Camera’s die gezichten detecteren zijn niet nieuw, weet Geoffrey Smits, Marketing Coördinator bij Dahua Europe. “Het detecteren van een gezicht betekent niets meer dan dat de camera opmerkt dat er menselijke gezichten in beeld zijn. De camera kan deze gegevens opslaan en snapshots maken, maar verder gebeurt er niets met deze informatie. Het is dus het passief detecteren van gezichten.”
> Download ook de whitepaper Camera’s worden sneller beter – welke gevolgen heeft deep learning?
Geoffrey Smits
Camera’s combineren
De huidige tijd vraagt om meer dan alleen een passieve benadering, stelt Smits. “De aanleiding om camera’s op te hangen is vaak tweeledig: enerzijds is het doel criminaliteit te voorkomen en – als dat niet lukt – beelden vast te leggen waarmee daders kunnen worden opgespoord en veroordeeld.
Het komt steeds vaker voor dat camera’s worden gecombineerd met andere instrumenten. Zo zijn er camera’s met microfoons die geluid kunnen opnemen of real-time kunnen analyseren om bepaalde ‘incidenten’ te detecteren of zelfs te voorkomen.”
Deep learning-camera’s vergelijken gezicht met gezichten in de database
Dat laatste is bijvoorbeeld het geval wanneer de camera (of de server achter de camera) actief gezichten oppikt en vergelijkt met een bestaande database. “Afhankelijk van hoe zeker de camera (of server, red.) is van de gelijkenis, wordt er actief een naam aan een gezicht gekoppeld. Die naam staat dan ofwel op een white list ofwel op een black list in de database. Wanneer de camera’s gekoppeld zijn aan een systeem voor toegangscontrole kunnen de deuren automatisch open gaan voor iemand die op de white list staan”, aldus Smits. De camera’s kunnen overigens ook zo worden ingesteld dat er een alarm afgaat op het moment dat de camera een gezicht ziet dat niet in de white list staat. Smits: “In bijvoorbeeld een kantoorgebouw waar alleen werknemers naar binnen zouden moeten kunnen, kan dit een gewenste functionaliteit zijn.”
Wanneer het gekoppelde gezicht op de black list staat, gaat er een alarm af
Daarbij is het eveneens mogelijk om gezichtsherkenning te koppelen aan een centraal management systeem. “Door daarbij gebruik te maken van een digitale map, zoals Google Maps of een vooraf ingeladen map van een gebouw of een complex kunnen de pandbezoekers dan ‘live’ worden gevolgd. Op het moment dat je in het centrale systeem op een naam of gezicht zoekt, zal het systeem aan de hand van alle camera’s met gezichtsherkenning zoeken waar deze persoon op welk moment is geweest. Het systeem stippelt aan de hand hiervan een looproute uit, eventueel met ‘live’ beeld van de persoon op de white list erbij als hij op dat moment wordt opgepikt door een camera met gezichtsherkenning.”
De black list is het omgekeerde concept van de white list. Op het moment dat de camera een gezicht ziet dat in de black list is toegevoegd, gaat er onmiddellijk een alarm af. Zo’n alarm kan lokaal worden opgelost door een operator, maar kan ook direct worden doorgezet naar een alarmcentrale voor kritieke gebieden, vertelt Smits. “Ook dit systeem zou kunnen worden gecombineerd met een systeem voor toegangscontrole. In dat geval worden de deuren naar een bepaalde locatie automatisch geblokkeerd op het moment dat er een gezicht in de black list wordt uitgelezen.”
Op basis van gezichtskenmerken leren deep learning-camera’s steeds sneller gezichten herkennen
De toegangscontrole met gezichtsherkenning staat of valt met betrouwbaarheid van het camerasysteem, erkent Smits. Het is ook de reden dat er steeds nadrukkelijk wordt gekeken naar vernieuwende oplossingen, zoals deep learning camera’s. “Hierbij worden niet alleen de gezichten gekoppeld aan een bestaande database, de camera pikt ook bepaalde kenmerken van de persoon actief op. Denk hierbij aan de leeftijd, geslacht, gezichtsuitdrukking en of mensen een bril of snor hebben. Vervolgens leert de camera op basis van deze kenmerken zichzelf aan om steeds beter, sneller en accurater gezichten te herkennen”, zegt Smits. Hij ondersteunt het met een voorbeeld. “Bij evenementen waar een leeftijdsgrens van toepassing is, kan het uitlezen van leeftijden van pas komen. Hierbij worden camera’s opgehangen op de punten waar iedereen langs moet, zoals bij de toegangspoortjes. De camera’s lezen alle gezichten uit en geven een alarmsignaal af wanneer er een persoon onder de leeftijdsgrens toegang probeert te krijgen.”
Het deep learning-algoritme herkent ook emoties
Camera’s die emoties herkennen kunnen handig zijn op vliegvelden
Het deep learning-algoritme in de camera herkent niet alleen het geslacht en de leeftijd, maar zelfs ook emoties. “Dit kan een ideale functie zijn wanneer een operator actief meekijkt met de beelden. Denk bijvoorbeeld aan een bank, waar het toch redelijk opvallend is als er iemand boos rondloopt. Om een eventueel incident te voorkomen ontwikkelt Dahua nu een functie waarbij er een alarm afgaat op het moment dat de emotie ‘boos’ wordt gesignaleerd, zodat een operator deze persoon in de gaten kan houden en er eventueel een bewaker op af kan sturen”, legt Smits uit.
Een andere situatie waar deze functie handig kan zijn, zo stelt Smits, is bijvoorbeeld op een druk treinstation of een vliegveld. “Op het moment dat het systeem vele boze of verraste gezichten oppikt, is de kans groot dat er iets aan de hand is. Ook hier kan een operator dan makkelijk meekijken met de beelden om te zien of er iets aan de hand is en eventuele escalatie van een incident voorkomen. Hiermee doet de camera veel meer dan alleen gezichten herkennen, hij voorspelt ook gedrag en operators kunnen daarop preventief ingrijpen. Zo zijn zij de situatie altijd en stap voor.”
> Lees ook De snelle opmars van deep learning-camera’s
> Download ook de whitepaper Camera’s worden sneller beter – welke gevolgen heeft deep learning?
Dit artikel is tot stand gekomen in samenwerking met Dahua Europe
