet au système de détecter une même forme à des distances différentes. L’arrière-plan et les mouvements répétitifs, source d’erreurs sont éliminés : mouvements de nuages, végétation, drapeaux, pluie, neige, reflets, ombres… Enfin le système d’analyse peut permettre de catégoriser le type d’objet détecté : animal, voiture, individu et de générer des alarmes et des actions différenciées selon la cible.
Toutes les informations collectées par l’analyse vidéo sont stockées sous forme de métadonnées en format texte et d’index liés à la vidéo, qui pourront être exploitées ultérieurement pour des recherches ou des statistiques. L’analyse vidéo existe dans certaines caméras IP nativement ou en téléchargement, mais sur des fonctions limitées (comptage, franchissement de périmètre) compte tenu de la puissance restreintes des CPU des caméras. Plus fréquemment, elle sera déployée sur un ou plusieurs serveurs spécialisés, en parallèle des serveurs de gestion vidéo existant et avec des liens d’intégration entre les deux. Enfin, elle peut exister complètement intégrée à certains systèmes de gestion Vidéo, ce qui facilitera le traitement des métadonnées, l’évolution et la maintenance du système global.
L’exemple ci-dessous, à gauche, représente un réglage de sensibilité de détection de mouvement. Quel que soit le réglage, il ne pourra pas détecter finement un piéton à 20 mètres, d’un pigeon à 50 cm ! Dans l’exemple en bas à droite, après calibration en trois dimensions du champ de vision de la caméra, le système pourra lancer des alarmes sur la détection de piétons sur une zone interdite et sur des véhicules qui tournent dans un sens interdit ou se garent sur des emplacements interdits.
Un déploiement d’analyse vidéo sera particulièrement performant quand on lui aura assigné des objectifs simples, mesurables et que l’on aura pu tester, souvent en labo, sur vidéo témoin, ou vidéo de stress test, la pertinence des résultats : bon taux de vrais positifs, faible taux de faux positifs (intempestifs...), faible taux de faux négatifs (anormalités réelles non détectées).
**Article qui s’adresse aux responsables sécurité ou aux responsables réseaux.
- une masse considérable d’information à afficher, traiter et à stocker, et les coûts associés,
- la difficulté à détecter en temps réels les incidents / anormalités dans des délais acceptables (attention déclinante des opérateurs face aux murs d’images, notamment la nuit, quand les caméras basculent en noir et blanc ou, a fortiori, en absence d’opérateurs),
- la complexité et les lenteurs des recherches des séquences vidéo postincidents,
- l’nsuffisance des données de suivi permettant d’améliorer les performances du système (en période de restrictions budgétaires on s’intéresse de plus en plus aux mesures d’efficacité des systèmes).
Afin de tenter d’améliorer les temps de détection, d’économiser des capacités de stockage, et d’améliorer les temps de recherche d’incidents, la “détection de mouvements” (VMD : Video Motion Detect) est apparue il y a une dizaine d’années. Sa dénomination est, en fait, trompeuse. On ne détecte pas un mouvement, mais un changement d’état de pixels contigu, avec une taille et une vitesse de variation des pixels paramétrables. Soit intégrée dans les caméras IP, soit dans la gestion Vidéo (Vms ou Nvr), la détection de mouvement est aujourd’hui très utilisée surtout pour économiser de l’espace de stockage en enregistrant sur détection au lieu d’enregistrer en continu.
Mais la détection de mouvement atteint très vite des limites :
- travaillant sur un plan en deux dimensions, elle ne sait pas analyser une profondeur de champs et distinguer un objet proche d’un objet éloigné,
- analysant uniquement les états de pixels, la VMD distingue difficilement un avant-plan d’un arrière-plan comprenant ciel, arbres, pluie, neige, vibrations, variations lumineuses, reflets…
- la VMD ne sait pas catégoriser et ne saura pas faire la différence entre un arbre, un reflet, un oiseau, un individu ou une voiture et générer des alarmes différenciées.
Au final, la VMD pourra être adaptée la plupart du temps aux caméras d’intérieur visualisant des zones simples avec peu de profondeur de champs et avec une luminosité constante. En environnements extérieurs complexes, larges champs de vision, soumis aux aléas de la météo (vent, pluie, neige..) et de la lumière (soleil, reflets), elle sera difficilement utilisable car générera trop d’intempestifs ( faux positifs).
L’analyse vidéo représente une opportunité pour améliorer sensiblement la performance d’un système vidéo, sur certaines caméras que l’on considérera comme “stratégiques” :
- améliorer la capacité de réaction en temps réel, en signalant des anormalités aux opérateurs,
- déclencher des contre-mesures ou des alarmes en absence d’opérateurs (la nuit, le week-end…),
- marquer les alarmes dans les enregistrements, permettant une relecture rapide des incidents,
- décupler les capacités et les vitesses de recherches a posteriori dans la vidéo grâce à l’exploitation des métadonnées générées par l’analyse vidéo.
Contrairement à la détection de mouvement l’analyse vidéo ne travaille pas sur des changements de pixels mais sur la détection de mouvements en avant-plan, avec une forme et une vitesse donnée. La profondeur de champs filmée est calibrée en trois dimensions ce qui permet au système de détecter une même forme à des distances différentes. L’arrière-plan et les mouvements répétitifs, source d’erreurs sont éliminés : mouvements de nuages, végétation, drapeaux, pluie, neige, reflets, ombres… Enfin le système d’analyse peut permettre de catégoriser le type d’objet détecté : animal, voiture, individu et de générer des alarmes et des actions différenciées selon la cible.
Toutes les informations collectées par l’analyse vidéo sont stockées sous forme de métadonnées en format texte et d’index liés à la vidéo, qui pourront être exploitées ultérieurement pour des recherches ou des statistiques. L’analyse vidéo existe dans certaines caméras IP nativement ou en téléchargement, mais sur des fonctions limitées (comptage, franchissement de périmètre) compte tenu de la puissance restreintes des CPU des caméras. Plus fréquemment, elle sera déployée sur un ou plusieurs serveurs spécialisés, en parallèle des serveurs de gestion vidéo existant et avec des liens d’intégration entre les deux. Enfin, elle peut exister complètement intégrée à certains systèmes de gestion Vidéo, ce qui facilitera le traitement des métadonnées, l’évolution et la maintenance du système global.
L’exemple ci-dessous, à gauche, représente un réglage de sensibilité de détection de mouvement. Quel que soit le réglage, il ne pourra pas détecter finement un piéton à 20 mètres, d’un pigeon à 50 cm ! Dans l’exemple en bas à droite, après calibration en trois dimensions du champ de vision de la caméra, le système pourra lancer des alarmes sur la détection de piétons sur une zone interdite et sur des véhicules qui tournent dans un sens interdit ou se garent sur des emplacements interdits.
Un déploiement d’analyse vidéo sera particulièrement performant quand on lui aura assigné des objectifs simples, mesurables et que l’on aura pu tester, souvent en labo, sur vidéo témoin, ou vidéo de stress test, la pertinence des résultats : bon taux de vrais positifs, faible taux de faux positifs (intempestifs...), faible taux de faux négatifs (anormalités réelles non détectées).
**Article qui s’adresse aux responsables sécurité ou aux responsables réseaux.
