Диссертация (1172947), страница 12
Текст из файла (страница 12)
Тогдаматематическое ожидание случайной величины ζ, будет выражаться следующимобразом [13]:[ ]∑ ∗ ,(2.39)где и.(2.40)Тогда путем преобразований (2.40) можно получить следующее значениематематического ожидания:[ ].(2.41)Математическое ожидание (2.41) отражает среднюю вычислительнуюсложность работы ИАС при распознавании одного интересанта. Вычислительнаясложность обработки видеопотока с k камер выражается следующим образом: ( ∗ ()*.(2.42)Таким образом, если изображения в хранилище не отсортированы, исравнение осуществляется в произвольном порядке, средняя сложность имеет видвыражения (2.42).71Но в случае наличия хранилища, содержащего достаточно большоеколичествоизображенийинтересантов,основнойсоставляющейвременираспознавания является время, затраченное на запрос и получение информации оизображении лица из хранилища и сравнение с ним [81].Далее повысим эффективность работы ИАС путем уменьшения количестваопераций сравнений.
Повышение эффективности ИАС, а именно улучшениескорости реагирования, предлагается достигать за счет распараллеливаниявычислений и уменьшения количества операций сравнения. Предлагаетсявыделять группы камер, внутри которых обработка будетпроисходитьпоследовательно, а вне группы – гарантированно параллельно. При этом времяраспознавания в группе будет иметь ту же линейную зависимость.
А для всейИАС время оно распознавания будет определяться временем распознавания вгруппе, в котором максимально:,(2.43)гдеt(i)= ri * (li * F(Aяи) + F(Aмд)) + t0 и ri < k, li < mи(2.44) i – индекс группы; li – количество анализируемых из хранилища изображений лицинтересантов в i-й группе; ri – число камер в i-й группе сети видеоконтроля.Таким образом, для эффективной работы ИАС должна быть настроена так,чтобыri * (li * F(Aяи) + F(Aмд)) + t0 → min.(2.45)При этом необходимо, чтобы соблюдался ряд дополнительных условий.Проведем анализ ошибок первого и второго рода при работе ИАС. Оценим, какчасто будут возникать пропуски и ложные совпадения [79].Пусть система идентификации установлена на пункт контроля.
Вероятностьпропуска лица из хранилища равна FRR. Если принять допустимой одну ошибкупропуска интересанта при использовании информации о li людях, которыеанализируются в блоке видеокамер, то72FRR * li = 1.Выразим li.(2.46)(2.47)Вероятность возникновения ошибки ложного совпадения для одногочеловека равна p0fls:p0fls = FAR * li.(2.48)А вероятность возникновения ошибки ложного совпадения для потокаизображений с ri видеокамер равна p1fls:p1fls = FAR * ri * li.(2.49)Если принять допустимой одну ошибку ложного совпадения, то числоложных совпадений можно вычислять по формуле:(2.50)∗ или с учетом (2.45)(2.51).Этот набор условий позволяет определять эффективность распознаваниявнутри группы видеокамер с учетом появления ложных срабатываний.Другой набор условий может определять количество камер, которыенеобходимо привлекать к поиску интересанта.
В общем случае, когда входныеусловия поиска всегда одинаковые, то для поиска и регистрации привлекаютсявсе камеры и все кластеры. В этом случае (2.34) имеет максимальное значение.Теперь предположим, что выбор камер, которые будут использоваться дляидентификации интересанта, зависит от группы из h условий:G = {g1, g2, …, gh},(2.52)тогда количество камер в блокеи при этомri0 = φ i (G)(2.53)ri0 ≤ ri.(2.54)С математической точки зрения это означает, что в (2.45) параметр ri будетуменьшаться, и, следовательно, будет уменьшаться и искомое значение .Если ввести параметры нумерации камер и кластеров ИАС, то в качествеусловий (2.52) можно задавать номера камер следующим образом:73- с привязкой к предварительной информации о местах пребыванияинтересантов;- с привязкой к «следам» их пребывания на основе анализа видеоданных изкамер на интересанта за предыдущие периоды работы ИАС;- с привязкой к местам, где они чаще всего появляются, с заданием частотыпоявления в качестве весового коэффициента для вершины графа.Тогда, решая задачу (2.45) одним из известных методов обхода графа, можнов разы сократить параметр , отражающий суммарное время работыраспознающей части и существенно снизить нагрузку на вычислительныесредства обрабатывающего центра ИАС.Далее в качестве условий объединения камер в группы рассмотрим заданиевозможных мест появления физических лиц.
Данную кластеризацию можноосуществить следующими способами:a. Отслеживание движения. При попадании физического лица в объективкамеры, распознавать его, а затем отслеживать его передвижение. Нопочти у всех методов отслеживания движения присутствуют недостатки:принятие элементов фона в качестве движущихся объектов, низкаяпроизводительность системы трекинга, многочисленные ошибки приперекрытие объектов, игнорирование объектов при их малом размере илималой амплитуде движения и т. д.b.
Построение вероятностного графа маршрутов (рисунок 2.4). Сетьвидеоконтроля с установленными в разных местах видеокамерами можноусловно рассматривать в качестве нагруженного графа, ребра которогонесут определенную нагрузку. В качестве такой нагрузки будемрассматривать значение вероятности (qij) того, что интересант пришел вконечную вершину (j) из начальной (i).
Следовательно, рассмотримориентированный граф возможных маршрутов передвижения интересанта.Вершинами графа являются места видеофиксации (вход, касса и прочее).Каждое ребро графа помечено меткой, значение которой являетсявероятностью того, что интересант в предыдущий момент времени74находился в вершине (i), при условии, что сейчас он находится в вершине(j).v1 (вход)1v2 (магазин)1v4(касса1)0,60,30,5v7 (выход2)v6 (выход1)v30,2v5 (касса2)10,410,20,8v8 (выход3)Рисунок 2.4. Пример вероятностного графа маршрутовДля построения графа вероятностных маршрутов можно воспользоватьсятеорией случайных процессов в части, касающейся конечных однородныхМарковских цепей.Рассмотрим следующий случайный процесс на фазовом пространстве E ,(2.55)где– случайная величина, равная идентификатору камеры, котораязафиксировала интересанта; n – порядковый номер камеры, которая зафиксировала интересанта(момент времени); E = {1…m} – фазовое пространство.
Элементами данного множестваявляются идентификаторы камер.Проверим, что случайный процесс, описанный в выражении (2.55)является конечной однородной Марковской цепью (далее – КОМЦ):1) Данный процесс является цепью, поскольку временное пространство T =N – дискретно.2) Будем считать, что цепь, описанная в выражении (2.55) обладаетМарковскимравенство:свойством,т.е.0верно75|0|(2.56)Данное допущение вполне уместно, так как то в поле видимости, какойкамеры окажется интересант в момент времени n + 1, зависит только оттого, где он был в момент времени n.3) Конечность Марковской цепи следует из того, что мощность фазовогопространства E равна m.4) Будем считать, что условные вероятности зависят от , т.е.
не:|||(2.57).0Тогда случайный процесс, описанный в выражении (30) являетсяоднородным.Далее на основе статистической информации необходимо задать матрицупереходных вероятностей:(+,(2.58)где pij – вероятность того, что интересант будет находиться в поле видимостикамеры с идентификаторам j при условии, что до этого он находился в полевидимости камеры с идентификаторам i.Тогда метки ребер вероятностного графа маршрутов могут бытьполучены следующим образом:|Описаннаявышевыкладка|∗позволяетпроизвести(2.59)распознаваниеинтересанта следующим образом: при распознавании интересанта в узле сетивидеоконтроля необходимо сравнивать лицо с уже идентифицированнымилицами в смежных вершинах в порядке уменьшения значения метки ребра(например, при идентификации в узле v6 необходимо сравнивать сначалаизображения, зафиксированные в узле v4, далее если соответствие не установлено,то и в v3 и v2).76Далее из свойств КОМЦ следует [28], что фазовое пространство E ={1…m} разбивается в объединение не пересекающихся классов взаимносообщающихся состояний:{ }(2.60)где:– не пересекающиеся классы взаимно сообщающихсясущественных не поглощающих состояний; { } – существенные поглощающие состояния.Таким образом, множество идентификаторов камер распадается на непересекающиеся классы.
При распознавании интересантов в разных группахосуществляется обращение к разным исходным данным. В результате примененияпараллельнойобработкиданныхмеждугруппамибудетувеличенобыстродействие ИАС в целом.Далее остановимся на оценке точности и вычислительной сложностираспознавания интересанта при использовании вероятностного графа маршрута.Например, если принять, что вероятность ошибки распознавания присравнении изображения с хранилищем, содержащим информацию об mинтересантах, выражается следующим образом:(2.61)q1 = (m),а вероятность ошибки распознавания при сравнении изображения с кадрами изпредыдущего узла:q2 = (m0),(2.62)где m0 – число изображений в предыдущем узле, тогда, еслиm0 << m,(2.63)и в предыдущем узле распознавание произошло правильно, можно показатьq2 > q1 .(2.64)А также вычислительная сложность распознавания ИАС тоже уменьшится исоставит:f(k,m) = O( ∗ ()),(2.65)77где l << m и r << k.
Следовательно, с применением вероятностного графамаршрутов точность и время распознавания улучшились.Таким образом, анализ ИАС показал возможность создания модели работыалгоритмов ИАС при распознавании лиц с нагрузкой от сети видеоконтроля.Анализ условий возможного применения модели показал наличие рядахарактеристик, фиксируемых и определяемых совместно с распознаванием,которые позволяют существенно уменьшить суммарное время обработки данныхи улучшить точность распознавания.
Это возможно обеспечить за счет привязки кномеру камеры данных о местах и частотах пребывания интересантов вопределенных местах в определенный период. Кроме того, применение конечныходнородных Марковских цепей к сети видеоконтроля позволило разбитьмножество камер в объединение не пересекающихся групп, внутри которых ИАСможет обрабатывать информацию об интересантах последовательно, а вне групп– параллельно.2.4 Методы кластерного анализа в системе поддержки управленияПри распознавании лиц в ИАС существуют проблемы, связанные состарением информации.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
