Kai mašinos išmoko „matyti” automobilius
Pagalvokite apie tai – dar prieš trisdešimt metų idėja, kad kamera galėtų automatiškai nuskaityti automobilio numerį ir per sekundės dalį patikrinti jį duomenų bazėje, skambėjo kaip grynos fantastikos scenarijus. Šiandien tai vyksta kiekvieną kartą, kai pravažiuojate pro greitį matuojantį radarą, įvažiuojate į saugomą automobilių stovėjimo aikštelę arba kirstate valstybės sieną. Automobilių atpažinimo sistemos tapo tokia kasdienybės dalimi, kad dauguma žmonių apie jas tiesiog negalvoja – kol neatsiduria situacijoje, kai sistema kažką „nusprendžia” apie jų automobilį.
Bet kaip visa tai iš tikrųjų veikia? Ir kaip mes nuo paprastų kamerų ant stulpų priėjome prie sistemų, kurios gali atpažinti automobilį iš dešimčių kameros kampų vienu metu, nuspėti jo judėjimo trajektoriją ir net nustatyti vairuotojo elgesio modelius? Ši istorija yra kur kas įdomesnė, nei atrodo iš pirmo žvilgsnio.
Pirmieji žingsniai – kai viskas prasidėjo nuo numerių lentelių
Automatinio numerių lentelių atpažinimo technologija, žinoma ANPR (Automatic Number Plate Recognition) arba LPR (License Plate Recognition) pavadinimu, pirmą kartą buvo sukurta Jungtinėje Karalystėje dar 1976 metais. Tai padarė Policijos mokslinio tyrimo laboratorija – ir iš pradžių sistema buvo tokia primityvi, kad galėtų priversti šiuolaikinį programuotoją kikenti. Pirmieji bandymai turėjo apie 30 procentų klaidos koeficientą, o tai reiškia, kad kas trečias numeris buvo nuskaitomas neteisingai.
Pirmoji reali komercinė ANPR sistema pradėjo veikti 1979 metais ir buvo naudojama stebėti transporto srautus. Tačiau tikras proveržis įvyko tik devintajame dešimtmetyje, kai kompiuteriai tapo pakankamai galingi, kad galėtų apdoroti vaizdus realiu laiku. 1987 metais Jungtinėje Karalystėje sistema pirmą kartą buvo panaudota praktinėje policijos operacijoje – ir tai buvo tikras lūžio taškas.
Lietuvoje panaši technologija pradėta diegti žymiai vėliau – maždaug 2000-ųjų pradžioje, kai į šalį pradėjo plūsti europinės investicijos į infrastruktūrą. Pirmosios sistemos buvo importuotos ir pritaikytos lietuviškiems numerių formatams, o tai nebuvo triviali užduotis – skirtingos šalys turi skirtingus šriftus, dydžius ir formatavimo taisykles.
Kaip iš tikrųjų veikia atpažinimo algoritmai
Daugelis žmonių įsivaizduoja, kad numerių atpažinimas yra kažkas panašaus į tai, kaip žmogus perskaito tekstą – tiesiog pažiūri ir supranta. Realybė yra kur kas sudėtingesnė ir, jei esate technologijų entuziastas, tikrai įdomesnė.
Viskas prasideda nuo vaizdo fiksavimo. Šiuolaikinės ANPR kameros nėra paprastos – jos turi specialius infraraudonųjų spindulių apšvietimo modulius, kurie leidžia nuskaityti numerius net visiškai tamsoje arba esant atspindinčiai šviesai. Šutter greitis paprastai yra labai trumpas – 1/1000 sekundės ar dar trumpesnis – kad automobilis judėdamas 100 km/h nesusilietų vaizde.
Tada prasideda tikrasis magija – vaizdo apdorojimas:
- Numerio lentelės lokalizacija – algoritmas turi rasti, kur vaizde yra numerio lentelė. Tai daroma analizuojant kontrastą, spalvų skirtumus ir geometrines formas.
- Vaizdo normalizacija – lentelė „išlyginama” ir pakoreguojama perspektyva, kad tekstas būtų tiesiai prieš algoritmą.
- Simbolių segmentacija – kiekviena raidė ir skaičius atskiriami vienas nuo kito.
- OCR (optinis simbolių atpažinimas) – kiekvienas simbolis atpažįstamas atskirai.
- Kontekstinis patikrinimas – sistema tikrina, ar gautas rezultatas atitinka žinomus numerių formatus.
Šiuolaikinės sistemos, naudojančios giluminio mokymosi neuroninių tinklų architektūras, gali pasiekti 99,9 procento tikslumą idealiomis sąlygomis. Tačiau realybėje – su purvu, sniego dribsniais, nestandartiniais numeriais ir keistais apšvietimo kampais – tikslumas krenta. Geriausi komerciniai sprendimai šiandien deklaruoja apie 95-98 procentų tikslumą sudėtingomis sąlygomis.
Nuo numerių prie viso automobilio – kompiuterinės regos revoliucija
Numerių lentelių atpažinimas buvo tik pradžia. Tikroji revoliucija prasidėjo, kai mokslininkai ir inžinieriai suprato, kad galima atpažinti ne tik numerį, bet ir patį automobilį – jo markę, modelį, spalvą, net metus.
Šis šuolis tapo įmanomas dėl kelių technologinių pokyčių, sutapusių maždaug 2010-2015 metų laikotarpiu. Pirmiausia – giluminis mokymasis (deep learning). Konvoliuciniai neuroniniai tinklai (CNN) pasirodė esą neįtikėtinai efektyvūs atpažįstant vizualinius objektus. Kai 2012 metais AlexNet laimėjo ImageNet konkursą, sumažindamas klaidų koeficientą beveik perpus lyginant su ankstesniais metodais, visi suprato, kad kažkas iš esmės pasikeitė.
Antra svarbi priežastis – duomenų kiekis. Norint išmokyti neuroninį tinklą atpažinti automobilių modelius, reikia milijonų pavyzdžių. Internetas ir socialiniai tinklai suteikė tą duomenų srautą – staiga tapo įmanoma surinkti dešimtis milijonų automobilių nuotraukų iš visų kampų ir apšvietimo sąlygų.
Šiandien egzistuoja sistemos, kurios gali:
- Atpažinti automobilio markę ir modelį iš bet kokio kampo su daugiau nei 95 procentų tikslumu
- Nustatyti automobilio spalvą net sudėtingomis apšvietimo sąlygomis
- Įvertinti automobilio amžių pagal vizualias charakteristikas
- Aptikti automobilio pažeidimus ar modifikacijas
- Sekti tą patį automobilį per kelias kameras skirtingose vietose
Kur visa tai naudojama – ir kur jūs to nesitikėjote
Akivaizdžiausi naudojimo atvejai – policija ir kelių eismo valdymas. Greičio radarai, raudoną šviesą kertančių vairuotojų fiksavimas, draudimo ir techninės apžiūros patikrinimas – visa tai jau seniai tapo standartu. Tačiau automobilių atpažinimo technologijos prasiskverbė į kur kas daugiau sričių.
Automobilių stovėjimo aikštelės – tai tikriausiai labiausiai matomas komercinis pritaikymas. Šiuolaikinės automatizuotos aikštelės nebeturi nei bilietų, nei barjerų – sistema tiesiog fiksuoja, kada įvažiavote ir kada išvažiavote, ir automatiškai nuskaičiuoja mokestį. Tokios sistemos veikia daugelyje Lietuvos miestų.
Draudimo sektorius – tai mažiau žinoma, bet labai aktyvi sritis. Draudimo kompanijos naudoja automobilių atpažinimo sistemas, kad tikrintų, ar apdrausti automobiliai iš tikrųjų yra ten, kur jų savininkai teigia esant. Kai kurios kompanijos siūlo nuolaidų programas, kuriose jūsų automobilio judėjimas yra stebimas, o draudimo įmoka apskaičiuojama pagal realų naudojimą.
Prekybos centrai ir verslo analitika – taip, jūsų automobilis gali būti stebimas ir čia. Didelės prekybos tinklo kompanijos naudoja automobilių atpažinimo sistemas, kad analizuotų klientų srautus – kiek laiko žmonės praleidžia parduotuvėje, kaip dažnai grįžta, kokiu metu lankosi. Visa tai daroma be jūsų žinios ir, dažniausiai, be aiškaus sutikimo.
Logistika ir krovinių vežimas – didelės logistikos kompanijos naudoja šias sistemas, kad stebėtų savo transporto priemonių judėjimą, optimizuotų maršrutus ir tikrintų vairuotojų darbo valandas.
Oro uostai ir sienos – čia sistemos yra ypač sudėtingos ir integruotos su kitomis saugumo sistemomis. Kiekvienas automobilis, pravažiuojantis pro oro uosto terminalą ar sienos kontrolės punktą, yra automatiškai patikrinamas keliose duomenų bazėse vienu metu.
Privatumo dilema – kai technologijos lenkia įstatymus
Čia prasideda tikrai nepatogi dalis. Automobilių atpažinimo sistemos sukuria milžinišką kiekį duomenų apie žmonių judėjimą. Ir klausimas, kas turi teisę tuos duomenis rinkti, saugoti ir naudoti, vis dar nėra iki galo išspręstas – net ir Europoje, kur BDAR (Bendrasis duomenų apsaugos reglamentas) turėtų suteikti aiškų reguliavimo pagrindą.
Problema yra ta, kad automobilio numerio lentelė techniškai yra vieša informacija – ji matoma kiekvienam praeiviui. Tačiau sistemingas šių duomenų rinkimas ir saugojimas sukuria kažką visiškai kitokio – detalų jūsų judėjimo žurnalą. Žinoti, kad kažkas buvo Vilniuje antradienį, yra viena. Žinoti, kad tas žmogus kiekvieną antradienį 18:30 sustoja toje pačioje gatvėje 45 minutėms – tai jau visiškai kita informacija.
Jungtinėse Valstijose šis klausimas sukėlė daugybę teisinių ginčų. Kai kuriose valstijose privačios kompanijos kuria milžiniškas duomenų bazes, kuriose saugomi automobilių judėjimo duomenys – ir parduoda šią informaciją draudimo kompanijoms, skolų išieškojimo agentūroms ir net privatiems detektyvams. Europoje situacija yra geresnė, tačiau toli gražu ne ideali.
Ką galite padaryti, jei jus tai neramina? Keletas praktinių patarimų:
- Pasinaudokite BDAR teise gauti informaciją – galite kreiptis į savivaldybę ar privačias kompanijas ir paklausti, kokius duomenis apie jūsų automobilį jie turi.
- Atkreipkite dėmesį į privatumo politikas, kai naudojatės automobilių stovėjimo aikštelių programėlėmis.
- Žinokite, kad daugelis kamerų sistemų duomenis saugo ribotą laiką – paprastai 30-90 dienų.
- Jei manote, kad jūsų duomenys naudojami netinkamai, galite kreiptis į Valstybinę duomenų apsaugos inspekciją.
Dirbtinis intelektas ir ateities sistemos – kas laukia už kampo
Šiandieninės sistemos atrodo įspūdingai, tačiau tai, kas kuriama laboratorijose ir startuolių biuruose šiandien, po penkerių metų atrodys kaip norma. Keletas krypčių, kurios jau dabar formuoja ateitį:
Elgesio analizė – sistemos, kurios ne tik atpažįsta automobilį, bet ir analizuoja jo vairavimo elgesį. Staigūs stabdymai, neįprasti manevrai, nenormalus greitis – visa tai gali būti automatiškai fiksuojama ir analizuojama. Tai jau naudojama kai kuriose šalyse, kad anksti aptiktų potencialiai pavojingus vairuotojus.
Multimodalinė integracija – automobilių atpažinimas derinamas su veido atpažinimu, pėsčiųjų stebėjimu ir kitomis sistemomis, kuriant išsamų miesto stebėjimo tinklą. Kinija šiuo metu turi labiausiai išvystytą tokią sistemą pasaulyje – ir ji kelia rimtų klausimų apie tai, kokio lygio stebėjimą esame pasirengę toleruoti.
Autonominiai automobiliai – čia automobilių atpažinimas tampa ne stebėjimo, o saugos klausimu. Autonominis automobilis turi gebėti atpažinti kitus automobilius, nuspėti jų judėjimą ir reaguoti atitinkamai. Šiuolaikiniai autonominiai automobiliai naudoja LiDAR, radaro ir kamerų kombinaciją, o atpažinimo algoritmai yra kritiškai svarbūs jų veikimui.
Realaus laiko eismo valdymas – miestai eksperimentuoja su sistemomis, kurios gali dinamiškai keisti šviesoforų ciklus, remiantis realiu laiku stebimais automobilių srautais. Tai gali žymiai sumažinti spūstis ir taršą.
Kai sistema klysta – ir kodėl tai svarbu
Nė viena sistema nėra tobula, ir automobilių atpažinimo technologijos nėra išimtis. Tačiau klaidos šioje srityje gali turėti rimtų pasekmių realiems žmonėms.
Vienas garsiausių pavyzdžių – 2020 metais Jungtinėse Valstijose vyras buvo neteisingai suimtas, nes veido atpažinimo sistema (dirbanti kartu su automobilių atpažinimo sistema) jį identifikavo kaip nusikaltėlį. Jis praleido kelias dienas sulaikymo izoliatoriuje, kol klaida buvo ištaisyta. Panašūs incidentai nutinka reguliariai – tiesiog apie juos ne visada pranešama viešai.
Techninės klaidos gali atsirasti dėl:
- Panašių numerių – kai du skirtingi automobiliai turi vizualiai panašias numerio lenteles
- Pažeistų ar nešvarių numerių – sistema gali neteisingai interpretuoti dalį simbolių
- Duomenų bazių klaidų – net jei numeris nuskaitytas teisingai, informacija duomenų bazėje gali būti pasenusi ar neteisinga
- Klonuotų numerių – nusikaltėliai kartais naudoja kopijuotas numerio lenteles, kad išvengtų atpažinimo
Jei kada nors atsidursite situacijoje, kai sistema „nusprendė” kažką neteisingo apie jūsų automobilį – pavyzdžiui, gausite baudą už pažeidimą, kurio nepadarėte – žinokite, kad turite teisę ginčyti šį sprendimą. Reikalaukite vaizdo įrašų, tikslaus laiko ir vietos duomenų. Dažnai paaiškėja, kad klaida yra sistemos, o ne vairuotojo.
Greičiau, protingiau, visur – technologijos, kuri jau yra mūsų gyvenimo dalis
Automobilių atpažinimo sistemų raida yra puikus pavyzdys to, kaip technologija gali evoliucionuoti nuo laboratorinio eksperimento iki visur esančios infrastruktūros per vos kelis dešimtmečius. Nuo pirmųjų nepatikimų kamerų septintajame dešimtmetyje iki šiandieninių dirbtinio intelekto sistemų, kurios gali atpažinti automobilį iš dešimčių metrų atstumo per pūgą – tai tikrai įspūdingas kelias.
Tačiau technologinis pažangumas pats savaime nėra tikslas. Svarbiausi klausimai, kuriuos turėtume užduoti, yra ne „ar galime tai padaryti?”, bet „ar turėtume tai daryti?” ir „kaip užtikrinti, kad tai būtų daroma atsakingai?”. Automobilių atpažinimo sistemos gali padėti gaudyti nusikaltėlius, valdyti eismą ir daryti miestus efektyvesnius – tačiau jos taip pat gali tapti totalaus stebėjimo įrankiu, jei nėra tinkamos priežiūros ir reguliavimo.
Geras žingsnis kiekvienam iš mūsų – tiesiog žinoti, kad šios sistemos egzistuoja ir veikia. Žinoti savo teises. Domėtis, kaip vietinė savivaldybė ar privatūs operatoriai naudoja surinktus duomenis. Ir balsuoti už politikus, kurie supranta skaitmeninio privatumo svarbą – nes galiausiai tai yra politinis, o ne tik technologinis klausimas. Automobiliai išmoko būti atpažįstami. Dabar mūsų eilė išmokti, ką su tuo daryti.
