En esta era de constante expansión en el sector de videovigilancia, la inteligencia artificial se convertirá en la base de la industria de la seguridad. Las tecnologías que “aprenden” se convertirán en más comunes y más poderosas. Esta tendencia fortalecerá los esfuerzos en los diferentes sectores de un país.

Debido al uso generalizado de monitoreo de alta definición, la cantidad de datos involucrados en vigilancia de seguridad ha aumentado dramáticamente en un tiempo corto. Recopilación, análisis y aplicación eficientes de datos y el uso inteligente de los mismos se están volviendo cada vez más importantes en este sector. Por lo tanto, la mejora de la inteligencia de video parece ser una meta inevitable para todo el sector.

En este sentido, el reconocimiento facial ya es un hecho en nuestro país: la analítica de Detección Facial analiza imágenes y determina la precisión o coincidencia con una cara humana. ¿Y cómo funciona? El sistema captura su posición, tamaño y expresión. La transmisión de video juzgará si hay un rostro humano. Si es así, la posición, tamaño y características principales serán registradas. La identificación se obtiene de esta información. Cuando se compara con rostros humanos grabados en una base de datos, se puede identificar al individuo en específico. La comparación facial es un proceso por el cual la información de datos estructurados opera después del modelado y analiza qué individuo coincide con esa cara humana.

La insuficiencia de los algoritmos inteligentes tradicionales

La videovigilancia inteligente tradicional tiene requisitos especialmente estrictos para los escenarios de una situación. La exactitud del reconocimiento y análisis inteligente en escenarios comparables sigue siendo inconstante. Esto se debe principalmente al hecho de que los algoritmos tradicionales de análisis de video inteligente todavía tienen muchos defectos.

En un proceso inteligente de reconocimiento y análisis, como el reconocimiento facial humano, se requieren dos pasos clave: En primer lugar, las características se extraen. Y en segundo lugar, se realiza “clasificación de aprendizaje”.

El grado de precisión en este primer paso determina directamente la precisión del algoritmo. De hecho, la mayor parte del cálculo del sistema y la carga de trabajo de las pruebas se consumen en esta parte. Las características de los algoritmos inteligentes tradicionales están diseñadas por humanos y siempre han sido muy subjetivas. Los rasgos más abstractos -los que los humanos tienen dificultad para comprender o describir- son inevitablemente perdidos. Con los ángulos de desplazamiento y la iluminación, y especialmente cuando el tamaño de la muestra es enorme, muchas características pueden ser demasiado difíciles de detectar. Por lo tanto, mientras que los algoritmos inteligentes tradicionales funcionan bien en entornos muy específicos, cambios sutiles (calidad de imagen, entorno, etc.) producen dificultades significativas a la precisión.

El segundo paso -la clasificación de aprendizaje- implica principalmente detección de objetivos y reconocimiento de atributos. A medida que aumenta el número de categorías disponibles para la clasificación, también aumenta el nivel de dificultad.  Por lo tanto, las tecnologías tradicionales de análisis inteligentes son muy precisas en el análisis de vehículos, pero no en el análisis humano y de objetos.  Por ejemplo, en la detección de vehículos se hace una distinción entre un vehículo y un no vehículo, por lo que la clasificación es simple y el nivel de dificultad es bajo. Para reconocer los atributos del vehículo se requiere el reconocimiento de diferentes diseños de vehículos, logotipos, etc. Sin embargo, hay relativamente pocos de ellos, haciendo que los resultados de la clasificación sean generalmente precisos. Por otro lado, si el reconocimiento debe realizarse en caras humanas, cada persona tiene una clasificación propia y las categorías correspondientes serán extremadamente numerosas, llevando naturalmente a un nivel muy alto de dificultad.