Het opsporingsteam van het populaire tv-programma Hunted heeft dit seizoen ‘een makkie’ door slim algoritme. Het team mag bij het opsporen van de deelnemers voor het eerst gebruikmaken van een nieuwe technologie. Het heet Forensisch Video Search en is ontwikkeld door Croonwolter&dros. Slecht nieuws voor de deelnemers aan Hunted, die juist zo lang mogelijk onder de radar willen blijven. Goed nieuws voor cameratoezichthouders.
Forensisch Video Search helpt om verdachten of vermisten sneller op te sporen. De basis van het systeem is het Detect&Track-algoritme van TNO, dat mensen op camerabeelden beschrijft en categoriseert op basis van bepaalde kenmerken. Zoals kleding, lengte, schoenen, een bril of een tas.
Daarmee kan het een database aanleggen van personen die door camera’s zijn gespot. Die database is vervolgens te gebruiken als een soort personenzoekmachine.
Verbinden
Dat is wat de venture GBBS (Gebouwenbeheer- en beveiligingssystemen) van Croonwolter&dros doet met Forensisch Video Search, een commerciële toepassing van het algoritme. Forensisch Video Search verbindt het TNO-algoritme met de opgeslagen videobeelden van gebruikers en koppelt er een eenvoudige gebruikersinterface aan.
Zoek je iemand met een rode baseballpet, blauwe sneakers en een zwarte rugtas, dan plukt het systeem op basis van deze kenmerken automatisch alle personen met deze kenmerken uit de database van camerabeelden. Dat maakt het zoeken naar de juiste persoon een stuk gemakkelijker. Als je de verdachte eenmaal hebt ‘geframed’, kan je die via meerdere camera’s op zijn of haar weg volgen.
Afgelegde weg volgen
Misschien wel de leukste toepassing van het product is die bij het tv-programma Hunted. In dit programma, moeten 12 deelnemers zo lang mogelijk uit handen blijven van een team van professionele opsporingsexperts. De ‘hunters’ hebben ervaring bij politie, defensie en in de private sector. Ze voeren een ware klopjacht uit op de deelnemers.
Michael Sleijster van GBBS: ‘Deelnemers proberen zo lang mogelijk uit handen van het opsporingsteam te blijven. Dat team maakt gebruik van allerlei methodes om de deelnemers te traceren; het bijhouden van hun pingedrag, het volgen van camerabeelden. Tot vorig jaar hadden ze niet de mogelijkheid om in videobeelden snel en gericht te zoeken naar de kandidaten. Dit seizoen wel, dankzij ons systeem. Ze weten dus veel sneller dan voorheen waar een persoon zich bevindt, welke weg die aflegt en wat die op die weg uitvoert. Daardoor zullen kandidaten veel sneller gevonden worden.’
Tijd- en geldbesparing
De hoeveelheid videodata groeit naarmate beveiligingscamera’s meer over ons gaan waken. De politie, het Nederlands Forensisch Instituut en commerciële bedrijven met camerasystemen, steken veel tijd in het doorzoeken van opgenomen videobeelden. De RET was daar bijvoorbeeld gemiddeld 5 uur per dag mee bezig. Als een zoekactie te lang duurde, moesten ze het om die reden zelfs opgeven.
Een pilot met de technologie bij RET liet zien dat het de zoektijd terugbracht met 50 % en daarmee een aanzienlijke besparing opleverde. Maar ook dat zaken opgelost konden worden die voorheen vastliepen. Sleijster geeft een voorbeeld: ‘Van een persoon die regelmatig overlast bezorgde op een station, kon RET niet achterhalen waar die steeds vandaan kwam of heen ging. Met dit systeem konden ze de persoon snel selecteren uit de suggesties op basis van kenmerken, en óók de beelden van meerdere stations combineren. Ze ‘volgden’ zijn reis via beelden van andere stations. Toen ze eenmaal wisten waar hij steeds instapte, is de politie op zijn spoor gekomen en is hij gearresteerd.’
Deep learning
Het algoritme dat de basis vormt van dit systeem, valt onder de categorie Deep Learning. Een dergelijk algoritme zorgt ervoor dat computers patronen leren herkennen uit eindeloos veel voorbeelden. Door een computer duizenden foto’s van een fiets te laten zien, kan die na verloop van tijd zelf een fiets herkennen en ‘aanwijzen’. Smartphones kunnen door Deep Learning gezichten herkennen, Alexa en Siri kunnen er spraak door herkennen en auto’s kunnen er zelf door rijden.
Het zijn allemaal toepassingen die een steeds grotere rol opeisen in het werkveld van de E-installateur en de systeemintegrator. Croonwolter&dros ziet een grote toekomst weggelegd voor de mogelijkheden die deep learning biedt. Voor beveiliging, robotisering en gebouwautomatisering.
Fotografie: Marco de Swart.
Heb jij ‘n tip voor deze rubriek? Stuur je suggestie naar demakersvanmorgen@technieknederland.nl!
