Segurilatam 011

84 Segundo cuatrimestre 2019 artículo técnico CCTV y Control de Accesos ciones de vídeo, para localización de sospechosos o clasificación au- tomática. Selección dinámica de publici- dad o segmentación de clientes, basada en el análisis de característi- cas como su edad, sexo, expresión facial o presencia de gafas. Control de acceso por reconoci- miento facial. Los usuarios se regis- tran a partir de fotos, grabaciones de vídeo o mediante captura auto- mática. Protección perimetral Los sistemas de protección perime- tral basados en análisis de vídeo han disfrutado de una constante evolu- ción propiciada por su directa aplica- ción en seguridad y por los beneficios que aporta: detección fiable, supervi- sión, fácil despliegue y verificación de un simple vistazo. Por tanto, una vez más, el deep learning ha supuesto una revolución tecnológica, ahora aplicada en los sistemas de videoanálisis. El análisis de vídeo utiliza algoritmos matemáticos que extraen la informa- ción útil de las imágenes de las cáma- ras de seguridad, llevados a cabo con la creación de algoritmos que utilizan tecnologías de aprendizaje automático e inteligencia artificial para adaptarse a los cambios en la escena. De este modo, los algoritmos logran una segu- ridad más precisa y eficaz con las tasas más bajas de falsas alarmas del mer- cado y una detección Se pueden conseguir deteccio- nes utilizando cámaras de CCTV en rango visible de hasta 120 metros; pero cuando es necesario y el esce- nario lo permite, podemos aumen- tar la distancia de detección, en cual- quier condición ambiental, usando algoritmos específicos para cámaras térmicas en distancias de hasta 505 metros. La integración con los softwares de central receptora de alarma viene a ofrecer una solución redonda, madura y ampliamente utilizada gracias al re- conocimiento que el mercado profiere a esta tecnología. cimiento facial. Y es aquí donde el deep learning viene a marcar la diferencia y a permitir dar un paso evolutivo sin pre- cedentes. La extracción de las caracte- rísticas visuales ya no se define manual- mente, como antes, ahora es aprendida de forma óptima por la red neuronal durante el entrenamiento. No es nece- sario decirle al algoritmo dónde están los puntos interesantes (puntos fiducia- les o de referencia: contorno de los ojos y boca, fosas nasales, etc.), ni cómo ex- traer la información, ya que aprende por sí mismo. Las GPU son ideales para entrenar re- des neuronales y, concretamente, en su aplicación al sistema de reconocimiento facial, acelerando un proceso que de otro modo podría tardar un año o más en sólo semanas o días. Esto se debe a que las GPU realizan muchos cálcu- los a la vez o en paralelo. Y una vez que un sistema es entrenado con las GPU, los científicos y los investigadores pueden poner ese aprendizaje a trabajar. Ese trabajo implica tareas que antes se con- sideraban imposibles. Podemos ofrecer soluciones para aplicaciones de videovigilancia, control de accesos y marketing : Reconocimiento facial en tiempo real sobre varias cámaras IP simultánea- mente. Incluso análisis de multitudes en movimiento. Indicado para aero- puertos, estaciones de tren, centros comerciales, estadios deportivos o áreas urbanas. Análisis forense, permitiendo la bús- queda intensiva de sujetos en graba- zable por los sistemas OCR (Optical Character Recognition) clásicos. Per- miten leer hasta ocho matrículas en una sola imagen. Los sistemas OCR basados en re- des neuronales artificiales permi- ten implementar analíticas de trá- fico con una elevada tasa de fiabili- dad como: Lectura de matrículas: tolerante a perspectiva, alta y baja velocidad. Incluso embarcada en vehículos policiales. Cálculo de velocidad (3D). Paneles indicadores de velocidad, foto stop, giro indebido y estudios estadísticos de velocidad. Detección de maniobras prohibidas. Clasificación de vehículos (3D): marca y color. Los sistemas de reconocimiento de contenedores son una aplicación di- recta en el sector logístico gracias a la identificación en movimiento de es- tos, ya sea en puertos, aeropuertos, tras- porte ferroviario o plataformas logísti- cas de cualquier tipo. Usando el ID para el seguimiento y control de mercancías en la cadena de transporte, vinculando, por ejemplo, la matrícula del vehículo al ID del contenedor. Un OCR cuya tasa de fiabilidad es tan alta nos sitúa en un contexto que per- mite su aplicación en mercados cuya aplicación es obvia y donde la lectura de caracteres aporta beneficios, tanto en la fiabilidad y automatización de los procesos como en la minimización de los tiempos de espera. Otra aplicación típica es la lectura de placas de mercancías peligrosas, que permite tener la información puntual y precisa sobre el tipo de mercancía transportada y vinculada al vehículo que la traslada, ya sea para su registro y control o para actuar adecuadamente ante un accidente. Se trata de una apli- cación típica en túneles, poblaciones, aeropuertos y zonas sensibles. Reconocimiento facial La precisión y la fiabilidad es el talón de Aquiles de cualquier sistema de recono-