ビデオ監視のための人工知能

ビデオ監視用の人工知能は、ビデオ監視カメラからの音声と画像を分析して、人間、車両、物体、属性、イベントを認識するコンピュータソフトウェアプログラムを使用します。セキュリティ請負業者は、カメラの視野内の立ち入り禁止区域（フェンスで囲まれた区域、駐車場など、ただし駐車場外の歩道や公道は除く）を定義し、カメラ監視によって保護されている資産の時間帯（営業終了後など）をプログラムするようにソフトウェアをプログラムします。人工知能（「AI」）は、その時間帯にそのエリアに人が立ち入ってはならないという「ルール」に違反する侵入者を検出すると、警告を送信します。^[1]

AI プログラムは、マシン ビジョンを使用して機能します。マシン ビジョンは、フローチャートや一連の質問のように機能する一連のアルゴリズム、つまり数学的手順であり、観察されたオブジェクトを、さまざまな姿勢、角度、位置、動きをする人間の数十万の保存された参照画像と比較します。AI は、観察されたオブジェクトが参照画像のように動くかどうか、幅に対して高さがほぼ同じサイズかどうか、特徴的な 2 本の腕と 2 本の脚があるかどうか、同様の速度で動くかどうか、水平ではなく垂直かどうかを自問します。オブジェクトが反射する度合い、安定または振動する度合い、動きの滑らかさなど、他の多くの質問が可能です。さまざまな質問から得られた値をすべて組み合わせて全体的なランキングを導き出し、オブジェクトが人間である確率を AI に示します。値が設定された制限を超えると、アラートが送信されます。このようなプログラムの特徴は、ある程度自己学習し、たとえば、監視画像の特定の部分（カメラに近い領域）では人間や車両が他の部分（カメラから最も遠い領域）よりも大きく表示されることを学習することです。

特定の時間帯に特定のエリアから人間や車両を締め出すという単純なルールに加え、より複雑なルールも設定できます。システムのユーザーは、車両が一方向には通行していて、他の方向には通行していないかどうかを知りたい場合があります。また、特定のエリア内に設定された人数以上の人がいるかどうかも知りたい場合があります。AI は、数百台のカメラを同時に監視できます。遠くにいる侵入者や雨天時やまぶしい光の中で侵入者を見つける能力は、人間よりも優れています。

このタイプのセキュリティ用 AI は、人間のプログラマーが、ユーザーが警告を受けたいすべての事柄についてルールを設定する必要があることから、「ルールベース」と呼ばれます。これは、セキュリティ用 AI の最も一般的な形式です。今日の多くのビデオ監視カメラ システムには、このタイプの AI 機能が含まれています。プログラムを格納するハード ドライブは、カメラ自体に配置することも、カメラからの入力を受信する別のデバイスに配置することもできます。

セキュリティ用の新しい非ルールベースの AI 形式、「行動分析」が開発されました。このソフトウェアは完全に自己学習型で、ユーザーやセキュリティ業者による初期プログラミング入力は必要ありません。このタイプの分析では、AI は、サイズ、速度、反射率、色、グループ化、垂直または水平方向などのさまざまな特性のパターンを独自に観察し、人、車両、機械、環境の正常な動作を学習します。AI は視覚データを正規化します。つまり、観察したオブジェクトとパターンを分類してタグ付けし、観察したさまざまなオブジェクトの正常または平均的な動作の定義を継続的に洗練させます。この方法で数週間学習すると、パターンが崩れると認識できるようになります。このような異常が観察されると、アラートが送信されます。たとえば、車が道路を走行するのは正常です。歩道に乗り入れる車は異常です。フェンスで囲まれた庭が夜間は通常空いている場合、そのエリアに入ってくる人は異常です。

人間がビデオ監視ライブ映像を注意深く監視する能力には限界があるため、このタスクをより適切に実行できる人工知能が求められています。人間は、1台のビデオモニターを20分以上監視すると、重要なイベントを識別するのに十分な注意力を維持する能力が95％低下します。^[2]モニターが2台の場合、この能力はさらに半分になります。^[3]多くの施設に数十台、さらには数百台のカメラが設置されていることを考えると、このタスクが人間の能力を超えていることは明らかです。一般に、誰もいない廊下、倉庫、駐車場、または建物のカメラ映像は非常に退屈であるため、注意力がすぐに低下します。複数のカメラを監視する場合、通常は壁掛けモニターまたは分割画面ビューのモニターバンクを使用し、数秒ごとに1組のカメラから次のカメラ組に切り替わりますが、視覚的な退屈さはすぐに圧倒的になります。ビデオ監視カメラは、自動車販売店やショッピング プラザから学校や企業、原子力発電所などの厳重に警備された施設まで、幅広いユーザーに広く普及しましたが、後になって、人間の警官 (「オペレーター」とも呼ばれる) によるビデオ監視は非現実的で効果的でないことが認識されました。大規模なビデオ監視システムは、窃盗、放火、攻撃、または事件の後に、人物を特定するための法医学的使用の可能性を考慮して、単に録画するだけにとどまりました。特に広い屋外エリアで広角カメラ ビューが採用された場合、解像度が不十分なため、この目的でさえ厳しい制限があることがわかりました。^[4]これらの場合、侵入者や犯人の映像がモニター上で小さすぎるため、特定することは不可能です。^[要出典]

人間の警備員が監視モニターを長期間監視するという欠点に対する最初の解決策は、カメラにモーション検出器を追加することでした。侵入者または犯罪者の動きによって遠隔監視担当者に警告が送信され、人間が常に警戒する必要がなくなると推論されました。問題は、屋外環境では、画面に表示される画像全体を構成するピクセルの動きや変化が常に存在することです。風に吹かれる木の葉の動き、地面のゴミ、昆虫、鳥、犬、影、ヘッドライト、太陽光線などはすべて動きを構成します。これにより、1 日に数百、数千もの誤報が発生し、この解決策は屋内環境の非稼働時間以外では機能しなくなりました。

次の進化により、誤報がある程度減少しましたが、複雑で時間のかかる手動調整が必要になりました。ここでは、固定された背景に対する人物や車両などのターゲットの変化が検出されます。季節やその他の変化により背景が変化すると、信頼性は時間とともに低下します。誤報が多すぎると経済性が再び障害となり、このソリューションでは不十分であることが判明しました。

視覚認識の機械学習は、パターンとその分類に関連しています。^{[5] [6]}真のビデオ分析は、人間の形、車両、ボート、または選択されたオブジェクトを、他のすべてのオブジェクトの一般的な動きや視覚的な静止、またはモニター上のピクセルの変化から区別できます。これは、パターンを認識することによって行われます。関心のあるオブジェクト、たとえば人間が、たとえば、定義された時間間隔で事前に定義されたエリア内の人数が 0 を超えてはならないという事前設定されたルールに違反すると、アラートが送信されます。赤い四角形またはいわゆる「境界ボックス」は通常、検出された侵入者を自動的に追跡し、これを短いビデオクリップとして送信します。

ビデオ監視による侵入者の検出には、経済性とビデオカメラの性質に基づく制限があります。通常、屋外のカメラは広角ビューに設定され、遠くまで見渡せます。明るい場所と暗い場所を処理するためのフレームレート/秒とダイナミックレンジにより、カメラが実際に動いている人間の侵入者を十分に検出できるかどうかがさらに課題となります。夜間、明るい屋外エリアであっても、動いている被写体はフレーム/秒あたりに十分な光を集めないため、カメラにかなり近づかない限り、細い糸やほとんど識別できない幽霊、または完全に見えないように見えます。まぶしさ、部分的な遮蔽、雨、雪、霧、暗闇などの条件はすべて、問題をさらに複雑にします。これらの条件では、人間がモニターで被写体の実際の位置を見るように指示されても、被写体は通常検出されません。AI は、画像全体とすべてのカメラの画像を同時に公平に見ることができます。学習した人間の形状パターンからの逸脱度の統計モデルを使用することで、悪条件下でも高い信頼性と低い誤報率で侵入者を検知します。^[7]この学習は、さまざまな位置、角度、姿勢などの人間の約25万枚の画像に基づいています。

オンボードのビデオ分析機能を備えた 1 メガピクセルのカメラは、理想的でない状況でも、約 350 フィートの距離と約 30 度の視野角で人間を検出することができました。「仮想フェンス」または事前定義された領域への侵入に対してルールを設定できます。移動方向、置き去りにされた物体、群衆の形成、およびその他のいくつかの条件に対してルールを設定できます。ビデオ監視用の人工知能は、中国で広く使用されています。 「中国における大規模監視」を参照してください。

このシステムの最も強力な機能の 1 つは、AI からの警告を受け取った人間の警官またはオペレーターが、屋外の拡声器で侵入者を即座に叱責できることです。ほとんどの犯罪は機会主義的であり、侵入者が捕まるリスクは、生身の人間が話しかけると非常に顕著になるため、侵入を止めて退却する可能性が非常に高くなるため、これは高い抑止力となります。警備員は侵入者の行動を説明し、侵入者は本物の人間が監視していることに疑いの余地がないようにしました。警官は、侵入者が法律を破っており、警察に連絡が取られ、ビデオ録画されていることを発表しました。^[8]

警察は、防犯アラームから膨大な数の誤報を受けています。実際、セキュリティ業界の報告によると、そのようなアラームの 98% 以上が誤報です。したがって、警察は防犯アラームへの対応を非常に低い優先順位とし、現場への対応に 20 分から 2 時間かかることがあります。対照的に、ビデオ分析によって検出された犯罪は中央監視員に報告され、監視員は自分の目でそれが実際に進行中の犯罪であることを確認します。その後、監視員は警察に派遣され、警察はそのような通報を最優先します。

ルールベースのビデオ分析は、多くのセキュリティアプリケーションで経済的かつ確実に機能しましたが、機能しない状況も数多くあります。^{[9]夜間など、特定の時間帯に人が立ち入らない屋内または屋外のエリアや、}携帯電話基地局のように常に人が立ち入らないエリアでは、従来のルールベースの分析が最適になります。携帯電話基地局の例では、サービス技術者がまれにそのエリアにアクセスする必要がある場合、パスコードを使用して電話をかけるだけで、監視応答を「テスト中」にするか、許可された人がそこにいる短い時間だけ無効にすることができます。

しかし、何百、何千もの人が常にあらゆる場所にいるアクティブな環境では、セキュリティのニーズが数多くあります。たとえば、大学のキャンパス、稼働中の工場、病院、または稼働中の施設などです。正当な人物と犯罪者や不正行為者を区別するルールを設定することは不可能です。

行動分析を使用して、自己学習型の非ルールベースの AI がビデオ カメラからデータを取得し、観察したオブジェクトとイベントを継続的に分類します。たとえば、道路を横断する人物は 1 つの分類です。人々のグループも別の分類です。車両も 1 つの分類ですが、学習を続けると、公共バスは小型トラックと区別され、オートバイも区別されます。システムが高度化すると、人間の行動パターンが認識されます。たとえば、制御されたアクセス ドアを 1 人ずつ通過するのを観察する場合があります。ドアが開き、人物が近接カードまたはタグを提示し、人物が通過してドアが閉まります。繰り返し観察されるこのアクティビティ パターンは、そのシーンを観察するカメラのビューで正常な状態の基礎となります。ここで、許可された人物がドアを開けたが、2 人目の「テール ゲート」許可されていない人物がドアが閉まる前にドアをつかんで通過した場合、それはアラートを生成するような異常です。このタイプの分析は、ルールベースの分析よりもはるかに複雑です。ルールベースの分析は主に、決められた時間帯に人がいないエリアへの侵入者を検出するのに機能しますが、行動分析は人が活動している場所で異常な事態を検出するのに機能します。

屋外で火災が発生したり、煙が立ち上ったりするのは異常な出来事であり、警報を発令する原因となるでしょう。一方通行の私道に逆走する車両も、強い視覚的特徴を持つ典型的な出来事であり、車線内で正しい一方通行を走行する車両が繰り返し観察されるパターンから逸脱するでしょう。攻撃者が誰かを地面に投げ倒すのは、警報を発令する可能性が高い異常な出来事です。これは状況によって異なります。したがって、レスリングが行われる体育館をカメラが映した場合、AI は人間が別の人間を地面に投げ倒すのは普通のことだと学習し、その場合、この観察に対して警報を発令することはありません。

AI は、人間や火事、車両が何であるかを知ったり理解したりはしません。サイズ、形状、色、反射率、角度、向き、動きなどに基づいて、これらの物体の特性を見つけているだけです。そして、分類した物体に典型的な行動パターンがあることを見つけます。たとえば、人間は歩道を歩き、時には道路を歩きますが、建物の側面をよじ登ることはほとんどありません。車両は道路を走行しますが、歩道を走行することはありません。したがって、誰かが建物をよじ登ったり、車両が歩道に進路を変えたりする異常な行動は、アラートをトリガーします。

一般的な警報システムは、真陽性（実際の犯罪イベント）を見逃さず、誤報率をできるだけ低くするように設計されています。その点では、防犯アラームは真陽性をほとんど見逃しませんが、制御された屋内環境でも誤報率は非常に高くなります。動作検知カメラは真陽性をいくらか見逃しますが、屋外環境では誤報が圧倒的に多くなります。ルールベースの分析は、ほとんどの真陽性を確実に検出し、誤報率も低くなりますが、活動的な環境では機能せず、空の環境でのみ機能します。また、侵入者が存在するかどうかの単純な判別に限定されます。

喧嘩が勃発したり、従業員が安全手順を破ったりするなど、複雑または微妙な事態は、ルールベースの分析では検出または判別できません。行動分析では可能です。人が移動したり作業したりする場所では問題はありません。ただし、AI は異常に見えても本質的には無害な多くの事柄を見つける可能性があります。たとえば、キャンパスの学生が広場を歩いている場合、それは正常であると学習されます。数人の学生が屋外で大きなシートを持ち、風になびかせようとした場合、実際にアラートがトリガーされる可能性があります。監視員はモニターを見るように警告され、その出来事が脅威ではないことがわかり、無視します。アラートをトリガーする標準からの逸脱の程度は、最も異常なことだけが報告されるように設定できます。ただし、これは依然として、従来の警報業界の考え方に典型的ではない、人間と AI の相互作用の新しい方法となります。これは、多くの誤報が、現場をすばやく確認して対応が必要かどうかを判断できる人間の警官に送信する価値がある可能性があるためです。この意味では、人間に何かを見てもらうことは、AI からの「肩をたたく」ようなものです。

非常に多くの複雑なものが継続的に処理されるため、ソフトウェアは計算負荷を抑えるために1 CIFという非常に低い解像度までサンプリングします。1 CIF の解像度とは、使用するカメラが広角で、状況に応じて人間が 60 ～ 80 フィート以上離れている場合、人間サイズの物体は検出されないことを意味します。車両や煙などの大きな物体は、より遠くからでも検出できます。

セキュリティにおける人工知能の有用性は、真空中に存在するものではなく、その開発は純粋に学術的または科学的研究によって推進されたものではありません。むしろ、現実世界のニーズ、つまり経済的な力に向けられたものです。業務効率、陳列エリアの買い物客ヒートマップ（小売スペースの特定のエリアに何人の人がいるか）、クラスへの出席など、セキュリティ以外の用途への使用は、発展途上の用途です。^[10]人間は、複数の遠隔地で同時計算を必要とする非常に大きなデータセットで構成されるパターンをコンパイルして認識する能力が AI ほど高くありません。そのような認識は、本来人間に備わっているものではありません。そのようなマルチタスクは、人間の注意とパフォーマンスをぼやけさせることがわかっています。AI には、そのようなデータを処理する能力があります。セキュリティ目的でビデオカメラを操作する場合、AI は機能的に人間やそれに近い機械よりも優れた視力を持っています。対象者の微妙な行動や意図、脅威の程度を判断するには、現在の技術水準では人間の方がはるかに優れています。そのため、セキュリティにおける AI は、人間の能力を超えて広範囲にスキャンし、データを第一レベルの関連性の分類まで精査し、評価と対応の機能を引き継ぐ人間の警官に警告する機能を備えています。

実社会におけるセキュリティは経済的に決定されるため、予防的セキュリティの支出は通常、回避すべきリスクの想定コストを超えることはありません。研究によると、企業がセキュリティに費やす金額は通常、実際の損失にかかるコストの約25分の1にすぎません。^{[11] [ predatory publishing ]}純粋な経済理論によれば、等価性または恒常性であるはずのものが、それには大きく及ばないのです。これを説明する理論の1つは、認知的不協和、つまりリスクのような不快なものを意識から容易に排除できることです。それでも、セキュリティは大きな支出であり、セキュリティ専門家の間では、さまざまなセキュリティ手段のコスト比較が常に最優先事項となっています。

将来のセキュリティの脅威や損失が十分に評価されないもう 1 つの理由は、同時に発生するさまざまな結果的損失ではなく、潜在的な損失の直接的なコストのみが考慮されることが多いためです。たとえば、工場のカスタム生産機械や冷蔵トラクター トレーラーが破壊されると、交換に長い時間がかかり、その間は顧客にサービスを提供できず、ビジネスを失うことになります。暴力犯罪は、従業員を保護できなかった直接的な責任を超えて、雇用主に多大な社会的損害を与えます。

行動分析は、単純なセキュリティを超えた独自の機能を持ち、標準的なプロトコルパターンの違反を観察できるため、労災保険や公的責任事故につながる可能性のある従業員の危険な行為を効果的に見つけることができます。ここでも、将来の事故のコスト評価は現実に及ばないものです。Liberty Mutual Insurance Companyの調査によると、結果的損害の未保険コストには、一時的な代替労働者、代替者の雇用コスト、トレーニング コスト、管理者の報告書作成や裁判の時間、他の労働者の士気の低下、顧客や広報への影響などが含まれるため、雇用主のコストは直接保険コストの約 6 倍になることが示されています。^[12]行動分析の形で AI がこのような事故を積極的に阻止して防止する可能性は大きいです。

• アクティビティ認識
• 群衆分析
• 誘発する
• ビデオコンテンツ分析