境界システム向けの仮想バリア映像解析の利点
人工知能（AI）と機械学習は、侵入検出のための映像解析の使用を通じて、境界セキュリティ環境を変革しました。感度の高い動作ベース解析の技術は、微細な動作を驚異的な範囲で検出することができ、重要インフラの現場に配備された境界システムで広く採用されています。しかし、今日では、FLIRの仮想バリア映像解析がさらに大きなメリットを顧客にもたらしています。検知精度の向上、分類の正確性、ターゲット位置特定の精度向上、さらには誤警報への耐性強化が実現しています。このテクニカルノートでは、境界侵入検出システム（PIDS）における仮想バリア解析の戦略的な価値と、動作ベース解析と比較した際の具体的な性能優位性について説明します。
動作ベース解析の定義
アナログベースの監視システムで映像解析を実行することによって、2000年代初頭に、セキュリティ業界にパラダイムシフトが生じました。初期のピクセルベースの動作検出は、定義された境界内の画面上で変化したピクセルの割合に基づいてアラートをトリガーし、オンボードのハードウェアを使用して、動作検出アルゴリズムを実行することができました。これによって、システムは検出アラートを瞬時に配信し、帯域幅またはレイテンシーの問題を回避しながら、エッジで動作できるようになりました。
図1：人間が映像解析によって検出され、分類される事例
これらの解析は、次の3つのステップで構成されるアルゴリズムで操作されます。バックグラウンド開始、フォアグラウンド検出、フォアグラウンド処理。
最初のステップでは、前の画像に基づいて背景を構築することで、基準フレームを作成します。2番目のステップでは、現在のフレームを背景化されたフレームと比較し、両者の間に差異がある場合、それを動作として判断しました。3番目のステップでは、動作中のフラグが付けられたピクセルがフィルタリングされ、関連性のない原因が除去・処理されて、侵入警報が生成されます。これらの動作検知に基づく手法は、脅威の検出において非常に高い感度を発揮する一方で、現実の環境で誤警報を最小限に抑えるためには、かなりの調整や設定が必要とされる傾向があります。適切に調整された場合でも、動作解析を使用する環境によっては依然として誤警報が発生することがあります。これらの誤警報の大半は、ノイズとなる動作、例えば揺れる木々、揺れるカメラ、影や反射によって引き起こされます。もう一つの問題として、しばらく静止している物体や、カメラの軸に沿って遠距離で移動している際に静止しているように見える物体が挙げられます。その後、これらのターゲットは、背景画像に吸収され、検出不能になります。動作ベース解析の技術によるこれらの制限は、セキュリティ担当者にとって負担がかかるだけでなく、ニューラルネットワークを使用した次世代の映像解析の舞台となる可能性があります。
CNN映像解析の定義
仮想バリア映像解析は、畳み込みニューラルネットワーク（CNN）を基盤としています。この映像解析の技術は、神経生物学的システムを複製するように設計されており、画像内で物体を見つけて分類することができます。
従来のシステムは、潜在的な物体がどこにあるかを特定するために、動作検出に依存しています。
移動するターゲットは、一連のフィルタによって処理され、物体が脅威であるかどうかを判定します。しかし、現実世界のあらゆる状況を完全に考慮することは不可能であり、一定の誤警報が発生する可能性は常に残っています。仮想バリアが使用するCNN映像解析では、アルゴリズムが自動的に最適な特徴やフィルタを選択し、目的のオブジェクトを発見して識別できるようにすることで、この問題に対処しています。このようなシステムの作成は、何万もの画像を手動で解析して、対象物体の位置と分類を判定することから始めます。これらの画像は、反復的なプロセスを通じてニューラルネットワークを学習させるために使用されます。他のCNN主導のシステムとは異なり、仮想バリア解析では、他のシステムで頻繁に使用されている公開のデータセットからの画像を使用しません。代わりに、セキュリティ用途に特化したTeledyne FLIR独自のデータセットのみを使用しています。これによって、誤警報をさらに低減するだけでなく、すべての潜在的な脅威の正確な検出も保証します。
図2：仮想バリア解析で2人の人物を分類し、その場所と速度を判定する
仮想バリア解析と動作ベース解析を比較
仮想バリア解析と動作ベース解析の違いを理解することは、両者のモデルを選択する際に重要です。仮想バリア解析は、簡単に調整できるうえ、誤警報を最小限に抑えながら高精度な検知を実現します。また、徘徊検知や脅威の位置情報を動的マップ上で可視化する機能にも対応しています。動作ベース解析は、仮想バリア解析よりも検出期間が長くなる傾向がありますが、誤警報の影響を受けやすくなります。以下は、仮想バリア解析が、セキュリティシステムに追加できる明確なメリットの内訳です。
堅牢な分類
膨大な数の画像ライブラリを基盤としており、これらの画像には検出可能な物体の視覚的な変化や拡張が含まれています。仮想バリア解析は、ターゲットがわずかに隠れていたり、識別が難しい現実世界の状況でも物体を分類できるよう訓練されています。例えば、FLIR FHシリーズIDは、100件のユニークなサンプルシナリオにおいて、動作ベース解析よりも15%多くの脅威を検出しました。
分類範囲に関しては、動作ベース解析と仮想バリア解析は、注目に値するトレードオフを提示します。仮想バリア解析は、動作ベース解析よりもターゲットに多くのピクセルを必要とするため、仮想バリア解析では分類範囲が縮小されます。FLIR FHシリーズIDの分類範囲は、FLIR FCシリーズIDと比較すると、約20%縮小されています。
誤警報の低減
図3：仮想バリア解析で人間と車両を分類
仮想バリア解析の最大の利点の1つは、誤警報の削減です。仮想バリア解析は、検出の入力として動作を使用しないため、揺れる木々、風によるカメラの揺れ、野生動物など、一般的なノイズ源による誤警報が大幅に少なくなります。
実際、これらの解析は、異常気象に関連する騒音、フレーム内に迷い込む動物、カメラの揺れなど、100件のユニークなサンプルシナリオにおいて、誤警報を60%削減することが示されています。これは、仮想バリア解析の主な利点です。なぜなら、誤警報は、セキュリティ担当者が現在経験している最もコストのかかる運用上の問題の一つだからです。
ターゲット追跡向けの地理的位置情報
図4：仮想バリア解析の地理的位置情報機能を使用して、人的ターゲットを正確にマッピングする
FLIRの仮想バリア解析は、現場で、ターゲットの地理的位置情報をサポートします。これは、各ターゲットの位置、速度、方向が解析によって識別され、ビデオ管理ソフトウェア（VMS）などの下流ソフトウェアで使用されるメタデータとしてストリーミングされることを意味します。図4に示すように、地理的位置情報データを動的マップでシームレスに視覚化できるため、セキュリティ事業者は、施設近くの脅威の状況を把握できます。解析によって提供される地理的位置情報データは、ターゲットのより詳細な評価のために、PTZカメラを配置する際にも効果的です。
徘徊する物体を検出
仮想バリア解析モデルは、動作ベース解析とは異なり、徘徊検出機能をサポートし、移動中かどうかにかかわらず、フレーム内の物体を検出して分類できます。動作ベースの解析では、移動しない限りターゲットを検出できないため、これらのモデルは、背景差分ベースの解析に比べて、独自の利点を提供します。
未来に向けた設計
継続的な進化を念頭に設計された仮想バリア解析は、今後も改善を続け、重要インフラのセキュリティ担当者が直面する現在および将来の侵入対策のニーズに対応し続けます。Teledyne FLIRは、分類精度をさらに向上させるための画像ライブラリの拡充に取り組むとともに、現場でのアップグレードに対応する解析機能の追加にも力を入れています。セキュリティ責任者は、現在および将来のニーズに応えるソリューションとして、FLIRの仮想バリア解析を搭載したカメラを安心して導入できます。
重要なポイント
仮想バリア解析は、脅威の検出を強化し、誤警報を最小限に抑えながら、侵入者を追跡して対応する際に、より高い精度と重要な状況認識を提供するという特別な目的に合わせて構築されています。これらの解析は、絶えず改善するように設計されており、進化する今日の境界技術と脅威に遅れないように構築されています。仮想バリア解析が境界セキュリティを強化する方法については、今すぐ現地のTeledyneのFLIR担当者にお問い合わせください。
