Näin varmistat käyttökelpoisen valvontakamerakuvan

4 min read

Miten varmistat, että uuden järjestelmäsi valvontakamerakuvat eivät ole floppi ja saat käyttökelpoisia valvontavideoita?

Tarkoituksenmukaisen valvontakamerakuvan aikaansaaminen pohjustetaan jo suunnitteluvaiheessa ennen kuin yhtäkään kameraa on asennettu. Pohdittavaksi tulee muun muassa riittääkö kohteesta laaja yleiskuva vai pitääkö henkilöt ja autojen rekisterinumerot olla tunnistettavia.

Aloita kameravalvonnan käyttötarkoituksen määrittelyllä

Ennen kameroiden hankintaa tulisi keskustella tarkemmin mitä kameravalvonnalla oikeastaan tavoitellaan? Koska asia on teknisesti monimutkainen ja lopputulokseen vaikuttavia olosuhdeasioita on yleensä paljon, on järkevää selvittää aluksi perusasiat ennenkuin edes katsellaan markkinoilla olevien kameroiden tarjontaa.

Koska toteutusvaihtoehtoja jopa samaan kohteeseen on lukemattomia, on todettava, että ei ole olemassa one-size-fits-all-tyyppistä ratkaisua, joka pomminvarmasti toimisi aina ja kaikkialla. Tästä syystä projekti aloitetaan määrittelemällä mitä käyttötarkoitusta kameroiden tulisi palvella. Nämä asiat kirjaamalla ylös hankinta lähtee alusta alkaen oikealle polulle, jossa lopputulos on tarkoituksenmukainen ja investointi kameravalvontajärjestelmään onnistuu odotetulla tavalla.

Pohdi siis näitä asioita:

A) Ollaanko tekemässä yleisvalvontaa ja lisäämässä turvallisuutta, toisin sanoen yleiskuva siitä mitä tietyssä tilassa/alueella tapahtuu on riittävä? 

B) Halutaanko tarkempaa aluevalvontaa, jossa on tarpeen havaita esimerkiksi alueelle tuleva asiaton henkilö tai ajoneuvo?

C) Halutaanko suojata omaisuutta ja selvittää mahdollisia petoksia tai rikoksia?

D) Vaadintaanko kuvalta tarkkuutta, jossa henkilö tai ajoneuvon rekisterinumero pitää olla yksilöitävissä?

E) Vai palveleeko kameravalvonta tuotantoprosessien seurantaa?

Mitä vaativampi valvonnan taso ja kuvan tarkkuus halutaan, sitä enemmän edellytetään laitteiston tekniseltä suorituskyvyltä. Tärkeää on myös kameroiden sijoittelu ja ympäristön valaistusolosuhteiden huomioiminen.

Huomioi myös mahdollisuus ennaltaehkäistä ei-toivottuja tapahtumia

Kameravalvontaa suunnitellessa kannattaa ottaa myös huomioon, että on mahdollista että kameran avulla saatetaan myös ennaltaehkäistä ei-toivottuja asioita sen sijaan että se toimii ainoastaan tapahtumakulkujen tallentajana. Valvontakameran käyttöominaisuuksia voidaan laajentaa videoanalytiikalla, jolloin se esimerkiksi paikoissa, joissa henkilö- tai omaisuusvahinkojen mahdollisuus on olemassa, valvontakamera tai vaihtoehtoisesti videohallintajärjestelmä ohjelmoidaan tekemään hälytyksiä halutuista tilanteista.

Esimerkki 1. Vilkkaasti liikennöity alue on tarkoitettu ainoastaan ajoneuvoille. Jos siellä käveleekin ihminen, kamera voi antaa hälytyksen automaattisesti, jolloin tilanteeseen voidaan reagoida välittömästi. 

Esimerkki 2. Ulkopuoliset ihmiset yrittävät jatkuvasti kiivetä laitosalueen raja-aidan yli, joka aiheuttaa harmaita hiuksia turvallisuuspäällikölle. Vaaralliselle laitosalueelle ei saa päästä ulkopuolisia. Valvontakamera voi antaa automaattisen hälytyksen, kun joku on liian lähellä aitaa ja tämä laukaisee kuulutuksen, jossa kehoitetaan poistumaan.

 

Valvontakuvan tarkkuus

Kuvan tarkkuus on yksi keskeisimmistä asioista videokuvassa, sillä se lopulta ratkaisee miten käyttökelpoista kuva-aineistoa järjestelmä kykenee tuottamaan. Toki on ymmärrettävä, että mitä enemmän ja useammasta paikasta halutaan tarkkaa lähikuvaa, sitä enemmän järjestelmän hintalappu kasvaa.

Eri tahoilla ja laitevalmistajilla on hieman toisistaan eroavia tapoja eritellä luokitella valvonnan tarkkuutta. Tyypillisesti ne voidaan kuitenkin luokitella seuraavasti:

  • Havaitseminen - Kyky havaita että kuvassa on jotakin, kuin ettei ole.
  • Tunnistaminen - Kyky tunnistaa objekti, onko kuvassa ajoneuvo, ihminen, eläin vai jokin muu. Tyypillisesti tällä tasolla voidaan jo henkilö tunnistaa pukeutumisen tai kävelytyylin perusteella. Tämä taso ei kuitenkaan ole välttämättä rikosoikeudellisessa mielessä riittävä todisteen taso.
  • Yksilöinti - Tällä tasolla voidaan jo suurella varmuudella ja todennäköisyydellä yksilöidä ja erottaa henkilö toisista henkilöistä, esim. kasvojen tunnistamisella.
Kuvan tarkkuuden luokittelutapoja

Eri valvontakameravalmistajat ja Finanssiala ovat luoneet omia luokittelutapojaan, joiden avulla voidaan suunnitella mitä kuvakokoa ja tarkkuutta kulloisessakin valvottavassa sijainnissa vaaditaan, jotta saatu video on tarkoituksenmukainen.

Tässä muutama esimerkki yleisesti käytetyistä luokittelutavoista.

Finanssialan K-menetelmä

Perustuu siihen kuinka suuren prosenttiosuuden ihminen peittää kuva-alasta.

  • yleiskuva (K5), kohteen oltava vähintään 5 % ruudun korkeudesta.
  • havaitseminen (K10), kohteen oltava vähintään 10 % ruudun korkeudesta yleiskuva
  • tunteminen (K50), kohteen oltava vähintään 50 % ruudun korkeudesta
  • yksilöinti (K120), näköiskuva, kohteen oltava vähintään 120 % ruudun korkeudesta.
K-menetelma

Kuva 1. Finanssialan K-menetelmässä yksilöivä kuva K120 (vasemmalla) mahdollistaa henkilön varman tunnistamisen. Tunteminen on mahdollista K50-näköiskuvassa (keskellä), jossa kohde on 50% ruudun korkeudesta. Kohteen havaitsemiseen vaaditaan K10-kuva, joka 10% ruudun korkeudesta (oikealla). 

 

Bosch Security - DCRI

Kameravalmistaja Boschin esitystapa perustuu siihen, kuinka monta kuvapikseliä kuvassa oleva ihminen on vaakasuunnassa mitattuna. Vaakasuunnan pikseleiden mittaaminen on mielestäni käyttökelpoisempi tapa tänä päivänä, varsinkin kun puhutaan tänä päivänä jo 4K tarkkuuteen ja siitäkin yli pystyvistä valvontakameroista.

  • D - Detection (havaitseminen), ihminen vaakasuunnassa vähintään 20 pikseliä/metri.
  • C - Classification (luokittelu), ihminen on vaakasuunnassa vähintään 40 pikseliä/metri.
  • R - Recognition (tunnistaminen), ihminen on vaakasuunnassa vähintään 60 pikseliä/metri.
  • I - Identification (yksilöinti), ihminen on vaakasuunnassa vähintään 150 pikseliä/metri.
Bosch DORI

Kuva 2. Bosch Securityn ohje perustuu kohteen vaakasuuntaisiin pikseleihin kuvassa.

 

Axis Communication

Valvontakameravalmistaja Axis Communication on omassa luokittelussaan yhdistänyt sekä ihmiskehon peittävyyden kuva-alasta, sekä vaakapikselien määrän ilmoittamalla molemmat arvot. Sekä lisäksi kuinka monta kuvapikseliä ihmiskasvojen tulisi olla vaakasuunnassa.

  • Identification (yksilöinti), ihmisvartalo kuva-alasta vähintään 120 % tai 250 pikseliä/metri, kasvot 40 pikseliä/metri.
  • Recognition (tunnistaminen), ihmisvartalo kuva-alasta vähintään 50 % tai 100 pikseliä/metri, kasvot 17 pikseliä/metri.
  • Detection (havaitseminen), ihmisvartalo kuva-alasta vähintään 10 % tai 20 pikseliä/metri, kasvot 3 pikseliä/metri.
Axis surveillance objective table

Kuva 3. Axis communication -yrityksen määritelmä havaitsemisesta yksilöintiin.

 

Vältä tyypilliset virheet kameravalvonnan hankinnassa

Tyypillinen virhe erityisesti kiinteistövalvonnassa on, että säästösyistä yritetään pärjätä yhdellä kameralla, jotta saadaan mahdollisimman suuri alue kuvattua. Mutta yllättäen sattuukin jotain ikävää, jonka vuoksi videotallenteesta etsitään tarkempaa tietoa tapahtumien kulusta jälkiselvittelyä varten. Jos kohde jää kuvassa hyvin pieneksi, joudutaan kuvaa suurentamaan. Suurennettu kuva puolestaan saattaa pikselöityä niin pahasti, että siitä ei saa mitään selvää ja näin videotallenteesta ei ollutkaan mitään hyötyä.

Toinen tyypillinen virhe liittyy henkilön kiistattomaan tunnistamiseen. Henkilön tunnistaminen ei välttämättä ole vielä riittävä kuvan taso todisteeksi esimerkiksi rikostapauksessa. Käyttökelpoisimpia kyseissä tapauksissa ovatkin vain yksilöivät kuvat, jossa kasvot näkyvät riittävän tarkasti ja jossa ei ole erehtymisen mahdollisuutta. Kuva jossa tutut henkilöt tunnistavat kohteen esimerkiksi kävelytyylistä, ei ole vielä riittävä todiste. 

 

ident_recog_detect

Kuva 4. Esimerkki yksilöivästä kuvakoosta havaitsemiseen. Axis communications.

Muistilista:

👉 Mikä on valvontakamerakuvien käyttötarkoitus, eli mitä halutaan valvoa?
👉 Kuinka tarkkaa ja yksityiskohtaista kuvaa halutaan?
👉 Huomioi, että valmistajien esitystavat ja suositustarkkuudet saattavat hieman poiketa toisistaan. Tärkeintä on kuitenkin ymmärtää miten kuvakoko vaikuttaa tunnistettavuuteen ja kuvien tarkoituksenmukaisuuteen.