VCA und KI in der Videoüberwachung

Beschäftigen wir uns heute mit den Produkten und Lösungen der Videoüberwachungstechnik, so scheint es, als wenn die Video Content Analyse (VCA) mittlerweile ein sehr einfaches Hilfsmittel zur Bewältigung des immensen Datenvolumens an Videoaufzeichnungen zur Verfügung stellt.

Nahezu jede Kamera und jedes Video Management System bietet heute eine vielfältige Möglichkeit an Funktionen der VCA. So sind heute die Klassifizierung von Objekten, das Erkennen von Gesichtern oder die Kennzeichenerkennung an Fahrzeugen laut den Datenblättern der einschlägigen Anbieter kein Problem mehr. Viele Hersteller gehen sogar einen Schritt weiter und offerieren mittlerweile auch Lösungen der künstlichen Intelligenz (KI), um Videoinhalte noch zielgerichteter und stark verhaltensorientiert auswerten zu können. Als wir noch die reine Bewegungsdetektion zur Verfügung hatten war der Einsatz dieser Technologie relativ unkompliziert: wir kannten die Grenzen dieser Technologie und konnten uns darauf einstellen. Wer aber schon einmal ein Videoüberwachungssystem mit einer VCA in Betrieb genommen hat, wird erkannt haben, dass der Einsatz von VCA sehr stark von unterschiedlichen Faktoren abhängig ist. Wir finden uns sehr schnell in einem Projektmodus wieder, benötigen plötzlich mehr Zeit und Budget, um einen sinnvollen Nutzen der VCA in unserem System zu erreichen.

Besser ist es also von Anfang an den Einsatz von VCA mit einem Projekt zu verbinden. Umso mehr gilt dieses beim geplanten Einsatz der Künstlichen Intelligenz, da hier Systeme und Netzwerke konzentriert auf ein fest definiertes Verhalten angelernt werden. Schauen wir uns nun als erstes ein VCA Projekt an. In der Regel unterteilen wir dieses in vier Phasen: der Definition, des Designs, der Konfiguration und der Inbetriebnahme. In der Definitionsphase wird das erarbeitet was erreicht werden soll. Dazu gehört, welche Situationen und Ereignisse in welcher Umgebung mit welcher Genauigkeit zu erfassen sind.

Regeln, Verknüpfungen, Abhängigkeiten

In der Phase des Designs erarbeiten wir zusammen mit dem Anbieter auf technischer Basis, mit welcher Technologie beziehungsweise mit welchen Funktionen der VCA die einzelnen Situationen erfasst werden können. Hierbei kommt es darauf an, dass wir uns nicht nur auf die VCA konzentrieren, sondern auch alternative Sensoren und die genauen Kameraplatzierungen mit einbeziehen. So erreichen wir schon in der Designphase, dass die umgebungsbedingten Einschränkungen der Detektion ausgeglichen werden können. Es macht auch Sinn, eine zweite Alarmierungsebene zu schaffen um Fehlalarme zu reduzieren. Letztendlich definieren wir nun die Regeln, Verknüpfungen und Abhängigkeiten der einzelnen Sensoren und Funktionen.

Die Phasen der Konfiguration und der Inbetriebnahme werden mehrfach durchlaufen. In der Konfiguration wird das Design technologisch umgesetzt, alle Systeme und Sensoren auf die Umgebung kalibriert und alle Regeln und Verknüpfungen editiert. In der Inbetriebnahme zeigt sich, ob die bisherigen Planungen und Umsetzungen zur geforderten Genauigkeit führen. Manchmal reicht es schon, dass beispielsweise durch den Jahreszeitenwechsel veränderter Pflanzenbewuchs oder ein Schneefall die Genauigkeit zunichtemachen. Dann ist es erforderlich zu vorherigen Projektphasen zurückzukehren – teilweise bis in die Definitionsphase.

Deep Learning

Beschäftigen wir uns nun mit der künstlichen Intelligenz, so ist wichtig zu verstehen, dass es darum geht, ein neurales Netzwerk mit tausenden von Videobeispielen so zu trainieren, dass am Ende ein spezifisches Verhalten korrekt identifiziert wird. Wir haben es also hier mit „Deep Learning“ zu tun. Dementsprechend erfordert solch ein Projekt eine wesentlich erweiterte Herangehensweise.Insgesamt sprechen wir von 8 Phasen. Neben der Definitions- und Designphase braucht es zusätzlich eine Entwicklung-, eine Datenerfassung- und Verarbeitungsphase sowie eine Trainingsphase, bevor es in die Konfiguration und Inbetriebnahme geht. In der Designphase geht es um die technologische Umsetzung, mit dem Unterschied das eine Auswahl neuraler Netzwerke getroffen wird, die dieses gewünschte Resultat tatsächlich erlernen kann. In der dritten, also der Entwicklungsphase definieren Softwareingenieure die notwendigen Applikationen aus einem Pool von bereits existierenden neuralen Netzwerken und KI-Werkzeugen.

Die Datenerfassungsphase dient dazu, zusammen mit dem Nutzer und unter Einbeziehung einer Vielfalt von Videobeispielen eine Bibliothek an Erkennungsmustern für das erforderliche Verhalten aufzubauen. Diese Bibliothek wird in der Datenverarbeitungsphase für den Einsatz in einem KI-System nutzbar gemacht. In der fünften Phase – dem Training – werden die verarbeiteten Daten und Bibliotheken genutzt um die Netzwerke anzulernen und so die automatisierte Erkennung zu erreichen. Die Konfigurations- und die Inbetriebnahmephase dient auch hier dazu  angelernte Erkennungsalgorithmen im realen System zu überprüfen und gegebenenfalls in eine tiefere Phase zurückzukehren, um Anpassungen vorzunehmen. Da dieser langwierige Prozess der Implementierung KI-orientierter Erkennung in einem System sehr kosten- und zeitaufwendig ist, konzentrieren sich viele Anbieter heute schon darauf, bereits vorgefertigte Szenarien anzubieten. Auch diese sind in ihrer Umsetzung nicht zu unterschätzen, denn sie erfordern ebenso die Rückkehr in vorherige Phasen, falls die Genauigkeit nicht erreicht wird.

Trotz des hohen zeitlichen und teilweise auch finanziellen Aufwandes beim Einsatz von VCA und KI bieten beide Technologien sehr viele Vorteile in der Automatisierung der Arbeitsabläufe sowie der Reduktion der Betriebskosten, wenn sie von Anfang an richtig vorbereitet, geplant und umgesetzt werden.