Analyse automatisée des données, reconnaissance faciale, lecture automatique de plaques d’immatriculation (Lapi)... La vidéosurveillance utilise des technologies à différents stades de maturité, telles que la biométrie, le big data, le machine learning et les réseaux de neurones pour lutter contre le terrorisme et garantir la sécurité des personnes.
Jeudi 20 avril, 20h47. Sur les Champs-Elysées à Paris, Karim Cheurfi tire des rafales à la Kalachnikov sur six policiers de la 32ème compagnie d’intervention de la préfecture de police, tuant l’un d’entre eux, Xavier Jugelé, avant d’être lui-même abattu. Quel aurait pu être le rôle, dans cette situation précise, d’une vidéosurveillance intelligente (VSI) ? « Le temps réel ! répond Dominique Legrand, président de l’Association nationale de la vidéoprotection (AN2V). Je prends souvent le modèle « Avant, pendant, après », trois temporalités qui correspondent à la prévention, l’action et l’élucidation liées à un acte de terrorisme ou de délinquance. La vidéoprotection reste un excellent outil d’élucidation et de dissuasion. Ce dont nous avons besoin désormais, c’est « ici et maintenant », en quelques minutes, de connaître la vie de Karim Cheurfi : par quelle station de métro est-il sorti ? A-t-il discuté avec quelqu’un ? Quel itinéraire a-t-il suivi ? »
En l’état actuel des choses, pour retrouver les auteurs d’attaque terroriste ou de n’importe quel crime ou délit, des enquêteurs doivent visionner les enregistrements des quelques 40.000 caméras de vidéosurveillance de la RATP à Paris. Un travail colossal. « Souvenons-nous de l’homme au chapeau de l’attentat de l’aéroport de Bruxelles en mars 2016, dont l’identification a duré près d’un mois, reprend Dominique Legrand. Grâce à l’automatisation de la comparaison faciale, on l’aurait retrouvé sur les caméras en quelques minutes. »
Améliorer les performances de la vidéoprotection, une volonté politique
L’AN2V travaille actuellement sur le contrôle automatique des données signalétiques des véhicules (groupe de travail CADSV). « Il s’agit, par exemple, de repérer une Audi 6 noire qui porte les plaques minéralogiques d’un autre véhicule. Aujourd’hui, les algorithmes embarqués dans les caméras savent déjà reconnaître la marque, le modèle et la série d’un véhicule. Quant aux caméras thermiques, elles lisent les plaques d’immatriculation dans toutes les conditions d’éclairage et de météo. Cette technologie est à présent mature, elle fonctionne et on la maîtrise. Il faut travailler sur le plan juridique pour alerter en temps réel », reprend le président de l’AN2V. En juin, l’association va lancer un autre groupe de travail avec les acteurs du secteur sur la reconnaissance faciale, plus technique que la Lecture automatique des plaques d’immatriculation (Lapi). « L’idée est de réfléchir à six plans : stratégique, organisationnel, technique, juridique, financier et éthique pour mettre en œuvre un outil efficace », décrit Dominique Legrand.
En outre, avec l’entrée de l’AN2V dans le Conseil des industriels de la confiance et de la sécurité (Cics), lui-même partie prenante du Comité de la filière industrielle de sécurité (CoFIS), présidé par l’État, les résultats des travaux de l’Association sont attendus. Car le Cics constitue l’interlocuteur industriel des pouvoirs publics. Son but : répondre au mieux aux besoins de sécurité de l’État et des citoyens. « Dans le document de politique industrielle que nous élaborons, nous avons identifié une thématique importante, celle de la sécurité de la ville intelligente », détaille Jacques Roujansky, délégué du Cics. Dans ce cadre-là, de nombreuses actions vont être déployées, dont le développement de l’intelligence artificielle dans le domaine de la vidéosurveillance.
Interconnecter différents systèmes pour recouper les informations
Employés, entre autres, par la Direction générale de la sécurité intérieure (DGSI) et la préfecture de police de Paris, les réseaux de neurones de Spikenet sont capables d’apprendre. La technologie s’inspire du mécanisme de réseaux de neurones du cerveau humain. « Du nerf optique au cortex, plus on monte, plus les couches de neurones sont hiérarchisées, précise Hung Do-Duy, président de Spikenet Technology SAS. L’intelligence artificielle est un terme à la mode mais l’apprentissage machine a toujours existé. La seule différence, c’est la puissance de calcul qui, aujourd’hui, est beaucoup plus accessible. Auparavant, les modélisations ne pouvaient donc atteindre le niveau de complexité d’aujourd’hui. Jusqu’à présent, on n’utilisait que quelques couches de neurones. Désormais, nous sommes capables d’utiliser plus d’une centaine de couches ! »
En temps réel ou a posteriori, Spikenet est le premier système de biométrie faciale à la volée, capable d’extraire les motifs visuels nécessaires pour authentifier un visage. Le logiciel relève ainsi les défis techniques correspondant aux besoins policiers dans le cadre de la lutte contre le terrorisme et la délinquance : des images enregistrées dans de mauvaises conditions de prises de vue, avec une résolution basse, du bruit, des angles différents. « Le système peut discerner n’importe quel motif à partir d’échantillons injectés, révèle Hung Do-Duy. Si l’auteur d’une agression porte une cagoule mais un vêtement sur lequel apparaît un signe visuel, la machine reconnaît le motif et le récupère sur d’autres images. » Alors soit on remonte le temps pour tracer l’itinéraire de l’individu, soit on l’accélère et on le suit. Dernière étape : le « matching », c’est-à-dire l’identification faciale.
Récemment, Spikenet a passé un test en conditions réelles avec des caméras de vidéosurveillance à Paris : les visages de 150.000 individus à raison 5 à 200 visages par individu (1,5 million d’images au total) ont été chargés dans le logiciel afin de retrouver une personne. Autant chercher une aiguille dans une botte de foin ! « En quelques secondes, le visage de la personne recherchée est sorti 8 fois sur les 20 premiers résultats », reprend Hung Do-Duy qui, depuis trois ans, porte ses algorithmes sur plates-formes matérielles.
sur des plates-formes matérielles. © Spikenet
Pas question de remplacer l’homme par la machine
De son côté, FoxStream, basée à Vaulx-en-Velin dans le Rhône (CA 1,5 million en 2016), édite des logiciels d’analyse vidéo depuis 13 ans. La société s’est spécialisée dans la protection extérieure des bâtiments en temps réel. « L’idée, c’est que les images des caméras filmant les bordures d’une propriété soient analysées en temps réel par un logiciel capable d’alerter un télésurveilleur ou un gardien sur place en cas de franchissement », avance Jean-Baptiste Ducatez, fondateur de Foxstream. Le défi technique réside ici dans les fausses alarmes : en un week-end, la caméra décèle entre 10.000 et 20.000 mouvements. « En extérieur, les systèmes détectent tout : une branche, un oiseau, une voiture. Difficile de programmer un algorithme capable de filtrer ce qui est dangereux ou ce qui ne l’est pas et de discerner ce qui appartient ou n’appartient pas à la classe humaine. »
Mais pas question pour autant de remplacer l’homme par la machine. « L’ordinateur est faillible, il ne propose que des tris, des pourcentages, nuance Dominique Legrand. Il analyse des millions de pétaoctets à travers la planète. L’homme, lui, supervise ces données, les comprend, les intègre. » L’objectif : gagner du temps. En cela, la détection audio est à accentuer. « Tous les mammifères se servent de leur ouïe comme principale alerte. La levée de doute visuelle vient dans un second temps. Les caméras ne doivent pas être sourdes. » Bris de glace, klaxon insistant, tir d’arme à feu, appel au secours, les nouveaux dispositifs doivent pouvoir alerter sur les sons anormaux.
Caroline Albenois
© TCA-innov24
Commentez