عمومی

یکپارچه‌سازی داده‌های پلاک‌خوان با فناوری تشخیص چهره در سامانه‌های مانیتورینگ

در دنیای سامانه‌های نظارت تصویری و مانیتورینگ پیشرفته، یکپارچه‌سازی داده‌های حاصل از دوربین‌های مداربسته و سامانه‌های پلاک‌خوان (ALPR) با ابزارهای تحل

۸ مهر ۱۴۰۵ 1 دقیقه مطالعه 1 بازدید تیم تحریریه RSB
یکپارچه‌سازی داده‌های پلاک‌خوان با فناوری تشخیص چهره در سامانه‌های مانیتورینگ

در دنیای سامانه‌های نظارت تصویری و مانیتورینگ پیشرفته، یکپارچه‌سازی داده‌های حاصل از دوربین‌های مداربسته و سامانه‌های پلاک‌خوان (ALPR) با ابزارهای تحلیل بیومتریک، ابعاد جدیدی به مدیریت امنیت فیزیکی بخشیده است. بر اساس اخبار منتشرشده، شرکت فناوری نظارتی Vidizmo پیشنهادی را به نهادهای مجری قانون ارائه داده که بر اساس آن، داده‌ها و تصاویر خروجی از شبکه دوربین‌های پلاک‌خوان شرکت Flock Safety می‌توانند در یک پلتفرم مرکز پردازش هوشمند به پردازش‌های تشخیص چهره متصل شوند. این موضوع نشان‌دهنده نحوه افزودن لایه‌های تحلیل نرم‌افزاری ثانویه بر روی زیرساخت‌ها و سامانه‌های مانیتورینگ موجود است.

تفکیک وظایف تجهیزات سخت‌افزاری و لایه‌های تحلیل ثانویه

بر اساس گزارش‌های موجود، شرکت Flock Safety اعلام کرده که دوربین‌های پلاک‌خوان آن از فناوری تشخیص چهره استفاده نمی‌کنند و جستجوها در این دوربین‌ها صرفاً بر اساس ویژگی‌های خودرو انجام می‌شود. با این حال، پیشنهاد ارائه شده توسط Vidizmo نشان می‌دهد که می‌توان داده‌ها و ویدئوهای صادرشده از این دوربین‌ها، تجهیزات نظارتی همراه (مانند دوربین‌های متصل به لباس) و سایر مدارک تصویری را در قالب یک پلتفرم واحد موسوم به Intelligence Hub متمرکز کرد. در این رویکرد، پردازش تشخیص چهره درون سخت‌افزار دوربین رخ نمی‌دهد، بلکه پس از استخراج داده‌ها توسط کاربر و انتقال آن به سامانه متمرکز صورت می‌پذیرد.

نحوه عملکرد فنی و یکپارچه‌سازی از طریق API

با وجود اینکه مدیرعامل Vidizmo تأکید کرده که این ابزار یکپارچه‌سازی هنوز به صورت عملی ساخته یا مستقر نشده و Flock نیز در آن مشارکتی نداشته است، اما قابلیت‌های فنی آن از طریق رابط‌های برنامه‌نویسی (REST API) و دریافت محتوا در وب‌سایت این شرکت معرفی شده است. ساختار این فناوری مبتنی بر یک کتابخانه اشیاء (Object Library) است که در آن اپراتورها می‌توانند چهره افراد را با استفاده از تصاویر مرجع ثبت کرده و اولویت‌های هشداری تعیین کنند. سپس نرم‌افزار تحلیلی مبتنی بر هوش مصنوعی (AI Live Insight) می‌تواند چهره‌های شناسایی‌شده در ویدئوها را با فهرست‌های ثبت‌شده مقایسه کند، نام فرد را روی ویدئوی زنده نمایش دهد و رویداد مربوطه را در سامانه مانیتورینگ ثبت کند.

جمع‌بندی و کاربرد برای سازمان‌ها

توسعه لایه‌های تحلیل ثانویه بر روی زیرساخت شبکه و سامانه‌های نظارت تصویری، اهمیت طراحی صحیح معماری پسیو شبکه و قابلیت‌های یکپارچه‌سازی در پلتفرم‌های مانیتورینگ مرکزی را روشن می‌سازد. برای سازمان‌ها و زیرساخت‌های حساس، این رویکرد امکان می‌دهد که بدون نیاز به تغییر کامل تجهیزات و سخت‌افزارهای نظارتی یا دوربین‌های مداربسته موجود، از طریق رابط‌های استاندارد و نرم‌افزارهای پردازش متمرکز، هوشمندی سامانه‌های کنترل تردد و امنیت فیزیکی ارتقا یابد. متمرکزسازی داده‌های تصویری، پلاک‌خوان و بیومتریک در یک هاب هوشمند، پایش زنده و پاسخ‌دهی به رویدادهای امنیتی را به میزان چشمگیری تسریع می‌بخشد.

منبع: www.biometricupdate.com

منبع: www.biometricupdate.com

مانیتورینگ دوربین مداربسته تشخیص چهره پلاک خوان امنیت فیزیکی یکپارچه سازی شبکه پردازش تصویری src:df26ff9686e535236fd055c6e2d9003d src:04f739cfd46f66f91c1a75661fef7a49

مقالات مرتبط

طرح جدید قانون ممنوعیت فناوری تشخیص چهره و بیومتریک؛ چالش‌های خطای الگوریتمی و امنیت داده‌ها

طرح جدید قانون ممنوعیت فناوری تشخیص چهره و بیومتریک؛ چالش‌های خطای الگوریتمی و امنیت داده‌ها

نمایندگان و سناتورهای کنگره ایالات متحده بار دیگر طرح قانونی «ممنوعیت فناوری تشخیص چهره و بیومتریک» …

ادامه مطلب
اختلال در سیستم احراز هویت بیومتریک آیفون ۱۸ پرو و اهمیت پایداری در فناوری‌های کنترل تردد

اختلال در سیستم احراز هویت بیومتریک آیفون ۱۸ پرو و اهمیت پایداری در فناوری‌های کنترل تردد

با آغاز عرضه نسل جدید پرچمداران هوشمند، گزارش‌های متعددی درباره بروز اختلال در سیستم احراز هویت بیوم…

ادامه مطلب
چالش‌های توسعه مراکز داده هوش مصنوعی و دوربین‌های نظارتی: توازن میان امنیت و زیرساخت

چالش‌های توسعه مراکز داده هوش مصنوعی و دوربین‌های نظارتی: توازن میان امنیت و زیرساخت

امروزه توسعه فناوری‌های نوین نظیر هوش مصنوعی و سامانه‌های نظارت تصویری پیشرفته، تحولات شگرفی در حوزه…

ادامه مطلب