Seguritecnia 445

SEGURITECNIA Septiembre 2017 35 Seguridad Privada en Cataluña bastante limitado. Sin embargo, cam- bios recientes han abierto las puertas del deep learning a un vasto campo de apli- caciones para analítica de vídeo, inclu- yendo sistemas de reconocimiento facial y de audio, identificación y clasificación de objetos, búsqueda rápida de vídeo, si- nopsis de vídeo, etc. En la práctica, esto supone, por un lado, la posibilidad de ampliar significa- tivamente los criterios de búsqueda de imágenes de vídeo hasta límites insos- pechados, como identificar objetos con- cretos, detectar personas con una mo- chila o individuos que llevan una gorra. Por otro lado, implica también el perfec- cionamiento de los propios sistemas de análisis de vídeo que serán cada vez más precisos, más rápidos y generarán me- nos falsas alarmas. Más aún, el deep learning aplicado a sistemas de videovigilancia y detección de vídeo está llamado a resolver el viejo problema de la clasificación e identifica- ción de objetos. La mayoría de sistemas de análisis de vídeo son capaces de de- tectar objetivos a mayor o menor dis- tancia, con mayor o menor eficacia pero, ¿cuántos son capaces de diferenciar en- tre un coche grande y una furgoneta? ¿Y entre una moto y una bicicleta? Todo pa- rece indicar que los sistemas de detec- ción basados en deep learning pueden resolver mejor este tipo de problemas que los sistemas que usan una progra- mación basada en reglas. Muchos fabricantes de CCTV ya están investigando con esta tecnología. Como en casi todo, su rápida expansión ven- drá marcada por el interés del mercado, y parece que el mercado está muy inte- resado en este nuevo filón. En conclusión, las cámaras de video- vigilancia están mejorando, acercán- dose rápidamente a lo que hasta hace poco solo podíamos considerar cien- cia ficción. Tanto en calidad de imagen como en las tecnologías asociadas pa- rece claro que los sistemas de vídeo ba- sados en cámaras de CCTV van a en- contrar cada vez más aplicaciones al margen de la seguridad y van a jugar un papel clave en el futuro tecnológico de multitud de sectores. S detectar paquetes perdidos o dañados en la cadena de suministro. Asimismo, para mejorar la gestión del tráfico y saber qué itinerarios o carriles son los más utilizados, es una informa- ción útil para establecer vías alternati- vas y evitar atascos. También es impor- tante detectar vehículos estacionados en zonas no autorizadas, averiados o circu- lando en sentido contrario. En smart ci- ties , los sistemas de vídeo inteligente per- miten detectar flujos de gente, patrones de comportamiento, aglomeraciones y excesos de aforo. ‘Deep learning’ Los nuevos métodos de aprendizaje au- tomatizado o deep learning parecen es- tar llamados a revolucionar el sector de la analítica de vídeo inteligente. De un modo similar a las aplicaciones de big data que consiguen extraer información útil a partir del análisis de grandes volú- menes de información, los sistemas de analítica de vídeo basados en deep lear- ning son capaces de detectar de forma más precisa y eficaz gracias al análisis de gran cantidad de imágenes de vídeo utilizando algoritmos basados en siste- mas de aprendizaje neuronal ( neural net- works ) que imitan el funcionamiento del cerebro humano. Hasta hace poco, la tecnología de deep learning era demasiado compleja y difícil de desarrollar, por lo que su uso para aplicaciones de videovigilancia era con cámaras de seguridad estaba orien- tada a la detección de intrusiones, se- guimiento de objetivos y notificación de alarmas. Sin embargo, en los últimos años están empezando a aparecer nu- merosas tecnologías de vídeo inteli- gente cuya aplicación se extiende más allá de la seguridad, revelándose como útiles herramientas de inteligencia em- presarial y transformación digital aplica- bles a todo tipo de sectores, desde tien- das, fábricas e industrias hasta gestión de tráfico y smart cities . Las imágenes de vídeo captadas por las cámaras de seguridad se convierten así en una importante materia prima para crear sistemas de gestión inteli- gentes. La posibilidad de transformar la información de vídeo en datos ofrece una gran oportunidad para mejorar la productividad de las empresas, optimi- zar los recursos y, en definitiva, ser más eficientes. ¿Cuántas personas visitan un estable- cimiento cada día? ¿Cuáles son las ho- ras de mayor afluencia? ¿Dónde suele concentrarse la gente? Herramientas de analítica de vídeo como el conteo de personas o los mapas de calor pue- den ayudar a responder fácilmente es- tas cuestiones. Respuestas que no solo resultan útiles para tiendas y centros co- merciales. También pueden servir para detectar los pasillos más utilizados en un almacén, optimizar la ubicación de las mercancías en un centro logístico o El deep learning mejora la eficacia de los sistemas de analítica de vídeo y es capaz de identificar y clasificar objetos concretos con más precisión que los sistemas basados en reglas.