In der ersten trockenen Woche nach der Inbetriebnahme bleibt eine Außenkamera meist unauffällig. Der Bruch kommt mit dem ersten Nachtregen, mit dem ersten lauen Abend, an dem Insekten vor dem Objektiv kreisen, oder mit dem ersten Lastwagen, dessen Scheinwerferkegel über eine Hallenwand wandert. Ob eine Anlage solche Nächte übersteht, entscheidet sich weder an der Sensorauflösung noch an der Empfindlichkeitsstufe im Bedienmenü. Es entscheidet sich daran, ob die Auswertung zwischen einem Vorgang und einer bloßen Helligkeitsänderung unterscheiden kann — und ob sie benennen kann, was sich dort bewegt.
Was ein klassischer Bewegungsdetektor misst
Die einfachste Form der Videoauswertung vergleicht aufeinanderfolgende Einzelbilder miteinander. Wo sich Helligkeitswerte über einen eingestellten Schwellwert hinaus ändern, entsteht ein zusammenhängender Fleck. Überschreitet dieser Fleck eine Mindestgröße, wird gemeldet. Das Verfahren kennt weder Entfernung noch Gegenstand, es kennt ausschließlich Veränderung. Für die häufigsten Störgrößen im Außenbereich ist es damit strukturell blind. Ein Regentropfen dicht vor der Frontscheibe verändert mehr Bildpunkte als ein Mensch am hinteren Zaun. Eine vom Infrarotlicht der Kamera angestrahlte Motte erscheint als heller, rasch wachsender Körper. Ein wandernder Scheinwerferkegel ist eine sauber zusammenhängende, gleichmäßig bewegte Fläche — für einen Pixelvergleich das ideale Ereignis.
Wer daraufhin die Empfindlichkeit senkt, verliert genau jene Vorgänge, für die die Kamera montiert wurde. Der Regler pendelt zwischen zwei Fehlerarten hin und her, beseitigen kann er keine von beiden.
Vom Fleck zur Klasse
Objektklassifizierende Verfahren setzen eine Stufe früher an. Ein trainiertes neuronales Netz durchsucht das Einzelbild nach Mustern, die es aus annotierten Trainingsdaten kennt, und liefert für jeden Fund drei Angaben: ein umschließendes Rechteck, eine Klassenbezeichnung — üblicherweise Mensch, Fahrzeug, teilweise auch Tier oder Zweirad — und einen Vertrauenswert. Eine nachgelagerte Objektverfolgung verknüpft die Funde über die Zeit und erzeugt daraus eine Bahn mit Richtung, Geschwindigkeit und Größenverlauf.
Erst diese Bahn macht die Aussage belastbar. Ein Tropfen hat keine plausible Bahn, eine Motte wechselt Größe und Richtung sprunghaft, ein Lichtkegel besitzt überhaupt keine Kontur, die zu einer gelernten Klasse passt. Ist die Szene zusätzlich kalibriert, sind also Bodenebene, Montagehöhe und Blickwinkel hinterlegt, rechnet die Auswertung Bildpunkte in Meter um und prüft die Plausibilität der Größe: Was am hinteren Zonenrand die Höhe eines Lichtmasts hätte, ist kein Mensch. Diese geometrische Gegenprobe kostet Rechenzeit, schließt dafür aber eine ganze Familie von Fehlauslösungen aus, ohne die Empfindlichkeit anzutasten.
Ohne Pixel pro Meter keine Klasse
Klassifikation ersetzt keine Auflösung am Objekt. Die Anwendungsnorm DIN EN 62676-4 beschreibt dafür die DORI-Stufen und nennt als Richtwerte 25 Pixel pro Meter für das Entdecken, 62,5 Pixel pro Meter für das Beobachten, 125 Pixel pro Meter für das Wiedererkennen und 250 Pixel pro Meter für das Identifizieren einer Person. Klassifikatoren werten Kontur und Binnenstruktur aus und benötigen deshalb spürbar mehr als die unterste Stufe, um zuverlässig zwischen Mensch und Tier zu trennen.
Maßgeblich ist dabei immer der ungünstigste Punkt des Erfassungsbereichs, nicht die Bildmitte. Ein weiter Bildwinkel bringt Fläche und kostet Pixel pro Meter, eine längere Brennweite dreht das Verhältnis um und verlangt dafür mehr Kameras. Diese Rechnung gehört vor die Montage. Wird sie nachgeholt, endet sie regelmäßig in einem zusätzlichen Gerät an einer Stelle, an der eigentlich schon eines hängt.
Licht gehört zur Auswertung
Infrarotscheinwerfer im Kameragehäuse beleuchten vor allem den Raum unmittelbar vor der Frontscheibe. Insekten folgen dieser Lichtquelle, Spinnennetze entstehen über Wochen an derselben Stelle. Getrennt montierte Scheinwerfer, seitlich versetzt und leicht abgewinkelt, entziehen dem Objektiv diesen Nahbereich und verringern zugleich die Rückstreuung an Regen und Schnee, die bei gehäuseintegrierter Beleuchtung als helle Wand im Bild steht.
Nasse Beton- und Asphaltflächen spiegeln, Pfützen erzeugen bewegte Lichtstrukturen, Blattwerk wirft wandernde Schatten. Auch hier hilft die Klassenlogik, denn eine Spiegelung erzeugt kein Objekt mit konsistenter Bodenhaftung. Verlässlich wird das jedoch nur, wenn Frontscheibe und Wetterschutzdach in einem festen Rhythmus gereinigt werden — eine verschmutzte Optik verwandelt jede Beleuchtung in Streulicht und jedes Modell in einen Ratenden.
Regeln, die eine Klasse voraussetzen
Mit Klassen lassen sich Regeln formulieren, die zuvor nicht möglich waren: Linienüberschreitung ausschließlich für die Klasse Mensch, Verweildauer in einer definierten Zone, eine Zufahrt, die Fahrzeuge passieren dürfen und Personen nicht, unterdrückte Tierklassen, all das zusätzlich zeitabhängig gesteuert. Der Vertrauenswert bleibt der empfindlichste Parameter. Wird er angehoben, sinkt die Zahl der Fehlmeldungen und steigt die Zahl der übersehenen Vorgänge. Welche Wirkung überwiegt, zeigt keine Momentaufnahme, sondern nur eine gepaarte Beobachtung über mehrere Nächte mit vergleichbarer Witterung.
Metadaten müssen das Gerät verlassen
Eine Klassifikation, die nur als Rahmen im Livebild sichtbar wird, ist betrieblich wertlos. Das Ergebnis muss als Metadatum am Ereignis hängen und in der aufzeichnenden Software auswertbar bleiben. Dafür existiert ein herstellerübergreifender Rahmen: Das ONVIF-Profil M der Organisation ONVIF beschreibt, wie Analyse-Metadaten bereitgestellt, übertragen und abonniert werden. Wo es unterstützt wird, lässt sich rückwirkend nach Klasse, Zone und Zeitfenster suchen, und die Wahl der Kamera bleibt von der Wahl des Managementsystems unabhängig. Ohne diese Kette bleibt jede spätere Ursachenanalyse Handarbeit am Zeitstrahl.
Woran sich Qualität im Betrieb ablesen lässt
- Nachweis der Pixel pro Meter am entferntesten Rand jeder Zone, nicht in der Bildmitte
- Abnahme bei Dunkelheit und Niederschlag statt am trockenen Nachmittag
- Ereignisprotokoll mit Klasse und Vertrauenswert je Auslösung
- getrennt montierte Beleuchtung und ein festgelegtes Reinigungsintervall
- schriftlich festgehaltene Regeln, Firmwarestand und Änderungsdatum
- als Kennzahl die Zahl der Meldungen je Kamera und Woche, getrennt nach bestätigt und unbestätigt
Diese letzte Kennzahl ist der eigentliche Prüfstein. Eine Anlage, deren Meldungsaufkommen über Wochen konstant und erklärbar bleibt, wird gelesen und ernst genommen. Eine Anlage, die ihr Verhalten bei jedem Wetterwechsel ändert, erzeugt Gewöhnung — und die lässt sich durch keine spätere Technik mehr heilen.
Dieser Beitrag dient der allgemeinen Information und stellt keine Rechtsberatung dar.