Intelligente Videosuche mit Metadaten: attributbasierte Ereignisprüfung

Wie funktioniert intelligente Videosuche vor Ort? Erzeugung von Attributen, Speicherung von Metadaten, Nacht- und Winkelfehler, die Ergebnisse verfehlen lassen, Ablauf der Ereignisprüfung und Datenschutzgrenzen.
Technische Zusammenfassung
Technologie
VMS, Videoanalyse, Metadatenindexierung, ONVIF Profile M, NTP
Thema
Ereignisprüfung in Aufzeichnungen mit attributbasierter Suche
Niveau
Mittel
Voraussetzungen
  • Berechtigung zu Aufzeichnung und Export in VMS/NVR
  • Kameraplan
  • Aufbewahrungsrichtlinie für Aufzeichnungen
In diesem Beitrag7 Abschnitte

Die Beschreibung nach einem Ereignis ist immer gleich vage: „am Nachmittag, jemand mit roter Jacke, ging an der Rampe hinaus.“ Mit dieser Beschreibung die Aufzeichnungen Dutzender Kameras stundenlang von vorn anzusehen, ist die Arbeit, bei der das Prüfteam am meisten Zeit verliert. Metadatenbasierte intelligente Videosuche fragt bei der Aufzeichnung erzeugte Objekt- und Attributinformationen ab und verkürzt den anzusehenden Zeitraum auf Minuten. Sie findet aber nur, was die Analyse gesehen hat; im Folgenden beschreiben wir, wie die Suche funktioniert, wo Metadaten erzeugt und gespeichert werden, warum Ergebnisse täuschen und einen Prüfablauf, der vor Ort funktioniert.

Wie metadatenbasierte Suche funktioniert

Die klassische Bewegungssuche listet Momente mit Pixeländerung im gewählten Bereich. Ein im Wind schwankender Baum, Wolkenschatten und Scheinwerfer sind ebenfalls Pixeländerungen; die Liste fällt deshalb voll aus. Die Metadatensuche fragt das Video dagegen gar nicht ab. Die Analyse-Engine verarbeitet bei der Aufzeichnung jedes Frame (oder in Abständen abgetastete Frames) und schreibt in einen eigenen Datensatz:

  • Objektklasse: Vom Modell erkannte Klassen wie Person, Fahrzeug, Fahrrad, Stapler.
  • Position: Begrenzungsrahmen (Bounding Box) des Objekts in jedem Frame und Zeitstempel.
  • Spur-ID (Track): Eine nur innerhalb dieser Kamera aussagekräftige Nummer, die die Positionen desselben Objekts in aufeinanderfolgenden Frames verknüpft.
  • Attribute: Klassifikatorausgaben und Konfidenzwerte wie Farbe, Fahrzeugtyp, Bewegungsrichtung, Geschwindigkeitsschätzung, Vorhandensein von Mütze oder Tasche.

Bei einer Suche fragt das VMS diesen Index ab: Die Abfrage „Kamera 12–18, 14:00–16:00, Klasse=Person, Oberbekleidung=rot, Richtung=Ausgang“ liefert in Sekunden eine Spurliste. Der Bediener sieht zu jeder Spur ein Vorschaubild und einen Kurzclip, öffnet die relevante und sieht das eigentliche Video an. Eine Tatsache darf hier nicht übersehen werden: Die Suche fragt nicht das Video ab, sondern die Zusammenfassung, die die Analyse über das Video geschrieben hat. Hat die Analyse ein Objekt verpasst oder ein Attribut falsch etikettiert, erscheint diese Aufzeichnung gar nicht in der Ergebnisliste.

Was nicht im Index steht, steht auch nicht in der Suche.

Manche Plattformen bieten neben der Attributsuche auch eine Ähnlichkeitssuche: Der Bediener wählt das Bild einer Person oder eines Fahrzeugs, das System vergleicht Merkmalsvektoren des Aussehens und sortiert ähnliche Bilder aus anderen Kameras. Bei der kameraübergreifenden Verfolgung spart das viel Zeit. Dafür sind diese Vektoren sensiblere personenbezogene Daten als Attributetiketten; darauf kommen wir im Abschnitt Datenschutz zurück.

Tabelle der erzeugten Attribute

Welche Attribute erzeugt werden, hängt von Hersteller und Modell ab. Die Tabelle zeigt verbreitete Attributgruppen und die typische Bedingung, die ihre Verlässlichkeit vor Ort beeinträchtigt. Stellen Sie bei der Produktwahl zu jeder Zeile eine Frage: Wird dieses Attribut bei uns wirklich genutzt?

Attribut Typische Werte Bedingung, die die Verlässlichkeit begrenzt
Objektklasse Person, Fahrzeug, Fahrrad Kleines Ziel, starke Überdeckung
Kleidungsfarbe Ober-/Unterbekleidung, Farbfamilie IR-Modus, Weißabgleich, farbiges Licht
Accessoire Mütze, Tasche, Rucksack Pixelgröße des Ziels, Winkel
Fahrzeugtyp Pkw, Transporter, Lkw, Bus Teilweise Sichtbarkeit, ungewöhnliche Karosserie
Fahrzeugfarbe Farbfamilie Reflexion, Scheinwerfer, Nacht
Bewegungsrichtung und Geschwindigkeit Richtungsvektor, relative Geschwindigkeit Perspektive, fehlende Kalibrierung
Zonen-/Linienereignis Eintritt in Zone, Linienüberschreitung Spurabriss, Genauigkeit der Zonenzeichnung

Farbe ist eine Klassifikatorausgabe, keine Messung. Das System kann eine dunkelblaue Jacke als „schwarz“, ein graues Fahrzeug im Sonnenuntergang als „orange“ etikettieren. Gut gestaltete Suchmasken erlauben deshalb die Wahl mehrerer Farben und das Senken der Konfidenzschwelle. Ein Bediener, der diese beiden Einstellungen nicht kennt, hält eine Suche mit Ergebnis für „leer“.

Erzeugung und Speicherung von Metadaten

Metadaten können an drei Stellen erzeugt werden. Die Wahl bestimmt Kosten und ob rückwirkende Suche möglich ist:

  1. In der Kamera (Edge): Eine analysefähige Kamera sendet zusammen mit dem Videostream einen Metadatenstream. Auf ONVIF-Seite sind Schnittstellen für Analysemetadaten und Ereignisse mit ONVIF Profile M definiert. Dass das VMS diesen Stream indexiert und durchsuchbar macht, ist aber eine eigene Fähigkeit; nehmen Sie sie nicht ab, ohne das Paar Kamera–VMS getestet zu haben.
  2. Auf Aufzeichnungs- oder Analyseserver: Ein ans VMS angebundener Dienst für KI-Videoanalyse decodiert Livestreams, führt das Modell aus und schreibt den Index direkt in die VMS-Datenbank. Er ist unabhängig von der Kameramarke; im Gegenzug braucht er GPU- und Netzkapazität.
  3. Rückwirkende Verarbeitung: Nach dem Ereignis wird nur die Aufzeichnung der gewählten Kamera und des Zeitraums analysiert. Gibt es keinen Index, ist das die einzige Option; die Dauer hängt von der zu verarbeitenden Videomenge und der Hardware ab.

Diese Entscheidung fällt nicht getrennt von der allgemeinen Platzierung der Analyse; beide Ansätze vergleichen wir im Beitrag Edge-Analyse oder serverbasierte Analyse.

Bei der Speicherung vor Ort am häufigsten übersehene Punkte:

  • Volumen: Metadaten sind im Vergleich zum Video klein, aber in belebten Szenen wachsen Spur- und Frame-basierte Rahmendaten schnell. Messen Sie bei Pilotkameras die tägliche Indexgröße und dimensionieren Sie die Datenbankplatte danach.
  • Verknüpfung mit dem Video: Der Zeitstempel im Index verweist auf das Video. Sind die Kamerauhren nicht per NTP synchron, entsteht ein Versatz zwischen Metadaten und Video, und die kameraübergreifende Spurensuche wird schwierig. Als Erstes ist NTP zu prüfen.
  • Aufbewahrungsdauer: Nach Löschung des Videos verbleibende Metadaten werden zu einer nicht überprüfbaren Zusammenfassung. Definieren Sie die Aufbewahrungsdauer zusammen mit dem Video und wenden Sie automatisches Löschen auf beides an.
  • Sicherung und Hochverfügbarkeit: Das VMS-Failover-Konzept muss auch die Indexdatenbank umfassen. Andernfalls ist beim Wechsel auf den Reserveserver Video vorhanden, aber nicht durchsuchbar.

Was die Suchgenauigkeit begrenzt

Von der intelligenten Suche erwartet jeder, dass sie „alles findet“. Tatsächlich findet die Suche so viel, wie die Analyse sieht. Häufige Begrenzungen:

Pixel und Winkel

Attributklassifikatoren brauchen mehr Pixel als die Objekterkennung. Eine für allgemeine Abdeckung mit weitem Winkel installierte Kamera erkennt eine Person, kann aber Rucksack oder Kleidungsfarbe möglicherweise nicht verlässlich unterscheiden. Kameras, die das Ziel an Durchgangspunkten wie Eingang, Drehkreuz und Tür groß zeigen, sind die ergiebigste Quelle für die Suche. Den Einfluss der Kamerageometrie beschreiben wir mit Zahlenbeispielen im Beitrag Einfluss von Kamerawinkel und Auflösung auf die Analysegenauigkeit.

Licht und Farbe

Im Nachtmodus mit IR-Beleuchtung ist das Bild monochrom; das Farbattribut wird entweder gar nicht oder sinnlos erzeugt. Natriumdampflampen oder farbige LED-Beleuchtung verschieben ebenfalls die Farbwahrnehmung. In Nachtaufnahmen mit Farbfilter zu suchen, ist die häufigste Ursache verfehlter Ergebnisse.

Spurabriss und Überdeckung

In einer Menge oder beim Durchgang hinter einer Säule reißt die Spur ab, und dieselbe Person wird als zwei getrennte Spuren erfasst. Die Ergebniszahl steigt, aber das eigentliche Problem ist ein anderes: Das Attribut ist vielleicht nur in einer Spur korrekt berechnet, die andere Spur fällt nicht in den Filter. Die Person erscheint einmal in der Liste, ihr zweiter Durchgang geht verloren.

Analysebildrate und Version

Um Ressourcen zu sparen, kann die Analyse mit wenigen Frames pro Sekunde laufen. Dann erscheint ein schnell vorbeifahrendes Fahrzeug in ein oder zwei Frames, und sein Attribut wird schwach geschätzt. Auch nach einem Modellupdate haben erzeugte Attribute möglicherweise nicht dieselbe Verteilung wie frühere Aufzeichnungen. Bei einer Suche über Monate verfälscht dieser Unterschied das Ergebnis.

Ablauf der Ereignisprüfung

In Unternehmens-Kamerasystemen schafft die intelligente Suche nicht allein Wert, sondern innerhalb eines definierten Prüfprozesses. Der Ablauf, der vor Ort funktioniert:

  1. Ereignisvorgang eröffnen: Antragstellende Person, Beschreibung des Ereignisses, geschätzte Zeit und Ort, Zweck der Prüfung und Berechtigungsgrundlage werden erfasst. Die Suchberechtigung wird an diesen Vorgang gebunden.
  2. Umfang festlegen: Kameras, die den Ereignisort sehen, und Kameras an Ein- und Ausgängen werden gewählt. Der Zeitraum wird so weit gefasst, dass er vor und nach der geschätzten Ereigniszeit liegt; die Uhrzeit der beschreibenden Person ist oft falsch.
  3. Mit weitem Filter beginnen: Suchen Sie zuerst mit verlässlichen Attributen wie Klasse, Zone und Richtung; fügen Sie Farb- und Accessoirefilter in der zweiten Runde hinzu.
  4. Ergebnis am Video bestätigen: Jede Kandidatenspur wird nicht am Vorschaubild, sondern an der Aufzeichnung selbst bewertet. Bestätigte Momente werden markiert (Bookmark).
  5. Kameraübergreifende Kette aufbauen: Vom bestätigten Bild geht man mit Zeit- und Richtungsangabe zu benachbarten Kameras; gibt es Ähnlichkeitssuche, wird sie hier genutzt.
  6. Beweis sichern und exportieren: Die betreffenden Clips werden so exportiert, dass eine Integritätsprüfung möglich ist, und der Vorgang wird protokolliert. Details zu diesem Schritt im Beitrag Ereignisprüfung bei Kameraaufzeichnungen und Beweiskette.
  7. Abschlussnotiz schreiben: Genutzte Filter, geprüfte Kameras und Ergebnis werden in einer kurzen Notiz dem Ereignisvorgang hinzugefügt. Wird dasselbe Ereignis erneut geöffnet oder geprüft, ist das das erste Dokument, das man ansieht.

Für Fälle, in denen die Suche nichts findet, muss eine Ausweichmethode definiert sein: Bewegungssuche oder beschleunigte Ansicht bei kritischen Kameras. Das Team muss diese Unterscheidung kennen: „Die Suche hat kein Ergebnis geliefert“ und „Es gab kein Ereignis“ sind nicht dasselbe.

Den Umfang für Plattformwahl, Indexierungsarchitektur und Aufbau der Prüfmasken finden Sie auf der Leistungsseite Intelligente Videosuche und Ereignisprüfung.

Metadaten und Datenschutz

Metadaten können auch ohne Bild auf eine Person verweisen. Der Eintrag „Person mit schwarzer Jacke und Rucksack, um 08:02 Uhr durch Tor A eingetreten“ kann unter der begrenzten Zahl von Beschäftigten, die an diesem Tag dieses Tor nutzen, genau eine Person bezeichnen. Behandeln Sie Metadaten im selben Datenschutzrahmen wie das Video.

  • Zugriffsrecht: Die Suchmaske ist ein mächtigeres Werkzeug als die Live-Ansicht. Öffnen Sie sie nur für die Prüfrolle; jede Abfrage wird mit Benutzer, Zeit und Kriterien im Audit-Trail erfasst.
  • Zweckgrenze: Verhindern Sie durch Prozess- und Berechtigungsdesign, dass eine für die Prüfung von Sicherheitsereignissen aufgebaute Infrastruktur in die Verfolgung von Mitarbeiterverhalten abgleitet.
  • Wahl der Attribute: Schalten Sie ungenutzte Attribute ab. Attribute wie Alters- oder Geschlechtsschätzung tragen wenig zur Ereignisprüfung bei, vergrößern aber das Datenschutzrisiko.
  • Ähnlichkeits- und Gesichtssuche: Merkmalsvektoren des Aussehens und insbesondere Gesichtsvorlagen eröffnen die Debatte um biometrische Daten; die technischen Grenzen behandeln wir gesondert im Beitrag KVKK-Grenzen bei der Videoanalyse.
  • Maskierung: Prüfen Sie je Produkt, ob die Analyse in einem Bereich mit Privatzonenmaske arbeitet. Werden im maskierten Bereich Attribute erzeugt, gibt es einen Datenfluss, den niemand erwartet.

Häufig gestellte Fragen

Funktioniert die Metadatensuche auch bei Nachtaufnahmen?

Teilweise. Objektklasse, Richtung und Zone werden auch nachts erzeugt. Sobald die Kamera mit IR in den Schwarz-Weiß-Modus wechselt, wird das Farbattribut unzuverlässig, und der Farbfilter verfehlt Ergebnisse. Arbeiten Sie bei der Nachtsuche statt mit Farbe mit Filtern nach Klasse, Richtung, Zeit und Zone.

Dürfen Metadaten länger aufbewahrt werden als die Videoaufzeichnung?

Technisch ja, aber auch Metadaten sind einer Person zuordenbare Aufzeichnungen. Die Aufbewahrungsdauer muss durch den Zweck begründet und in der Richtlinie zusammen mit dem Video definiert sein. Können Sie nicht erklären, warum Sie Metadaten nach Löschung des Videos behalten, ist es vertretbarer, beides zusammen zu löschen.

Ist intelligente Videosuche mit vorhandenen Kameras möglich?

Erzeugt die Kamera keine Analysemetadaten, erfolgt die Attributextraktion serverseitig aus dem Livestream oder aus aufgezeichnetem Video. Für alte Aufzeichnungen ist eine rückwirkende Verarbeitung nötig, und die GPU-Kapazität wird entsprechend geplant. Die Qualität des Ergebnisses bestimmt dennoch die Kamera: Sieht sie das Ziel nicht mit ausreichend Pixeln und im richtigen Winkel, bleibt auch die Suche schwach.

Gilt ein Suchergebnis allein als Beweis?

Nein. Ein Suchergebnis zeigt nur Kandidaten für anzusehende Aufzeichnungen. Ein Ereignis gilt als festgestellt, wenn das betreffende Video von einem Bediener angesehen und bestätigt wurde; als Beweis dient nicht die Metadaten, sondern die unter Wahrung der Integrität exportierte Videoaufzeichnung.

Support

Kontaktieren Sie uns für Support oder eine Bestandsaufnahme zu diesem Thema.

Kontaktformular
[email protected]

Eretek Videoüberwachung

IP-Kameras, Aufzeichnung und zentrale Verwaltung. Tote Winkel, Aufbewahrungsdauer und Kameranetz planen wir nach dem Risiko des Standorts.

Wissenszentrum

Weitere Beiträge