Demelsa González
MARKETING MANAGER
22 Novembre 2022.
Partager
Le recours à l’apprentissage profond (deep learning) en matière d’analyse vidéo améliore la sécurité et la mobilité dans les villes. En voici la démonstration en sept cas de figure.
L’intelligence d’une ville est intrinsèquement liée à la technologie qu’elle utilise pour gagner en efficacité et améliorer l’utilisation faite des données qu’elle génère. Dans le domaine de la sécurité vidéo, les caméras de vidéosurveillance installées sur la voie publique collectent des images que les algorithmes d’apprentissage profond peuvent traduire en de précieuses informations, en les classant par typologie et par comportement.
Cette classification, qui s’effectue automatiquement et en temps réel, peut obéir à différentes règles. Le résultat obtenu est un ensemble de données qui peut être utilisé pour déclencher des alertes et planifier les ressources d’une ville en vue d’améliorer la sécurité et la mobilité de ses habitants.
Dans la pratique, l’analyse d’images par le biais de l’intelligence artificielle, et plus précisément du deep learning, est utile aux villes dans les cas suivants :
Table des matières
1. Protéger les sites remarquables
Tout monument ou bâtiment est susceptible de devenir la cible d’un acte criminel, et il est toujours préférable de prévenir le vol ou le vandalisme que d’en subir les conséquences.
Les systèmes traditionnels de détection des intrusions sont capables de faire la distinction entre mouvement, taille et emplacement, mais pas de déterminer le type d’objet en cause ni d’autres aspects importants.
De son côté, l’apprentissage profond est en mesure de détecter avec un haut degré de précision toute personne au comportement suspect, comme un individu errant longuement aux abords d’un bâtiment. L’intelligence artificielle sait identifier qu’il s’agit d’un rôdeur et déclencher une alarme qui active un protocole d’inspection.
2. Éviter les embouteillages
Une gestion inadéquate de la circulation en ville peut provoquer des accidents ou aggraver la pollution.
En comptabilisant et classifiant les véhicules, l’analyse du trafic routier permet d’émettre une alerte en cas de dépassement d’un seuil donné. L’analyse statistique joue également un rôle essentiel. Connaître le temps de transit moyen des véhicules, de même que les jours et les heures de pointe, est indispensable pour planifier la mobilité dans une ville à partir de décisions éclairées.
Cela permet notamment d’optimiser la régulation des feux de circulation et de valider ou de rectifier le sens de circulation des voies.
LE DEEP LEARNING, ÉTAPE PAR ÉTAPE
Comment éviter les apéros géants grâce à l’apprentissage profond
- La municipalité installe le module de traitement d’images Lanaccess sur l’enregistreur vidéo connecté à la caméra de surveillance d’un parc public. Le module contient l’algorithme LAVA-DENSITY, un fragment de code programmé pour détecter la densité d’occupation d’un espace donné.
- Grâce à sa technique d’apprentissage, l’algorithme est capable d’examiner des schémas, de distinguer les individus en mouvement et de les comptabiliser. Cette technique est dite « d’apprentissage profond » (deep learning en anglais) car elle est en mesure de reconnaître, sans intervention humaine et de manière progressive, des schémas comportementaux extraits d’un très grand nombre d’images.
- Programmé pour envoyer des alertes, le système avertit le centre de contrôle s’il détecte un nombre alarmant de personnes dans un espace virtuellement délimité.
- C’est ensuite au centre de contrôle que revient la décision de dépêcher ou non une patrouille pour faire évacuer le parc.
3. Améliorer la circulation aux ronds-points
Les véhicules sont constamment amenés à emprunter ces nœuds de mobilité souvent embouteillés.
L’analyse avancée permet de détecter si le rond-point est fréquenté par des piétons et peut extraire des données statistiques sur le type de véhicules qui s’y engagent, la durée de transit et les principales voies de sortie.
De plus, l’algorithme d’apprentissage profond est d’une grande aide pour l’élaboration d’une stratégie optimale garantissant une circulation fluide et sûre.
4. Punir les infractions graves
Plus la circulation est dense, plus les infractions sont nombreuses.
L’algorithme est en mesure de détecter les infractions graves commises par des véhicules qui constituent une menace à la sécurité, comme le fait de rouler à contresens ou de mal négocier un virage.
Le système envoie une alerte à la Direction du trafic accompagnée d’une image du véhicule incriminé.
