Las ventajas del análisis de video de barreras virtuales para sistemas perimetrales

La inteligencia artificial (IA) y el aprendizaje automático han transformado el panorama de seguridad perimetral mediante el uso de análisis de video para la detección de intrusiones. El análisis basado en movimiento altamente sensible, capaz de detectar el movimiento a escala microscópica a distancias impresionantes, ha visto una adopción generalizada en los sistemas perimetrales implementados en sitios de infraestructura crítica. Sin embargo, hoy en día, el análisis de video de barreras virtuales de FLIR está brindando beneficios aún mayores para los clientes, mejorando la precisión de la detección y la clasificación, la geolocalización de objetivos y la resiliencia contra falsas alarmas. Esta nota técnica analizará el valor estratégico del análisis de barreras virtuales en los sistemas perimetrales de detección de intrusiones (Perimetral Intrusion Detection Systems, PIDS), así como sus ventajas de rendimiento específicas en comparación con el análisis basado en movimiento.

Definición de análisis basado en movimiento

La ejecución de análisis de video con sistemas de vigilancia analógicos creó un cambio de paradigma en la industria de la seguridad a principios de la década de 2000. La detección de movimiento inicial basada en píxeles, que activaba alertas basadas en un porcentaje de píxeles que cambiaban en una pantalla dentro de bordes definidos, tenía la capacidad de ejecutar algoritmos de detección de movimiento utilizando hardware integrado. Esto permitía a los sistemas generar alertas de detección instantáneamente y operar en el borde, a la vez que evitaban problemas de ancho de banda o latencia.

Figura 1: Ejemplos de seres humanos detectados y clasificados por análisis de video

Estos análisis funcionaban con base en algoritmos que constaban de tres pasos: Iniciación del fondo, detección del primer plano y procesamiento del primer plano.

DESCARGAR EL DOCUMENTO TÉCNICO

El primero crea un marco de referencia al crear el fondo basándose en imágenes anteriores. El segundo comparaba el fotograma inmediato con el fotograma en segundo plano, concluyendo que toda diferencia entre los dos debía ser movimiento. Dentro del tercer paso, los píxeles identificados como píxeles en movimiento se filtran para eliminar causas no relevantes y se procesan para generar alarmas contra intrusiones. Si bien estos métodos basados en el movimiento pueden ser altamente sensibles al detectar amenazas, también tienden a requerir una calibración y configuración significativas para minimizar las falsas alarmas en entornos del mundo real. Incluso cuando se calibran correctamente, algunos entornos continúan generando falsas alarmas en el análisis basado en movimiento. El movimiento de ruido, por ejemplo, árboles sacudiéndose, la cámara temblorosa, sombras o reflejos, causa la mayoría de estas falsas alarmas. Otro problema tiene que ver con objetos que permanecen quietos durante un tiempo o parecen estar inmóviles cuando se mueven a lo largo del eje de una cámara a una distancia larga. Estos objetivos se absorben posteriormente en la imagen de fondo y se vuelven indetectables. Estas limitaciones con la tecnología de análisis basado en movimiento pueden ser costosas para el personal de seguridad y preparan el terreno para la próxima generación de análisis de video con el empleo de redes neuronales.

Definición del análisis de video de CNN

El análisis de video de barreras virtuales se basa en redes neuronales convolucionales (CNN). Esta técnica de análisis de video está diseñada para replicar sistemas neurobiológicos y es capaz de encontrar y clasificar objetos en una imagen.

Los sistemas convencionales dependen de la detección de movimiento para identificar dónde está un objeto potencial.
Todo objetivo en movimiento es procesado por un conjunto de filtros, que determinan si el objeto es una amenaza. Sin embargo, es imposible dar cuenta de cada situación en el mundo real, lo que significa que siempre es posible cierto nivel de falsas alarmas. El análisis de video de CNN utilizado por Virtual Barrier resuelve esto al permitir que el algoritmo determine automáticamente qué características y filtros son los más relevantes para encontrar e identificar un objeto deseado. La creación de dicho sistema comienza con el análisis manual de decenas de miles de imágenes para determinar la ubicación y clasificación de objetos de interés. Posteriormente, estas imágenes se utilizan para enseñar a la red neuronal mediante un proceso iterativo. A diferencia de otros sistemas impulsados por CNN, los análisis de barreras virtuales no utilizan imágenes de conjuntos de datos disponibles públicamente, que suelen ser empleados por otros sistemas. En cambio, solo utiliza conjuntos de datos de Teledyne FLIR, que se focalizan exclusivamente en la aplicación de seguridad. Esto no solo reduce aún más las falsas alarmas, sino que también garantiza la detección correcta de todas las amenazas potenciales.

Figura 2: Análisis de barreras virtuales clasificando a dos personas y determinando su ubicación y velocidad

Comparación de la barreras virtuales y el análisis basado en el movimiento

Es importante comprender las diferencias entre el análisis de barreras virtuales y el análisis basado en movimiento al elegir entre los dos modelos. Los análisis de barreras virtuales son fáciles de calibrar y proporcionan una detección sólida con falsas alarmas mínimas, y a la vez permiten también la detección de merodeo y la geolocalización de amenazas para su visualización en un mapa dinámico. Los análisis basados en movimiento tienden a ofrecer distancias de detección más largas que los análisis de barreras virtuales, pero son más susceptibles a falsas alarmas. El siguiente es un desglose de los distintos beneficios que el análisis de barreras virtuales puede agregar a su sistema de seguridad.

Clasificación sólida

Respaldado por una biblioteca de miles de imágenes que contienen aumentos importantes y variaciones en la presentación visual de objetos detectables, el análisis de barreras virtuales está capacitado para clasificar objetos en situaciones del mundo real en las que los objetivos pueden estar ligeramente ocultos o ser difíciles de identificar. La FLIR Serie FH ID, por ejemplo, detectó un 15 % más de amenazas que el análisis basado en movimiento en una muestra de 100 escenarios únicos.

Con respecto a la distancia de clasificación, el análisis basado en el movimiento y la barreras virtuales presentan ventajas y desventajas que vale la pena destacar. El análisis de barreras virtuales requiere más píxeles en el objetivo que el análisis basado en movimiento, por lo que el rango de clasificación es reducido en el caso del análisis de barreras virtuales. La distancia de clasificación para la FLIR Serie FH ID se reduce en aproximadamente un 20 % en comparación con la FLIR Serie FC ID.

Reducción de falsas alarmas

Figura 3: Análisis de barreras virtuales clasificando seres humanos y vehículos

Una de las principales ventajas del análisis de barreras virtuales es la reducción de falsas alarmas. Debido a que el análisis de barreras virtuales no utiliza el movimiento como disparador de la detección, es mucho menos propenso a emitir alarmas en respuesta a fuentes comunes de ruido como follaje oscilante, sacudidas de cámara en el viento y animales salvajes.

De hecho, se ha demostrado que estos análisis reducen las falsas alarmas en un 60 % en una muestra de 100 escenarios únicos, que incluyeron ruido relacionado con el clima extremo, animales que deambulan en la escena, sacudidas de la cámara, etc. Esta es una ventaja clave del análisis de barreras virtuales, ya que las falsas alarmas son uno de los problemas operativos más costosos que experimenta el personal de seguridad en la actualidad.

Geolocalización para el seguimiento de objetivos

Figura 4: El objetivo humano se mapea con precisión utilizando la función de geolocalización del análisis de barreras virtuales

El análisis de barreras virtuales de FLIR permite la geolocalización de objetivos en una escena. Esto significa que la posición, la velocidad y la dirección de cada objetivo se identifican mediante el análisis y se transmiten como metadatos para ser utilizados por un software de gestión de video (VMS) u otro software posterior. Los datos de geolocalización pueden visualizarse sin problemas en un mapa dinámico como se muestra en la Figura 4, para proporcionar a los operadores de seguridad una conciencia situacional de las amenazas cerca de sus instalaciones. Los datos de geolocalización proporcionados por el análisis también son efectivos para posicionar una cámara PTZ para ejecutar una evaluación más profunda de un objetivo.

Detecta objetos que merodean

A diferencia de los análisis basados en movimiento, los modelos de análisis de barreras virtuales admiten funcionalidades de detección de merodeo y pueden detectar y clasificar objetos en el fotograma, ya sea que se muevan o no. Debido a que los análisis basados en movimiento no pueden detectar objetivos a menos que se muevan, estos modelos ofrecen una ventaja única sobre los análisis basados en sustracción de fondo.

Diseñado para el futuro

Diseñado para la evolución continua, el análisis de barreras virtuales continuará mejorando, capaz de abordar las necesidades de detección de intrusiones de hoy y mañana para el personal de seguridad en infraestructura crítica. Teledyne FLIR se compromete a expandir las bibliotecas de imágenes para continuar mejorando la precisión de la clasificación, así como a agregar características al análisis para las actualizaciones de campo. Los directores de seguridad pueden sentirse seguros al implementar cámaras con el análisis de barreras virtuales FLIR integrado como solución para sus necesidades actuales y futuras.

Conclusiones clave

Los análisis de barreras virtuales están diseñados específicamente para mejorar la detección de amenazas, proporcionando mayor precisión y conocimiento crítico de la situación al rastrear y responder a los intrusos, minimizando a la vez las falsas alarmas. Diseñados para mejorar continuamente, estos análisis están diseñados para seguir el ritmo de las cambiantes tecnologías y amenazas perimetrales actuales. Comuníquese con su representante local de Teledyne FLIR hoy mismo para conocer cómo el análisis de barreras virtuales puede fortalecer su seguridad perimetral.