Автореферат (1172946), страница 3
Текст из файла (страница 3)
Значение зависит отуправляющих ∈ и деструктивных воздействий ∈ . При этом множествосостояний объекта управления ( ) является декартовым произведениеммножеств состояния активных ( ) и пассивных ( ) составляющих:.Под активной составляющей объекта управления ( ) подразумеваютсясотрудники служб безопасности мест массового пребывания людей, которыеобладают свободой выбора состояния, собственными целями и интересами.Пассивная составляющая объекта управления ( ) представляет техническуюсистему безопасности. Особенностью данной составляющей являетсядетерминированность, отсутствие свободы выбора состояния.
Далее, в качествепассивной составляющей объекта управления рассматривается СИАПУ.Таким образом, объект управления описывается уравнением видаФ,,, ∈ (рис. 4).ОбластьдопустимыхсостоянийобъектауправленияСостояниесистемы безопасностилюдей в местах ихмассового пребыванияв начальный моментвремениМомент времениТраекториядвижения объектауправленияПараметрсостоянияРисунок 4 – Фазовое пространство управленияНа первом этапе реагирования службы безопасности необходимообнаружить нарушителя. Для решения задачи предложена модель оценкивероятности обнаружения нарушителя.Взаимодействие СИАПУ и сотрудников с целью обнаружениянеравномерно движущегося нарушителя оценивается в Римановом– известной функции реагированияпространстве на основе свертки (1):сотрудника (2) и– предложенной на основе моделированияфункционирования СИАПУ функции реагирования (3).(1)∗∙. ∙∙ …∙⋯∙∙…∙, (2)10…где– показатели эффективности сотрудника ( ∈ 1 …,–количество измерений,,…,– коэффициенты регрессии.
На основерегрессионного анализа ЛПР может оказывать обоснованные управляющиевоздействия, которые позволят повысить эффективность сотрудника.(3)∙ рег∙∙,шдетгдерег ,– количество камер в сети видеоконтроля,– время регистрациишнарушителя и предобработки изображения соответственно, , – параметры,характеризующие базу данных,– количество анализируемых нарушителей,информация о которых хранится в БД, дет ,– время детектированиянарушителя и получения изображения соответственно.Далее решена задача вычисления свертки (1), в результате чеговероятность обнаружения нарушителя определяется минимальным значениемвероятностной функции по возможным маршрутам его движения (рис. 5).((Средствоидентификации(видеокамера)((Контролируемаяобласть(поле обзоравидеокамеры)((и,,ии,ии,и,, ,ииТраекториядвижениянарушителяКоординаты искоростьдвижениянарушителяиРисунок 5 – Траектория движения нарушителяПри этом для вычисления значения вероятности обнаружения нарушителяна фиксированной траектории используется функция Лапласа от композициивремени реакции сотрудника службы безопасности, переменной скоростидвижения нарушителя и времени реакции СИАПУ.обнmin min∏∆1,,1и∈∏∆и∈∆1,,1Ф∆ и и∙,(4)11гдеобн –вероятностьобнаружения,,–траекториядвижениянарушителя, ∆ и – длина фиксированного отрезка траектории движениянарушителя,– скорость движения нарушителя на фиксированном отрезкетраектории, Ф – функция Лапласа.Выражение (4) отражает влияние реакции сотрудников, движениянарушителя и параметров СИАПУ на безопасность.
Данное выражениепозволяет при известных математических ожиданиях и дисперсийсоответствующих временных интервалов выбрать такие значения описанныхпараметров, при которых обнаружение эффективно обеспечено.На втором этапе реагирования предполагается задержание нарушителя.Обычно месту массового пребывания людей свойственна значительнаяплощадь территории.В связи с этим в работе предлагаются модели прогнозирования маршрутовнарушителей и координации сотрудников служб безопасности, сиспользованием которых ЛПР может обоснованно определять количество ираспределение сотрудников безопасности, а также принимать решение о местенаправления и составе группы перехвата.Движение нарушителя описывается конечной однородной Марковской, ∈с фазовым пространством , где – случайная величина,цепьюпринимающая значение уникального номера средства идентификации,зафиксировавшего нарушителя на n-м шаге,1, … ,– фазовоепространство, элементами данного множества являются порядковые номерасредств идентификации.Далее задается матрица переходных вероятностей для разных типовнарушителей:⋯⋱⋮ ,(5)П ⋮⋯где pij – вероятность того, что нарушитель будет находиться в поле видимостикамеры с идентификатором при условии, что до этого находился в полевидимости камеры с идентификатором .Таким образом, матрица (5) задает ориентированный граф переходов(вероятностный граф маршрутов).
В качестве весов ребер рассматриваютсязначения вероятности ( ) того, что нарушитель пришел в конечнуювершину ( ) из начальной ( ) (рис. 6).Доказано, что распределение случайногонарушителя) в момент времени определяетсяпроцесса(нахождение12П ∙(6),– начальное распределение. Выражение (6) определяет распределениегдевероятностей местоположения нарушителей в будущие моменты времени, чтопозволяет ЛПР обоснованно управлять задержанием нарушителей.Вероятностныймаршрут нарушителяЦентр местаперехватанарушителяОбластиперехватанарушителяРасположениенарушителяРисунок 6 – Вероятностный граф маршрутов нарушителей и зоны размещениясотрудников службы безопасностиДля поддержки оперативного и результативного управления службойбезопасности предложена модель и разработан алгоритм функционированияСИАПУ. Выявлено, что существующие отечественные и зарубежные СИАПУ свозможностью идентификации по изображению требуют усовершенствования вчасти, касающейся точности и скорости функционирования для эффективнойподдержки ЛПР при неконтролируемой обстановке в местах массовогопребывания людей.
В связи с этим исследовались направления повышенияэффективности функционирования СИАПУ.В модели функционирования СИАПУ с учетом нагрузки сетивидеоконтроля выявлено, что время реакции и точность может быть улучшеназа счет распараллеливания вычислений. Для реализации такого решениявыделяются группы камер, внутри которых обработка поступающейинформации происходит последовательно, а вне группы – параллельно. Тогдавремя идентификации нарушителя определяется временем идентификации вгруппе, в котором максимально:(7)max∙∙, ЯИМДгдеЯИ ,МД– множество алгоритмов ядра идентификации и модулядетектирования соответственно,– индекс группы,– количество13анализируемых изображений в i-й группе,– число камер в i-й группе сетивидеоконтроля.Для объединения камер в группы установлено, что сеть видеоконтролямест массового пребывания людей можно рассматривать в качестве конечнойоднородной Марковской цепи.
Данное утверждение позволило разбитьмножество камер в объединение непересекающихся групп:(8)⨆…⨆⨆, ⨆ … ⨆1 … – фазовое пространство (множество идентификаторов камер).Далее, сформирована модель функционирования СИАПУ с учетом объемахранимой информации. Для оценки времени обработки единичного запроса сучетом объема хранимой информации в БД СИАПУ исследуетсяотносительная реакция системы, которая характеризуется безразмернойгдевеличиной Торс обробр, где обр – время обработки одного запроса системой,в которой не требуется обращение к БД, обр – время обработки одногозапроса системой, использующей БД. Данное выражение характеризуетвлияние количества хранимой информации в БД на СИАПУ.
В результатеполучено, что относительная реакция системы характеризуется следующимвыражением (рис. 7):соб(9), Торс∙гдесоб∗рег∙ш–∙– ,–количествонарушителей,информация о которых хранится в БД, , , – параметры, характеризующие– верхний порог, τ – нижний порог эффективности. Таким образом,БД,основной вывод из формулы (9) – эффективной для мест массового пребываниялюдей может быть СИАПУ, в которой не превышен верхний порог числазаписей ( ) в БД.ТсобНижний порогэффективностиОтносительнаяреакция СИАПУТочка насыщенияВерхний порогчисла записейτm0m0Рисунок 7 – Зависимость реакции СИАПУ от объема БД14В третьей главе «Разработка алгоритма и системы информационноаналитической поддержки управления безопасностью» содержатсяпрактические рекомендации по реализации выводов, полученных впредыдущей главе.Предложенасистемаинформационно-аналитическойподдержкиуправления безопасностью людей в местах массового пребывания на основеидентификации по изображению, а именно: структурная схема СИАПУ (рис.
8),в которой используется распределенная сетевая архитектура, состоящая изцентральных и локальных систем, ER – модель локальных и центральных БДСИАПУ, предназначенная для хранения информации о нарушителях в виденабора связанных таблиц, алгоритмы функционирования СИАПУ(регистрации, хранения и обработки информации), в частности гибридныйалгоритм идентификации на основе уникальности биометрии лица и алгоритмыопределения фактических и вероятных мест пребываний, выявления вероятныхсвязей и прогнозирования маршрутов следования нарушителей.БлоккластеризацииВнешниеинформационныесистемыОПЛокальные системыМодульЯдроидентификациидетектированияАналитическиймодульБДCCCсенсорсенсорсенсорСерверзапросовЦентральные системыЯдроидентификацииБлоккластеризацииОПБДСерверзапросовСхема центральной БДСхема локальной БДУправляющие потокиИнформационные потокиРисунок 8 – Структурная схема СИАПУУсовершенствованный гибридный алгоритмуникальности биометрии лица, основанныйинформации и модели обработки данных ваналитической поддержки управления, а такжечеловеческого зрения, представлен на рис.
9.идентификации на основена модели регистрациисистеме информационнокогнитивных механизмов15Начало поиска нарушителейна объектеНачало идентификациинарушителяВычисление математическогошаблона очередного изображениялицаДекомпозицияСравнение вычисленногоматематического шаблона схранимыми центрами кластеровШаблон соотноситсяс хранимым?нетдаОповещение онарушителеЗавершить процесспоиска нарушителей?даЗавершение поисканарушителя на объектеПолучение шаблоновцентров кластеровнетУпорядочивание шаблоновпо вероятности совпаденияИдентификация сиспользованием методаглавных компонентУровень достоверностиприемлем?нетИдентификация сиспользованием методагистограмм локальныхбинарных шаблонов ГаборадаЗавершение идентификациинарушителяРисунок 9 – Блок-схема усовершенствованного алгоритма идентификацииНовизна представленного алгоритма заключается в разработке исовершенствовании методов получения и обработки информации.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
