ما هي أنظمة تحليل الفيديو؟ الذكاء الاصطناعي، مجالات الاستخدام، ودليل الاختيار الفني

أنظمة تحليل الفيديو هي تقنيات مصممة للكشف التلقائي عن الأشخاص والمركبات والكائنات والأحداث المحددة من خلال تحليل الصور التي يتم الحصول عليها من كاميرات المراقبة الأمنية باستخدام خوارزميات برمجية. على عكس أنظمة الدوائر التلفزيونية المغلقة التقليدية، لا تقتصر حلول تحليل الفيديو على مجرد تسجيل الصور؛ بل تتيح تصنيف الأحداث التي تحدث في الصورة، وإنشاء تنبيهات بناءً على قواعد محددة، وإنتاج بيانات تشغيلية في التطبيقات المناسبة.

لقد أدت التطورات في تقنيات الذكاء الاصطناعي والتعلم الآلي والرؤية الحاسوبية إلى توسيع نطاق تطبيقات تحليل الفيديو. ومن أمثلة هذه التطبيقات تصنيف الأشخاص والمركبات، وانتهاك الحدود الافتراضية، والانتظار في منطقة مشبوهة، واكتشاف ترك أو إزالة الكائنات، وعد الأشخاص، والتعرف على لوحات الترخيص، واكتشاف معدات الحماية الشخصية (PPE).

في الوقت الحاضر، يمكن استخدام أنظمة تحليل الفيديو لأغراض مختلفة في حماية المصانع والمراكز اللوجستية والمطارات ومتاجر التجزئة ومراكز التسوق ومرافق الطاقة والبنى التحتية الحيوية.

ومع ذلك، فإن وجود ميزة الذكاء الاصطناعي أو تحليل الفيديو في كاميرا المراقبة لا يضمن الكشف الموثوق به في جميع الظروف. تعتمد دقة الخوارزمية على موضع الكاميرا وجودة الصورة ومسافة الهدف والظروف البيئية وتكوين النظام.

ما هو نظام تحليل الفيديو؟

نظام تحليل الفيديو هو حل برمجي وعتادي يقوم بتحليل لقطات الفيديو الحية أو المسجلة وفقًا لقواعد وخوارزميات محددة.

في المصطلحات الدولية، تُستخدم مفاهيم مثل تحليل الفيديو (Video Analytics) وتحليل محتوى الفيديو (Video Content Analysis - VCA) وتحليل الفيديو الذكي (Intelligent Video Analytics - IVA).

الغرض الأساسي من هذه الأنظمة هو التحديد التلقائي للأحداث أو الكائنات ذات المعنى داخل لقطات الفيديو.

على سبيل المثال، يمكن لكاميرا IP موضوعة حول مصنع تحليل دخول شخص إلى منطقة أمنية محددة. في النظام المناسب، يمكن إرسال تنبيه إلى مشغل الأمن، وعرض لقطات الكاميرا ذات الصلة، ووضع علامة على تسجيل الحدث.

وبالمثل، يمكن لحل تحليل الفيديو المستخدم في مركز تسوق عد الأشخاص الذين يمرون عبر مداخل محددة أو إنشاء بيانات حول كثافة الإشغال في مناطق معينة في ظل ظروف عرض مناسبة.

ومع ذلك، فإن المتطلبات الفنية لهذين التطبيقين ليست متطابقة.

قد يتطلب اكتشاف انتهاك المحيط، وعد الأشخاص، والتعرف على لوحات الترخيص، وتحليل السلوك خوارزميات ومعايير أداء مختلفة. لذلك، يجب أن يبدأ اختيار نظام تحليل الفيديو بالغرض من التحليل المراد إجراؤه.

كيف تعمل أنظمة تحليل الفيديو؟

في أنظمة تحليل الفيديو، تتضمن العملية الأساسية الحصول على الصور، وتحليلها، واكتشاف كائنات أو أحداث محددة، ونقل النتائج إلى البرنامج ذي الصلة.

قد تختلف الطريقة المطبقة اعتمادًا على الخوارزمية المستخدمة وبنية النظام.

1. الحصول على الصورة

في المرحلة الأولى، يتم الحصول على الفيديو من كاميرا IP أو مصدر صور آخر مناسب.

تؤثر دقة الصورة ومعدل الإطارات وخصائص العدسة وإعدادات التعرض وظروف الإضاءة على عمليات التحليل اللاحقة.

على سبيل المثال، قد يكون اكتشاف شخص يظهر صغيرًا على مسافة بعيدة أكثر صعوبة بالنسبة للخوارزمية من اكتشاف شخص يقع بالقرب من الكاميرا.

2. معالجة الصور

يقوم برنامج تحليل الفيديو بإجراء عمليات محددة على الصورة.

اعتمادًا على الطريقة المستخدمة، يمكن تحليل الحركة أو حدود الكائنات أو خصائص الألوان أو العمق أو غيرها من المعلومات المرئية في الصورة.

في الأنظمة الحديثة القائمة على الذكاء الاصطناعي، يمكن إجراء هذه العمليات من خلال نماذج تستخدم أنماطًا مستفادة من بيانات التدريب.

3. اكتشاف الكائنات وتصنيفها

تحاول الخوارزميات المناسبة تحديد ما إذا كان هناك إنسان أو سيارة أو دراجة نارية أو أي كائن آخر موجود في الصورة.

يتيح اكتشاف الكائنات تحديد موقع كائن معين داخل الصورة.

يهدف تصنيف الكائنات إلى تحديد الفئة التي ينتمي إليها هذا الكائن.

ومع ذلك، فإن تصنيف شخص كإنسان لا يعني أنه تم تحديد هوية هذا الشخص.

التعرف على الوجه وتحديد الهوية هما تطبيقان قد ينطويان على متطلبات فنية وقانونية منفصلة.

4. تتبع الكائنات

يمكن لبعض الأنظمة تتبع حركات الكائنات المكتشفة داخل الصورة لفترة معينة.

تعتمد هذه العملية على ربط موقع الكائن عبر إطارات الفيديو المتتالية.

بفضل تتبع الكائنات، يمكن إنتاج معلومات مثل الدخول إلى مناطق معينة أو الخروج منها أو مدة البقاء فيها.

ومع ذلك، فإن تتبع الكائنات في الصورة لا يعني تلقائيًا مطابقة الشخص أو المركبة في الكاميرات المختلفة بنفس الهوية.

5. تحليل القواعد والأحداث

تتم مقارنة الكائنات المكتشفة بقواعد الأمان أو التشغيل المحددة.

على سبيل المثال:

• تجاوز الخط المحدد.

• الدخول إلى منطقة محظورة.

• البقاء في منطقة لفترة أطول من المدة المحددة.

• اكتشاف فئة كائن معينة.

• التحرك في اتجاه محدد.

يمكن تحليل هذه الشروط.

6. التنبيه والإبلاغ

عند وقوع حدث محدد، يمكن للنظام إنشاء تنبيه أو بيانات وصفية وفقًا للتكاملات المدعومة.

يمكن نقل هذه المعلومات إلى برنامج إدارة الفيديو أو مركز مراقبة الأمن أو أنظمة أخرى مناسبة.

ومع ذلك، فإن اكتشاف الحدث وإيصال التنبيه ذي الصلة إلى المشغل هما عمليتان مختلفتان. تؤثر اتصالات الشبكة والتكامل وعمليات إدارة الأحداث أيضًا على نجاح النظام.

التقنيات المستخدمة في أنظمة تحليل الفيديو

لا تتكون تقنيات تحليل الفيديو فقط من حلول قائمة على الذكاء الاصطناعي.

تستمر طرق معالجة الصور التي تم تطويرها عبر أجيال مختلفة في الاستخدام في تطبيقات متنوعة اليوم.

اكتشاف الحركة التقليدي

تعتمد طرق اكتشاف الحركة بالفيديو التقليدية على تقييم تغييرات محددة في الصورة.

يمكن استخدام هذه الطرق للكشف البسيط عن الحركة.

ومع ذلك، فإن الأشجار التي تتحرك بسبب الرياح، والظلال، والمطر، والثلج، أو تغيرات الإضاءة يمكن أن تسبب تنبيهات غير مرغوب فيها.

لا يشير اكتشاف الحركة بشكل مباشر إلى أن هذه الحركة قد تم إنشاؤها بواسطة إنسان أو مركبة.

تحليل الفيديو القائم على القواعد

تقوم التحليلات القائمة على القواعد بتقييم خصائص الحركة والكائنات في الصورة مقابل شروط محددة مسبقًا.

يمكن تنفيذ تطبيقات مثل انتهاك الخط الافتراضي، والحركة في منطقة معينة، وترك أو إزالة الكائنات باستخدام طرق مختلفة.

لا يتعين على هذه الأنظمة دائمًا استخدام نماذج التعلم العميق الحديثة.

تحليل الفيديو المدعوم بالذكاء الاصطناعي

يمكن للأنظمة المدعومة بالذكاء الاصطناعي تصنيف الكائنات أو الأحداث من خلال أنماط مستفادة من بيانات التدريب.

في النماذج المناسبة:

• تصنيف الأشخاص والمركبات.

• التعرف على كائنات محددة.

• اكتشاف معدات الحماية الشخصية.

• تحليل حركات المركبات والمشاة.

• اكتشاف سلوكيات أو حالات معينة.

يمكن تحقيق ذلك.

يمكن أن توفر النماذج القائمة على التعلم العميق تصنيفًا أكثر تفصيلاً للكائنات في بعض التطبيقات مقارنة بتحليل الحركة التقليدي.

ومع ذلك، قد لا يُظهر نموذج الذكاء الاصطناعي المستخدم الأداء المتوقع في الظروف البيئية أو أنواع الكائنات التي لا يتم تمثيلها بشكل كافٍ في بيانات التدريب.

ما هي التحليلات التي يمكن أن تقوم بها أنظمة تحليل الفيديو؟

اكتشاف الأشخاص والمركبات

يعد اكتشاف الأشخاص والمركبات أحد مجالات الاستخدام الشائعة لأنظمة تحليل الفيديو.

يحاول النظام تصنيف كائنات محددة داخل الصورة كإنسان أو سيارة أو فئات أخرى مدعومة.

يمكن أن تساعد هذه الميزة في تصفية الأحداث الأمنية وإنشاء تنبيهات بناءً على فئات الكائنات ذات الصلة.

ومع ذلك، يتأثر أداء تصنيف الكائنات بزاوية الكاميرا وحجم الهدف والتغطية وجودة الصورة.

انتهاك الحدود والخطوط الافتراضية

تحليل الحدود الافتراضية هو تقنية تهدف إلى اكتشاف تجاوز خط أو حدود محددة على الصورة.

يمكن تقييمها بشكل خاص في محيط المنشآت ونقاط الدخول ومناطق العبور المتحكم بها.

لكي يعمل النظام بشكل صحيح، يجب تحديد موضع خط الكشف واتجاه الحركة وفئة الكائن المستهدف بشكل مناسب.

اكتشاف الدخول إلى منطقة محظورة

في هذا النوع من التحليل، يتم إنشاء منطقة اكتشاف على الصورة.

في حالة دخول فئة كائن محددة إلى هذه المنطقة، يمكن تشغيل تنبيه في الأنظمة المناسبة.

يمكن إعطاء أمثلة على ذلك في المصانع لمناطق فنية معينة أو في المرافق اللوجستية للمناطق المتحكم بها.

ومع ذلك، فإن تنبيه تحليل الفيديو لا يحل محل نظام التحكم في الوصول المادي أو الحواجز الأمنية الضرورية.

تحليل الانتظار في منطقة (Loitering)

يهدف التحليل المسمى "اكتشاف الانتظار" (Loitering Detection) إلى تحديد متى يبقى كائن معين في منطقة محددة لفترة أطول من المدة المحددة.

يمكن تقييم هذه الميزة في تطبيقات أمنية معينة.

ومع ذلك، فإن البقاء في منطقة لفترة طويلة لا يشير بحد ذاته إلى أن الشخص يظهر سلوكًا مشبوهًا أو إجراميًا.

يجب تكوين سيناريو التنبيه وفقًا للغرض من استخدام المنطقة وإجراءات الأمن.

ترك وإزالة الكائنات

يمكن لبعض حلول تحليل الفيديو اكتشاف متى يتم ترك كائن معين في الصورة أو إزالته من مكانه السابق.

يمكن استخدام هذه التطبيقات في سيناريوهات أمنية وتشغيلية محددة.

ومع ذلك، يمكن أن يؤثر حجم الكائن، وتغير الخلفية، وتغطية الصورة، أو حركة الحشود على أداء الاكتشاف.

عد الأشخاص وتحليلات الزوار

يمكن استخدام أنظمة تحليل الفيديو لأغراض عد الأشخاص مع البنية التحتية المناسبة للكاميرا والبرامج.

يمكن تقييم هذه التطبيقات بشكل خاص في تحليل حركات الزوار في المتاجر ومراكز التسوق والمتاحف والمرافق التجارية.

وفقًا للميزات المدعومة:

• أعداد الدخول والخروج.

• عدد الأشخاص في مناطق محددة.

• الكثافة الإقليمية.

• اتجاهات الحركة.

• حركة الزوار خلال فترات زمنية محددة.

يمكن الإبلاغ عنها.

ومع ذلك، فإن قدرة كاميرا المراقبة القياسية على اكتشاف البشر لا تعني أنها تستطيع إجراء عد للأشخاص بدقة عالية.

يمكن أن تؤثر الممرات المزدحمة، وتغطية الأشخاص لبعضهم البعض، ومنظور الكاميرا على أداء العد.

للمقارنة التفصيلية لتقنيات عد الأشخاص، يمكن مراجعة مقال GüvenlikOnline بعنوان ما هو عداد العملاء في المتاجر؟ دليل عد الأشخاص ثلاثي الأبعاد.

أنظمة التعرف على لوحات الترخيص

يهدف التعرف على لوحات الترخيص إلى تحديد منطقة لوحة الترخيص من صورة المركبة والحصول على معلومات لوحة الترخيص باستخدام خوارزميات التعرف على الأحرف المناسبة.

يمكن تقييم هذه الأنظمة في مواقف السيارات، والتحكم في مرور المركبات، وتطبيقات النقل المحددة.

ومع ذلك، يتأثر أداء التعرف على لوحات الترخيص بسرعة المركبة، وزاوية الكاميرا، ودقة الصورة، وظروف الإضاءة، وتنسيقات لوحات الترخيص الإقليمية.

في المشاريع في تركيا، يجب أيضًا التحقق من أن النظام المستخدم يدعم لوحات الترخيص التركية.

تحليل معدات الحماية الشخصية

تقدم بعض أنظمة تحليل الفيديو ميزات لتقييم ما إذا كان الموظفون يستخدمون معدات حماية شخصية معينة من الصورة.

على سبيل المثال، يمكن اكتشاف الخوذات أو السترات العاكسة في النماذج المناسبة.

ومع ذلك، لا تتحقق هذه الأنظمة تلقائيًا من جميع أنواع معدات الحماية الشخصية أو استخدامها الصحيح.

لا ينبغي استخدام تحليلات السلامة المهنية القائمة على الفيديو كبديل لإجراءات السلامة المهنية ذات الصلة، أو الضمانات المادية، أو أنظمة السلامة المعتمدة الضرورية.

اكتشاف اللهب والدخان القائم على الفيديو

يمكن لبعض أنظمة تحليل الفيديو المتخصصة تقييم علامات اللهب أو الدخان من خلال الصورة.

ومع ذلك، فإن اكتشاف الحرائق بالفيديو له متطلبات فنية ومتطلبات امتثال مختلفة عن اكتشاف الحركة التقليدي في الدوائر التلفزيونية المغلقة.

إن قدرة الكاميرا على اكتشاف كائن يشبه اللهب في الصورة لا تعني أنه يمكن استخدام الجهاز ككاشف معتمد في نظام سلامة الحرائق.

يجب تقييم هذه التطبيقات بشكل منفصل وفقًا لمعايير ولوائح سلامة الحرائق ذات الصلة.

مقارنة فنية لأنواع تحليل الفيديو

يوضح الجدول الوظائف العامة للتقنيات. يعتمد الأداء الفني لكل تحليل على المنتج والخوارزمية وظروف الموقع الفعلية المستخدمة.

أنظمة تحليل الفيديو القائمة على الذكاء الاصطناعي على الحافة، والخادم، والسحابة

يمكن نشر حلول تحليل الفيديو في بنيات مختلفة بناءً على مكان معالجة الصور.

الذكاء الاصطناعي على الحافة (Edge AI): تحليل الفيديو على الكاميرا

يشير الذكاء الاصطناعي على الحافة إلى التحليل الذي يتم إجراؤه مباشرة على كاميرا IP أو جهاز طرفي مناسب.

يمكن للمعالج أو مسرع الذكاء الاصطناعي الموجود على الكاميرا تحليل الصور وإنشاء معلومات حول كائنات وأحداث محددة.

يمكن لهذا النهج في بعض المشاريع:

• تقليل حمل معالجة الخادم المركزي.

• تمكين إجراء العمليات التحليلية محليًا.

• السماح بنقل بيانات وصفية محددة بدلاً من الصور الخام.

• دعم بعض الوظائف المحلية المستقلة عن اتصال الشبكة.

ومع ذلك، فإن قدرة المعالجة على الكاميرا، وعدد التحليلات المدعومة، وتراخيص البرامج يمكن أن تكون محدودة.

تحليل الفيديو القائم على الخادم

في الأنظمة القائمة على الخادم، يتم نقل الصور عبر الشبكة المناسبة إلى أجهزة التحليل المركزية.

يمكن أن يوفر هذا النهج مزايا في تحليل البنية التحتية الحالية للكاميرات باستخدام برامج محددة.

يمكن تقييمه بشكل خاص في المشاريع التي تُستخدم فيها علامات تجارية مختلفة للكاميرات معًا.

ومع ذلك، يجب حساب سعة وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسوميات (GPU) والذاكرة والشبكة والتخزين للخادم.

إن دعم برنامج لعدد معين من الكاميرات لا يعني أنه سيوفر نفس الأداء بدقات وأحمال تحليلية مختلفة.

تحليل الفيديو القائم على السحابة

في الأنظمة القائمة على السحابة، يمكن إجراء عملية التحليل بأكملها أو جزء معين منها على خوادم بعيدة.

يمكن تقييم هذا النهج بشكل خاص للتقارير المركزية أو خدمات التحليل المتقدمة المناسبة.

ومع ذلك، يجب فحص نقل الصور أو البيانات الشخصية إلى البنى التحتية البعيدة بشكل منفصل من حيث الاتصال وحماية البيانات والتكلفة والتأخير.

مقارنة بين الحافة والخادم والسحابة

في بعض المشاريع، يمكن استخدام بنية هجينة. على سبيل المثال، يمكن إجراء اكتشاف الأحداث على الكاميرا، بينما يمكن إجراء التقارير أو التحليل المتقدم على خادم مركزي.

يجب تحديد البنية الأكثر ملاءمة بناءً على متطلبات الوظائف التحليلية والتكلفة الإجمالية للنظام.

ما هو ONVIF Profile M في أنظمة تحليل الفيديو؟

يعد قابلية التشغيل البيني للكاميرات والبرامج من مختلف الشركات المصنعة مطلبًا مهمًا في مشاريع تحليل الفيديو.

ONVIF هي منظمة توحد واجهات الاتصال والتحكم المحددة بين أجهزة الأمن القائمة على بروتوكول الإنترنت (IP).

ONVIF Profile T

يُستخدم Profile T لتدفق الفيديو المتقدم عبر بروتوكول الإنترنت (IP) ووظائف الكاميرا ذات الصلة.

يمكن تقييم نقل الفيديو H.264/H.265، وإعدادات العرض، ووظائف الأحداث المدعومة ضمن هذا الملف الشخصي.

ONVIF Profile M

تم تطوير ONVIF Profile M لاستخدام البيانات الوصفية لتحليل الفيديو ومعلومات الأحداث بين الأنظمة المتوافقة.

وفقًا للتعريف الرسمي لـ ONVIF، يرتبط Profile M بالوظائف التالية:

• تكوين ونقل البيانات الوصفية التحليلية.

• معلومات تصنيف الكائنات.

• أحداث عد الكائنات.

• أحداث تحليل لوحات الترخيص والوجه في الأنظمة المدعومة.

• نقل الأحداث التحليلية إلى أنظمة أخرى.

• نقل الأحداث عبر MQTT في المنتجات المتوافقة.

ومع ذلك، فإن توافق ONVIF Profile M لا يضمن نقل جميع ميزات تحليل الفيديو للجهاز عبر المعيار.

يتم تعريف بعض الميزات المرتبطة بالملف الشخصي بشكل مشروط. يجب التحقق من النطاق الكامل لدعم الكاميرا ونظام إدارة الفيديو (VMS).

على سبيل المثال، الحصول على لقطات الفيديو عبر ONVIF ونقل معلومات عد الأشخاص التي أنشأتها الكاميرا إلى نظام إدارة الفيديو (VMS) هما متطلبات تكامل مختلفة.

للحصول على معلومات مفصلة حول هذا الموضوع، يمكن مراجعة مقال GüvenlikOnline بعنوان ما هو ONVIF؟ دليل كاميرات IP، مسجلات الفيديو الشبكية (NVR)، وملفات تعريف ONVIF.

كيف تُقاس الدقة في أنظمة تحليل الفيديو؟

عند تقييم أنظمة تحليل الفيديو، لا يكفي النظر فقط إلى معدل الدقة الذي أعلنه المصنع.

في ظروف الاستخدام الحقيقية، يجب قياس ما إذا كان النظام يكتشف الأحداث الصحيحة وعدد التنبيهات الخاطئة التي يولدها بشكل منفصل.

إيجابي حقيقي (True Positive - TP): إيجابي صحيح

حدث وقع بالفعل وتم اكتشافه بشكل صحيح بواسطة النظام.

إيجابي خاطئ (False Positive - FP): إيجابي غير صحيح

قيام النظام بإنشاء تنبيه على الرغم من أن الحدث المستهدف لم يحدث بالفعل.

على سبيل المثال، تصنيف كائن يتحرك في الرياح كإنسان يمكن أن يكون إيجابيًا خاطئًا.

سلبي خاطئ (False Negative - FN): سلبي غير صحيح

حدث وقع بالفعل ولكن لم يتم اكتشافه بواسطة النظام.

على سبيل المثال، عدم اكتشاف شخص يدخل منطقة أمنية محددة هو حدث مفقود.

ما هي الدقة (Precision) والاستدعاء (Recall)؟

قيم الدقة (Precision) والاستدعاء (Recall) هما مقياسان مهمان في تقييمات تحليل الفيديو.

الدقة (Precision):

الدقة = TP / (TP + FP)

تشير هذه القيمة إلى مدى صحة الأحداث التي أبلغ عنها النظام على أنها إيجابية.

الاستدعاء (Recall):

الاستدعاء = TP / (TP + FN)

تشير هذه القيمة إلى عدد الأحداث المستهدفة الفعلية التي اكتشفها النظام.

على سبيل المثال، قد يكتشف نظام تحليل الفيديو العديد من الأحداث الحقيقية ولكنه يولد أيضًا عددًا كبيرًا من التنبيهات الخاطئة. في هذه الحالة، حتى لو كان الاستدعاء مرتفعًا، فقد تكون دقة التنبيه منخفضة.

كيف ينبغي تقييم معدل التنبيهات الخاطئة؟

في المشاريع الأمنية، بدلاً من قيم الدقة القائمة على النسبة المئوية فقط، يجب أيضًا تقييم عدد التنبيهات الخاطئة التي تحدث خلال فترات تشغيل محددة.

على سبيل المثال، يمكن أن يساعد عدد التنبيهات الخاطئة يوميًا أو لكل كاميرا خلال فترة تشغيل محددة في فهم الحمل التشغيلي.

ومع ذلك، عند مقارنة قيم التنبيهات الخاطئة من مشاريع مختلفة، يجب أن تكون ظروف الاكتشاف ومدة الاختبار وتعريفات الأحداث متطابقة.

لا ينبغي قبول ادعاء الدقة العالية كأداء نظام مضمون ما لم يتم التحقق منه من خلال اختبارات ميدانية حقيقية.العوامل المؤثرة على أداء أنظمة تحليل الفيديو

دقة الكاميرا والعدسة

تحدد دقة الكاميرا واختيار العدسة عدد البكسلات التي سيشغلها الكائن المستهدف في الصورة.

تعتمد تفاصيل الصورة المطلوبة للاكتشاف التحليلي على خصائص الخوارزمية التي سيتم استخدامها.

لذلك، فإن مجرد اختيار كاميرا بدقة 4K أو ميجابكسل عالية لا يضمن أداءً تحليليًا كافيًا.

DORI وكثافة البكسل

تم استخدام طرق مثل DORI وكثافة البكسل (PPM) في أنظمة الكاميرات لتقييم تفاصيل الصورة.

يتضمن المعيار الحالي IEC 62676-4:2025 معايير التطبيق لتخطيط وتصميم وتركيب واختبار وصيانة أنظمة المراقبة بالفيديو.

ومع ذلك، فإن توفير مستوى معين من التفاصيل في الصورة واكتشاف نموذج الذكاء الاصطناعي للكائن بشكل صحيح هما متطلبات أداء مختلفة.

على سبيل المثال، قدرة المشغل على تمييز الهدف في الصورة لا تضمن أن الخوارزمية ستصنف نفس الهدف بشكل صحيح في جميع الظروف.

لحسابات تفاصيل الصورة، يمكن مراجعة المقال الفني لـ GüvenlikOnline بعنوان ما هو تحليل DORI في أنظمة الكاميرات؟.

ارتفاع وزاوية تركيب الكاميرا

يؤثر موضع الكاميرا بشكل مباشر على حجم ووضوح الكائنات في الصورة.

على سبيل المثال، قد تُظهر كاميرا مثبتة بزاوية عالية جدًا منطقة واسعة ولكنها قد لا توفر رؤية الكائن المطلوبة لخوارزمية تصنيف الأشخاص أو المركبات.

يشرح دليل مستخدم Axis Communications لـ Object Analytics الصادر في سبتمبر 2026 أن ارتفاع التركيب وزاوية الكاميرا ومسافة الهدف واتجاه حركة الكائن يمكن أن تؤثر على أداء التحليل.

الإضاءة وظروف الليل

يمكن أن تؤثر الإضاءة المنخفضة، والإضاءة الخلفية الشديدة، ومصابيح المركبات الأمامية، والضوضاء في الصورة سلبًا على أداء الاكتشاف.

خاصة في الأنظمة المستخدمة ليلاً، يجب تقييم مسافة الاكتشاف الفعلية بالاقتران مع الإضاءة بالأشعة تحت الحمراء أو الإضاءة المحيطة الموجودة.

يمكن أن توفر حلول تحليل الفيديو التي تستخدم الكاميرات الحرارية مزايا في بعض الظروف؛ ومع ذلك، فإن الأنظمة الحرارية لها أيضًا قيود بيئية.

تغطية الكائنات لبعضها البعض

في المشاهد المزدحمة، يمكن أن يؤدي حجب الأشخاص أو المركبات لبعضها البعض إلى تقليل أداء اكتشاف الكائنات وتتبعها.

هذا مهم بشكل خاص في عد الأشخاص وتحليلات المناطق المزدحمة.

حركة الكاميرا والاهتزاز

يمكن أن يؤثر اهتزاز عمود الكاميرا، أو الاهتزاز الميكانيكي، أو حركات PTZ على النتائج التحليلية.

إذا كان مطلوبًا إجراء التحليل على كاميرا متحركة، فيجب أن يدعم البرنامج ذو الصلة سيناريو الاستخدام هذا.

كيف يتم التحقق الميداني في أنظمة تحليل الفيديو؟

عند نشر أنظمة تحليل الفيديو، يجب اختبار ظروف الموقع الفعلية.

يقدم إطار عمل إدارة مخاطر الذكاء الاصطناعي (NIST AI Risk Management Framework) نهجًا لإدارة المخاطر يوصي باختبار أنظمة الذكاء الاصطناعي في بيئات مماثلة لاستخدامها المقصود ومراقبة أدائها أثناء التشغيل.

هذا الإطار ليس شهادة منتج إلزامية لأنظمة تحليل الفيديو؛ ومع ذلك، فهو مرجع مهم يمكن استخدامه لقياس الأداء والتحقق منه.

يمكن تخطيط عملية التحقق الميداني كمثال على النحو التالي:

1. يتم تعريف فئات الأحداث والكائنات التي يجب اكتشافها بوضوح.

2. يتم تحديد مجال رؤية الكاميرا ومنطقة الاكتشاف التحليلي.

3. يتم إعداد معايير القبول وسيناريوهات الاختبار.

4. يتم إنشاء أحداث مرجعية متحكم بها بواسطة موظفين مصرح لهم.

5. تتم مقارنة التنبيهات التي يولدها النظام بالأحداث المرجعية.

6. يتم تقييم الأحداث الإيجابية الحقيقية، والإيجابية الخاطئة، والسلبية الخاطئة.

7. تُكرر الاختبارات في ظروف نهارية وليلية مختلفة وظروف بيئية مناسبة.

8. يتم إعادة تكوين قواعد الحساسية والأحداث إذا لزم الأمر.

9. يتم توثيق النتائج بتقرير اختبار.

10. يتم التخطيط للمراجعة الدورية للأداء أثناء استخدام النظام.

من المهم إجراء هذه الاختبارات في ظروف آمنة ووفقًا لإجراءات المنشأة ذات الصلة.

إن نشر نظام تحليل الفيديو لا يعني تلقائيًا أنه يتمتع بأداء تم التحقق منه.

يجب تقييم النجاح الحقيقي من خلال قياس السيناريوهات المحددة في الموقع ومقارنة النتائج بمعايير القبول.

في أي القطاعات تُستخدم أنظمة تحليل الفيديو؟

يختلف الغرض من استخدام تقنيات تحليل الفيديو حسب القطاع.

هذه الأمثلة هي تطبيقات يمكن تنفيذها باستخدام أنظمة تدعم الميزات التحليلية ذات الصلة.

لا ينبغي افتراض أن جميع منتجات تحليل الفيديو تدعم جميع هذه الوظائف.

خاصة على الحدود الخارجية للمنشآت الكبيرة، يمكن تقييم أنظمة تحليل الفيديو بالاقتران مع الرادار وتقنيات الأمن المادي الأخرى.

للحصول على تقنيات بديلة حول هذا الموضوع، يمكن مراجعة دليل GüvenlikOnline بعنوان ما هي أنظمة أمن المحيط؟.

أنظمة تحليل الفيديو وقانون حماية البيانات الشخصية (KVKK)

يجب تقييم أنظمة تحليل الفيديو بعناية من حيث حماية البيانات الشخصية، حيث يمكنها معالجة صور الأفراد أو معلوماتهم التعريفية.

في تركيا، يعد القانون رقم 6698 بشأن حماية البيانات الشخصية أحد اللوائح الأساسية لأنشطة معالجة البيانات ذات الصلة.

يؤكد بيان هيئة حماية البيانات الشخصية الذي نُشر في عام 2026 بخصوص كاميرات المراقبة الأمنية في أماكن العمل على أهمية تحديد الغرض والضرورة والتناسب في أنشطة المراقبة.

هل تقوم أنظمة تحليل الفيديو دائمًا بمعالجة البيانات الشخصية؟

تختلف خصائص معالجة البيانات في أنظمة تحليل الفيديو.

تنتج بعض التطبيقات فقط أعدادًا مجمعة للكائنات، بينما قد تعالج تطبيقات أخرى صورًا قابلة للتعرف، أو لوحات ترخيص المركبات، أو معلومات حركة يمكن ربطها بفرد.

لذلك، يعتمد تقييم النظام ضمن نطاق قانون حماية البيانات الشخصية (KVKK) على طريقة التحليل المستخدمة والخصائص الفعلية لنشاط معالجة البيانات.

التعرف على الوجه والبيانات البيومترية

اكتشاف وجود وجه في الصورة ليس هو نفسه التحقق من هوية الشخص أو تحديدها من ملامح وجهه.

في تطبيقات المصادقة والتعرف البيومترية، قد تنشأ متطلبات قانونية إضافية تتعلق بمعالجة فئات خاصة من البيانات الشخصية.

لا ينبغي اتخاذ قرار استخدام مثل هذه التحليلات بناءً فقط على الدعم الفني للجهاز.

أمن البيانات وتخزينها

في مشاريع تحليل الفيديو:

• يجب تحديد الغرض من معالجة البيانات مسبقًا.

• لا ينبغي جمع بيانات شخصية غير ضرورية.

• يجب تقييد الوصول إلى سجلات الصور والأحداث.

• يجب تحديد فترات الاحتفاظ بالسجلات.

• يجب تطبيق عمليات الحذف الآمن للبيانات الشخصية عند الضرورة.

• يجب تقييم نقل البيانات إلى السحابة أو أنظمة الطرف الثالث.

• يجب التحكم في صلاحيات وصول مديري النظام.

إن الإمكانية التقنية لتحليل الفيديو لا تعني أن كل طريقة تحليل مناسبة قانونيًا في كل بيئة.

يجب تقييم تطبيقات مثل المراقبة المستمرة لأداء الموظفين أو تحليل سلوك الأفراد بناءً على هوياتهم بعناية من حيث الأساس القانوني والتناسب.

ما الذي يجب مراعاته عند اختيار أنظمة تحليل الفيديو؟

لا ينبغي أن يعتمد اختيار نظام تحليل الفيديو الصحيح على امتلاك المنتج لأكبر عدد من ميزات التحليل.

1. تحديد الغرض من الاستخدام

أولاً، يجب تحديد المشكلة التي يحتاج النظام إلى حلها.

على سبيل المثال، تختلف معايير النجاح لتطبيقات اكتشاف انتهاك المحيط وعد الأشخاص.

2. التحقق من ملاءمة الكاميرا والعدسة

يجب تقييم دقة الكاميرات الحالية أو الجديدة، وعدستها، ومسافة الهدف، وزاوية التركيب.

3. فحص أداء الخوارزمية

يجب تقييم ادعاءات أداء الشركة المصنعة، جنبًا إلى جنب مع ظروف الاختبار ذات الصلة.

يجب قياس الدقة والتنبيهات الخاطئة والأحداث المفقودة بشكل منفصل.

4. اختيار بنية النظام

يجب مقارنة بدائل حلول الذكاء الاصطناعي على الحافة، أو الخادم المركزي، أو القائمة على السحابة من حيث قدرة المعالجة والشبكة وأمن البيانات.

5. التحقق من توافق البرامج والتكامل

يجب التحقق من ONVIF Profile M، وواجهات برمجة التطبيقات (APIs) الخاصة بالشركة المصنعة، ومتطلبات نظام إدارة الفيديو (VMS) وإدارة التنبيهات.

6. تقييم الأمن السيبراني

يجب التخطيط لتقسيم الشبكة، وصلاحيات المستخدم، والاتصال الآمن، وتحديثات البرامج الثابتة، وحماية سجلات الأحداث.

7. حساب تكاليف الترخيص والتشغيل

قد تكون برامج تحليل الفيديو مدمجة في بعض المنتجات، بينما قد تتطلب تراخيص منفصلة في منتجات أخرى.

في تقييم التكلفة الإجمالية:

• نفقات الكاميرا والأجهزة.

• الخادم أو أجهزة تسريع الذكاء الاصطناعي.

• تراخيص التحليلات.

• برنامج إدارة الفيديو.

• البنية التحتية للشبكة والتخزين.

• التركيب والتشغيل.

• المعايرة والتحقق.

• الصيانة والتحديث.

يجب أخذها في الاعتبار معًا.

قائمة التحقق الفنية لأنظمة تحليل الفيديو

يمكن لمهندسي المشاريع ومدمجي الأنظمة وفرق الشراء الفنية استخدام القائمة التالية:

• هل تم تحديد الغرض من استخدام نظام تحليل الفيديو؟
• هل تم تحديد أنواع الكائنات والأحداث التي سيتم اكتشافها؟
• هل تم التحقق من موضع الكاميرا والعدسة ومسافة الهدف؟
• هل تم تقييم جودة الصورة في النهار والليل؟
• هل تم تحديد مناطق الاكتشاف والخطوط الافتراضية؟
• هل تم اختيار بنية الحافة أو الخادم أو السحابة؟

• هل تم حساب سعات وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسوميات (GPU) والشبكة؟

• هل تم التحقق من تراخيص التحليلات ذات الصلة وتوافق الجهاز؟
• هل تم اختبار ONVIF Profile M أو تكاملات واجهة برمجة التطبيقات (API) المطلوبة؟
• هل تم تحديد معايير القياس للتنبيهات الخاطئة والأحداث المفقودة؟
• هل تم التخطيط للتحقق الميداني واختبارات القبول؟
• هل تم إعداد إجراءات إدارة تنبيهات المشغل والتدخل؟
• هل تم تقييم متطلبات قانون حماية البيانات الشخصية (KVKK) والاحتفاظ بالبيانات؟
• هل تم التخطيط للأمن السيبراني وضوابط وصول المستخدم؟
• هل تم التخطيط لتحديثات البرامج وفحوصات الأداء الدورية؟

تهدف هذه القائمة إلى التقييم الفني الأولي. وهي لا تحل محل التصميم الهندسي النهائي أو الالتزامات التنظيمية ذات الصلة.

الأسئلة المتكررة

ما هو نظام تحليل الفيديو؟

نظام تحليل الفيديو هو تقنية تقوم بتحليل صور الكاميرا للكشف التلقائي عن الأشخاص أو المركبات أو الكائنات أو الأحداث المحددة والإبلاغ عنها في البرامج المناسبة.

هل تحليل الفيديو والذكاء الاصطناعي هما نفس الشيء؟

لا. يشير تحليل الفيديو إلى التحليل التلقائي للصور. والذكاء الاصطناعي هو إحدى الطرق التي يمكن استخدامها في هذه التحليلات. يمكن أيضًا استخدام تقنيات معالجة الصور التقليدية في تطبيقات تحليل الفيديو.

هل تعمل أنظمة تحليل الفيديو مع كاميرات IP الموجودة؟

إذا كانت البنية التحتية المناسبة للكاميرا وتدفق الصور والخادم متاحة، فيمكن لبعض برامج التحليل الاستفادة من كاميرات IP الموجودة. ومع ذلك، لا تدعم كل كاميرا جميع التحليلات.

ما الفرق بين الذكاء الاصطناعي على الحافة وتحليل الفيديو القائم على الخادم؟

في الذكاء الاصطناعي على الحافة، يتم إجراء التحليل على الكاميرا أو الجهاز الطرفي. في النظام القائم على الخادم، يتم تحليل الصور على أجهزة المعالجة المركزية. يعتمد الاختيار على قدرة المعالجة والشبكة واحتياجات التكامل.

هل تمنع أنظمة تحليل الفيديو التنبيهات الخاطئة تمامًا؟

لا. يمكن أن تقلل التحليلات المدعومة بالذكاء الاصطناعي من مصادر معينة للتنبيهات الخاطئة، ولكن لا يمكن ضمان التشغيل الخالي من الأخطاء في جميع الظروف.

كيف تُقاس الدقة في أنظمة تحليل الفيديو؟

يتم تقييم النتائج الإيجابية الحقيقية، والإيجابية الخاطئة، والسلبية الخاطئة من خلال مقارنة الأحداث الفعلية بالأحداث التي اكتشفها النظام. يمكن استخدام مقاييس الدقة (Precision) والاستدعاء (Recall) ومقاييس التنبيهات الخاطئة التشغيلية.

ما هو الغرض من ONVIF Profile M في أنظمة تحليل الفيديو؟

يسهل ONVIF Profile M نقل البيانات الوصفية التحليلية المدعومة ومعلومات الأحداث بين الأنظمة المختلفة. ومع ذلك، فإنه لا يضمن التوافق التلقائي لجميع ميزات التحليل المتقدمة.

هل يمكن لأنظمة تحليل الفيديو إجراء عد الأشخاص؟

يمكن إجراء عد الأشخاص باستخدام الخوارزميات المناسبة وموضع الكاميرا. ومع ذلك، بالنسبة للتطبيقات التي تتطلب دقة عالية، فإن التحقق من النظام في ظروف الموقع الفعلية أمر مهم.

هل تقوم أنظمة تحليل الفيديو بالتعرف على الوجه؟

قد تدعم بعض الأنظمة المتخصصة تقنيات التعرف على الوجه. ومع ذلك، فإن اكتشاف البشر، واكتشاف الوجه، والتعرف على الهوية البيومترية هي عمليات مختلفة. يجب تقييم المتطلبات القانونية الإضافية للتطبيقات البيومترية.

ما هو العنصر الذي يحدد النجاح في أنظمة تحليل الفيديو؟

توسع أنظمة تحليل الفيديو قدرات البنية التحتية التقليدية للدوائر التلفزيونية المغلقة في اكتشاف الأحداث الأمنية، وإنشاء معلومات ذات معنى من الصور، ودعم العمليات التشغيلية.

يمكن تقييم تصنيف الأشخاص والمركبات، وانتهاك المحيط، وعد الأشخاص، والتعرف على لوحات الترخيص، والتحليلات الأخرى لتلبية الاحتياجات المختلفة.

ومع ذلك، لا يعتمد نجاح النظام فقط على استخدام خوارزمية ذكاء اصطناعي متقدمة.

يجب تقييم موضع الكاميرا، وتفاصيل الصورة المناسبة، ونموذج التحليل المختار، والتكامل الصحيح، والأمن السيبراني، والاختبارات الميدانية الحقيقية معًا.

في جوهر نظام تحليل الفيديو الموثوق به يكمن التعريف الواضح للأحداث التي يجب اكتشافها، وقياس التنبيهات الخاطئة والمفقودة، والتحقق من الأداء الميداني، والمراقبة المستدامة للنتائج.

المصادر

1. IEC — IEC 62676-4:2025 — تخطيط وتصميم وتركيب واختبار وتشغيل وصيانة أنظمة المراقبة بالفيديو.

2. ONVIF — Profile M — البيانات الوصفية لتحليل الفيديو، وتصنيف الكائنات، وواجهات الأحداث.

3. ONVIF — Profile T — تدفق الفيديو المتقدم عبر بروتوكول الإنترنت (IP) ووظائف الكاميرا ذات الصلة.

4. Axis Communications — دليل مستخدم AXIS Object Analytics — اكتشاف الكائنات، وقواعد المناطق والخطوط، وقيود الأداء للتركيب والبيئة.

5. Axis Communications — تحليل الفيديو — فئات منتجات تحليل الفيديو وأمثلة التطبيقات.

6. NIST — إطار عمل إدارة مخاطر الذكاء الاصطناعي — تقييم المخاطر والأداء والموثوقية لأنظمة الذكاء الاصطناعي.

7. NIST — قياس إطار عمل إدارة مخاطر الذكاء الاصطناعي — قياس أداء الذكاء الاصطناعي، ونهج الاختبار والمراقبة.

8. هيئة حماية البيانات الشخصية — استخدام أنظمة كاميرات المراقبة الأمنية في أماكن العمل — معالجة صور الكاميرات، وتحديد الغرض، والتناسب، وأمن البيانات.