Op steeds meer plaatsen zien we camera’s. Publieke en openbaar toegankelijke plaatsen hangen er vol mee. Vaak wordt dit gekoppeld aan een belofte: ‘meer veiligheid’. Maar de vraag is hoeveel camera’s nu daadwerkelijk bijdragen aan de veiligheid. Het gaat hier dus uiteindelijk over de kosten van implementatie en beheer van camera’s enerzijds en de bijdrage aan de veiligheid anderzijds.
Hoe kunnen we de opbrengsten van cameratoezicht bepalen? Door onszelf bijvoorbeeld de volgende vragen te stellen:
Dat zijn geen eenvoudige vragen, en wanneer ze al beantwoord kunnen worden zijn de baten veelal niet uit te drukken in geld.
Aan de kostenkant van cameratoezicht blijkt dat de kosten van het feitelijke menswerk de hoogste zijn. Plaatsing van camera’s en de technische instandhouding zijn vooraf redelijk tot goed te kwantificeren. De kosten van het uitoefenen van toezicht zijn veel moeilijker te kwantificeren. Het is ook sterk afhankelijk van hoe je het toezicht uitvoert. Zo is proactief cameratoezicht (waarbij feitelijk surveillance live wordt uitgevoerd) erg tijdsintensief. In de praktijk kan 1 surveillant in een meldkamer tot circa 20 beelden gelijktijdig volgen. Dat betekent niet dat hij/zij alles ziet maar dat de bijzondere situaties gefilterd worden en dat daarop nadrukkelijk toezicht wordt gehouden. In de praktijk gebeurt immers niet overal gelijktijdig iets.
Voordeel van camerasurveillance is dat het ongezien kan plaatsvinden. Een surveillant op straat is zichtbaar en heeft evenals een camera een preventieve werking maar in de directe omgeving van een surveillant zal niet veel met opzet aan negatief gedrag gebeuren. Bij een camera is die rem er veel minder. Voordeel van een camera is ook dat de vastlegging eenvoudig kan plaatsvinden.
Maakt dat een surveillant overbodig? Nee, natuurlijk niet. Een surveillant op straat doet meer dan alleen kijken en observeren. Hij neemt ook acties en heeft veel meer sensoren dan alleen zijn ogen. Camera’s zijn wel een goede aanvulling en een camerasurveillant kan meerdere plaatsen in de gaten houden. Je zou kunnen overwegen om de surveillant op straat meer het actiewerk te laten doen terwijl de camera’s het schouwen doen.
Maar wat doe je wanneer je als grote organisatie, zoals ProRail of een grote gemeente, over honderden of zelfs duizenden camera’s beschikt? De gemeente Rotterdam heeft bijvoorbeeld 100 fte bij de dienst Stadstoezicht nodig om 400 camera’s gedurende 7 dagen per week en 24 uur per dag uit te kijken. Dat brengt veel kosten met zich mee. Vanwege deze hoge kosten kiezen de meeste organisaties voor een (grotendeels) reactief cameratoezicht. Dat betekent dat er geen surveillance op camerabeelden plaatsvindt, maar dat de beelden worden opgenomen en na afloop van opgetreden incidenten eventueel worden bekeken. Daarmee zijn de kosten van de menskracht een stuk minder. Natuurlijk wordt er veel gemist (vaak het incident zelf) maar doordat camerabeelden beschikbaar zijn kunnen vermoedens vaak gestaafd worden.
De mooiste vorm van cameratoezicht is een tussenvorm. Enerzijds proactieve surveillance maar daarbij wel geholpen door allerlei triggers die het effect van cameratoezicht verbeteren. En anderzijds opname van beelden die reactief cameratoezicht mogelijk maken.
De vraag is vervolgens wat de triggers kunnen zijn die actief cameratoezicht effectiever maken?
Triggers kunnen gegeven worden door contact met de mensen die ter plaatse zijn. Denk daarbij aan lokale beveiligers of ander personeel die afwijkend gedrag melden. Maar ook burgers kunnen een bijdrage leveren door het gebruik van sociale media, al dan niet ondersteund met multimedia.
Een heel andere vorm van triggers kan gegeven worden door gebruik van technologie. Denk daarbij aan bewegingsdetectie, afwijkende bewegingen, veranderingen in de normale situatie, etc. Een deel van de detectie kan gedaan worden door contacten, bijv. een deur of een raam dat open gaat. Ook een drukknop of een contact onder een deurmat kan al veel helpen. Een techniek die steeds meer mogelijk maakt is videoanalyse. Maar videoanalyse is qua term een beetje een hype geworden. De verwachtingen zijn hoog maar in de praktijk blijkt het vaak moeilijk toepasbaar. Onderstaand een overzicht van mogelijkheden van videoanalyse een hun specifieke problematieken.
Bewegingsdetectie in video
Dit lijkt op voorhand de meest simpele functie, maar in de praktijk blijkt het toch vaak moeilijk te zijn. De vraag is natuurlijk wat bewegingen in het beeld veroorzaakt. Dat kan een groot of een klein object zijn. Maar het kan ook een reflectie of schaduw zijn van bijvoorbeeld zonlicht of verlichting die aangaat of een draaiende zon. Met name bewegingsdetectie in buitensituaties zijn vaak lastig. Zo is bewegingsdetectie op een trein een heel ander situatie dan het detecteren van mensen die uit een ziekenhuisbed stappen. Er zijn oplossingen beschikbaar die het eenvoudiger maken. Het gebruik van warmtebeeld camera’s bijvoorbeeld. Deze onderscheiden veelal mens en dier van vaste objecten. Aandacht voor het opstelpunt van de camera is zeer belangrijk. Het blijft belangrijk om rekening te houden met false-positives en de reactie daarop van observanten. Als false-positives niet mogen voorkomen is een combinatie van technologie gewenst.
Het tellen van mensen
In videobeelden kunnen mensen herkend worden. Beelden moeten dan veelal recht van boven opgenomen worden. Het tellen van mensen die dicht bij elkaar staan is moeilijk. De hoofd-schouder combinaties worden dan minder makkelijk te herkennen. Combineren met sociaal cameratoezicht, waarbij gezichten en/of lichaamsbouw herkend moeten worden, is veelal niet mogelijk alhoewel er ook gespecialiseerde partijen in de markt zijn die zich toeleggen op het tellen van grote verkeersstromen op evenementen op basis van video. In de praktijk wordt in de meeste gevallen voor het tellen van mensen gebruik gemaakt van Bluetooth en WiFi technologie, waarbij er relatie wordt gelegd tussen het aantal apparaten dat passeert en het aantal mensen. Deze technologie is ook niet ideaal omdat de verhouding tussen devices en mensen niet een vaste factor is. Ook zijn de ontwikkelingen van devices erop gericht om zoveel mogelijk radiostilte te houden omwille van energiereductie. En als laatste blijkt de verhouding tussen devices en mensen afhankelijk van de doelgroep en verandert deze in de tijd.
Het identificeren van mensen
Gezichtsherkenning is iets dat we allemaal kennen van tv. In de praktijk is het heel moeilijk om één gezicht te herkennen uit een groot aantal gezichten. Het is echter wel mogelijk om een vergelijking te maken tussen een foto en een gezicht. Met een heel behoorlijke betrouwbaarheid kan gesteld worden of de gezichten overeenkomen. Onder andere de geautomatiseerde paspoort controle op Schiphol werkt op die manier. De controle van vingerafdrukken en iriscontrole geeft een veel hogere betrouwbaarheid. Bij gezichtsherkenning spelen factoren zoals verandering in het uiterlijk natuurlijk ook een rol. Baardgroei en brillen zijn bijvoorbeeld complicerende factoren.
Lummeldetectie
Op plaatsen waarbij mensen langere tijd verblijven zonder de verwachte actie te nemen vragen vaak om aandacht. Denk bijvoorbeeld aan mensen die langere tijd bij een geld- of betaal automaat staan. Lummeldetectie is een verbijzondering van mensdetectie en kent relatief veel false-positives, maar levert niettemin vaak waardevolle informatie.
De ontwikkelingen op het gebied van de camera’s zelf maken het steeds vaker mogelijk om de videoanalyse in de camera zelf te doen. Dat is de beste oplossing omdat het beeld in de camera nog ongecomprimeerd te benaderen is en daarmee nog de hoogste kwaliteit heeft. Dat lukt niet meer voor opgenomen beelden. Soms wordt er een aparte datastroom (metadata) gecreëerd die achteraf analyseren mogelijk maakt. Traditioneel wordt videoanalyse op aparte servers uitgevoerd. Doordat videoanalyse rekenintensief is en de beelden veelal eerst nog gedecomprimeerd moeten worden is er relatief veel server capaciteit nodig. Maximaal enkele tientallen camera’s per server.
Cameratoezicht is kostbaar. Videoanalyse kan echter hulp bieden bij het verlagen van deze kosten waarmee de businesscase makkelijker kan worden gerealiseerd. Videoanalyse maakt het mogelijk om meer beelden te analyseren met dezelfde hoeveelheid menskracht. Deze techniek biedt veel mogelijkheden maar vraagt om een deskundig advies -om tegenvallers te voorkomen.