自助收银导致货损增加,阿里安全如何用视频识别AI应对?

自助收银导致货损增加,阿里安全如何用视频识别AI应对?

大多数情况下,开放自由和安全有序是一对反义词,但阿里安全图灵实验室高级专家觉奥希望找到一种方法,让它们在零售场景完美共存。

自助收银导致货损增加

在新零售理念潜移默化的影响下,商家愈发追求效率和用户体验。他们积极引进新的技术和设备,以减少人工参与,压缩人力成本并营造尽量开放自由的用户体验。

以收银为例,国内消费者对自助收银设备已经不再陌生。消费者选购完商品,通过手机APP或收银台的扫描设备扫描商品并完成结算就可以径直离开。

这种方便快捷的结算方式甫一推出就受到了年轻消费者的欢迎,调查显示,66%的消费者均对自助收银技术表示认可。另一项数据显示,自助收银设备在全球的年复合增长率高达15.3%,势头十分迅猛。

然而,自助收银设备提升效率并改善用户体验的同时,也增加了商品盗损的风险。

调查结果表明,在英国自助收银环境下的商品盗损率约为4%,是非自助收银环境下平均水平的2倍。在美国,这一比例更加悬殊,达到了5倍之多,给零售商造成了沉重的损失。

投入更多人力防止盗损显然违背了零售商引进自助收银技术的初衷,理想的办法是引进更加先进的技术。

视频识别防患于未然

零售业常用的防盗损技术有RFID和视频识别。

RFID技术已经非常成熟,它的优点在于识别率较高,而且能够用于供应链管理;短板则在于后期维护成本高,对金属、液体不友好。

视频识别覆盖范围广、可存储、可追溯,且能够用于会员和新客的识别;但初期投入大,一家大卖场需要安装数百个摄像头,而一个摄像头的成本就高达上千元。另外,视频识别的精度也还有很大的提升空间。

作为一个以计算机视觉技术见长的团队,阿里安全图灵实验室决定用视频识别的方法来解决商品盗损问题。

阿里安全图灵实验室高级专家觉奥向雷锋网介绍,偷盗行为看似简单,但可以拆解成三个具体环节——可疑人员、拿取行为、付款行为。假如一个可疑人员拿了商品却没有付款就离开了门店,便构成了一条完整的偷盗证据链。图灵实验室的视频识别防盗损系统重点关注的也是这三个环节。

首先要解决的是可疑人员识别。偷盗行为非常复杂,有些是惯偷,有些只是临时起意,比如对服务不满的报复式偷盗。惯偷的识别相对简单,因为商家的视频监控系统中一般包含了这些人的照片信息,只需要通过安全AI技术在他进店时将其识别出来并进行事先预警即可。

非惯偷的识别复杂得多,需要借助一系列行为动作分析。小偷在商场作案时通常有一些惯用手法,比如东张西望寻找视频监控的盲点。倘若能通过这些行为识别出可疑人员,并第一时间进行干涉,就可以将很多偷盗行为扼杀在襁褓之中。

为此,阿里安全图灵实验室走访了很多公安人员和商场防损员,向他们学习经验,最后总结出了18个高风险人员特征。根据这些高风险人员特征,系统就能第一时间发现可疑人员。

锁定可疑人员后,系统还会持续追踪他在货架、收银台、出入口等关键位置的行为,比如是否拿取了商品,有没有破坏商品标签或者故意漏扫商品等。

觉奥向雷锋网(公众号:雷锋网)介绍,国内外已经有很多企业在开发基于视频识别的防盗损系统,其中很多只针对某一个特定环节,作用有限。要达到更好的防盗损效果,AI还需要学习完成更多更复杂的任务。

AI防盗损系统的四大“引擎”

据介绍,阿里安全图灵实验室的这套针对小偷这类风险人物的防盗损系统主要涉及四项核心技术——目标检测、身份识别、动作识别和人机交互。

首先,系统需要通过目标检测技术检测出人体、背包、商品、货架、收银台等需要重点关注的目标。目标检测的难点在于人、货架、商品之间会相互遮挡,而且人是在不断移动的,在摄像头视野中时隐时现。

其次是身份识别,看可疑人员是否在黑名单中,主要包括人脸识别和人体特征、属性识别。目前,1:1的配合式人脸识别技术已经非常成熟。但在零售场景中,通常是1:N或M:N的非配合式人脸识别,难度要大得多。

可疑人员进店时很可能是低着头的,根本拍摄不到人脸,这时候就需要用到人体特征或属性识别,根据高矮、胖瘦、穿着、发型等特征进行身份匹配。这样一来,可疑人员进店后,只要有一个镜头拍到了正脸,其余时间就可以通过人体特征和属性来对其进行追踪,分析其风险行为。

这个过程也不容易,同一个人在同一时段穿同一件衣服,因为光照、环境的原因,成像效果可能天差地别,肉眼很难判断,这给技术人员提出了很大的挑战。

然后是动作识别,利用人体的关键点特征,分析可疑人员是否有取货或付款的动作。

最后是人机交互。确定偷盗行为后,如何第一时间将风险呈现给工作人员,帮助他及时采取应对措施,并通过一套反馈机制,帮助系统不断修正判定结果。另外,在偷盗行为出现后,系统如何自动整理保存证据——比如截取一段关键视频,也值得关注。

商业落地途中的三大挑战

当技术落地到具体的应用场景中,必然会受到许多约束和限制,首先需要考虑的就是成本。

作为一个整体利润率偏低的行业,零售业对于成本非常敏感。前面提到,基于视频识别的防盗损系统初期投入巨大;为了平衡投入与产出,业内常用的做法是复用商场内已有的视频监控摄像头。这种做法存在一定的缺陷:普通监控摄像头的特点是视角大,分辨率低,获取的图像质量不高,给人脸识别算法提出了极其严峻的考验。

实时性也是AI防盗损系统在实际应用中非常重要的一个点。偷盗行为的事后追溯成本较高,对零售企业是一项沉重的负担。最好的办法是能够防患于未然,这就给系统的算力和算法优化提出了更高的要求。

必须承认,百密难免一疏。即使技术人员投入了很多精力打磨产品,系统也很有可能出现“失察”的情况。过去事后追溯需要人工回看录像,效率非常低下。如果能够利用AI技术帮助保安人员快速定位出丢失的东西是谁拿走的,无疑是非常有价值的。

另外,过去为了方便事后追溯,需要将所有视频信息一帧不漏地保存下来,成本不菲。觉奥认为,如果能利用AI系统对信息进行筛查,只保留最关键的部分,就可以提高视频存储的效率。“之前系统只能存储一个月的信息,我们这样做就能存储一年甚至十年的信息”。

不难预见,随着自助收银技术的普及,对防盗损系统的需求势必会愈发强烈。而阿里安全图灵实验室的探索和实践证明视频识别路线是可行且富有前景的。觉奥向雷锋网表示,除了防盗,未来阿里安全图灵实验室的这套系统也会在客流分析、货架分析等方向做一些正向应用,一来提高系统的性价比,二来也有利于其快速普及。

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/65872.html

(0)
上一篇 2021年8月11日 04:08
下一篇 2021年8月11日 04:08

相关推荐

发表回复

登录后才能评论