Диссертация (1172947), страница 13

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 13)

Так, например, в [23] приводятся данные анализаразличных алгоритмов, который проводился в рамках американской программыFERET. В тестах этой программы несколько лет подряд проверялись алгоритмыгибкого сравнения на графах и модификации метода главных компонент.«Эффективность всех алгоритмов была примерно одинаковой. В этой связитрудно или даже невозможно провести четкие различия между ними (особенноесли согласовать даты тестирования). Для фронтальных изображений, сделанныхв один и тот же день, приемлемая точность распознавания, как правило,составляет 95%.

Для изображений, сделанных разными аппаратами и при разномосвещении, точность, как правило, падает до 80%. Для изображений, сделанных сразницей в год, точность распознавания составило примерно 50%».78Для функционирования ИАС в режиме реального времени зачастую такиерезультатымогутбытьнедостаточными.Поэтомунеобходимоиметьпредложения по повышению эффективности распознавания и уменьшениювремени на распознавания. Не секрет, что фронтальное изображение имеетнаилучшие характеристики в распознавании. И фотографии, используемые в ИАСв качестве шаблонов лиц интересантов, обычно имеют этот же ракурс. Тем неменее, реальных условиях лица обычно повѐрнуты относительно этогоположения.

Поэтому лица принято объединять в кластеры. Один из примеров из[23] изображѐн на рисунке 2.5.Рисунок 2.5 Пример кластера лица человекаДля работы с такими наборами информации принято использоватькластерный анализ. В [10] эта предметная область определена так: «кластерныйанализ (самообучение, обучение без учителя, таксономия) применяется приавтоматическом формировании перечня образов по обучающей выборке. Всеобъекты этой выборки предъявляются системе без указания, какому образу онипринадлежат… Предполагается, что обучающая выборка в признаковомпространстве состоит из набора сгустков (подобно галактикам во Вселенной).Задача системы – выявить и формализовано описать эти сгустки» (с.23).

Такаяточная цитата как раз соответствует набору изображений на рисунке 2.5. Эти79«сгустки» принято также называть таксонами. Но в технической литературе,относящейся не к математическим построениям, а к распознаванию видео,обычно используется термин кластер.Однако, как в кластерном анализе, так и в распознавании видео главныйвопрос заключается в том, как отнести входной объект к нужному таксону(кластеру).

Для этого используют понятие «близости» или расстояния. Но так какв многомерном объекте характеристик достаточно много, то и математическихпонятий для него тоже много. Для разных задач кластерного анализа втехнической литературе предложен ряд методов классификации.Задача такого анализа строится на определении некоторой метрики илифункции, позволяющей соотнести новый объект с уже имеющимися. Для этогокаждый из содержащихся в множестве объектов имеет своѐ значение даннойметрики. А правила классификации позволяют соотнести это значение с тем илииным классом (кластером, таксоном).

В идеальном варианте всѐ множествообъектов Z разбивается на ряд таксонов или кластеров так, чтоZ = {Z1, Z2, …, Zm},Z1 ∩ Z2 ∩… ∩ Zm = Ø,(2.66)Зачастую такое разбиение сложно получить, тогда множество Z стремятсяразбить следующим образом:Z = {Z1, Z2, …, Zm},Z1 ∩ Z2 ∩… ∩ Zm ≠ Ø(2.67)и при этомZ`ϵ Z, Z` = {Z`1, Z`2, …, Z`m}, Z`1 ∩ Z`2 ∩… ∩ Z`m = Ø.(2.68)Иными словами, внутри кластеров множества Z существуют такиеподмножества Z`, которые никогда не пересекаются.Тогда ([35], п.3.4) могут быть определены некоторые функции:F = {Rn → R1}(2.69)на основании, которых можно будет различать между собой Z`1, Z`2, …, Z`m.

ПриэтомF = {f1, f2, …, fm}.(2.70)80Здесь f1, f2, …, fm – функции для каждого из кластеров. Они определяются напространстве признаков размерностью n. И для них в простейшем случае должновыполняться такое условие:fi (X) > 0, X ϵ Z`i ,(2.71)где X – набор признаков классифицируемого объекта.В более сложном случае функции (2.69) представляют собой расстояниямежду объектами.

В этом случае по признакам объекта X и какого-топредставителя таксона Z`i, который вычисляется в соответствии с требованиямимодели классификации и хранения, по заданным правилам вычисляется метрика:fi (X) ≤ τ, X ϵ Z`i ,(2.72)где τ – некоторая характеристика (порог) качества распознавания.Сравнение значения функции (функционала) fi(X) с заданным порогом τопределяет качество распознавания в системе. При этом обычно полагается, чтоτ ϵ R1.Важным обстоятельством является то, что признаки объектов X являютсярезультатом определѐнных наблюдений и преобразований.

Поэтому признакиявляются значениями, регистрируемыми при помощи датчиков:X = { d1(X), d2(X) …, dr(X) },(2.73)где di(X) – показания r датчиков, при этом зачастуюdi(X) = {Rn → R1} .(2.74)Но есть и другие способы получения данных о признаках. В статье [38] этиспособы определены так: «Качество решающего правила измеряют частотойпоявления правильных решений. Обычно его оценивают, наделяя множествообъектов W некоторой вероятностной мерой. Тогда задача записывается в виде»min P( ĝ(x(w)) ≠ g(w) ),(2.75)где w – образ из пространства образов Ŵ, w ϵ Ŵ; x(w) – функция, ставящая в соответствие каждому объекту w точку x(w) впространстве признаков или образ объекта, определяемый наблюдателем;81 ĝ(w) – решающее правило, определяющее попадает ли объект скомбинацией признаков x в пространство кластеров; g(w) – оценка функции ĝ(w); P( ) – вероятностная мера, определяющая неравенство значений функциирешающего правила и еѐ оценки.Принадлежностьобъекта к одному из классов всегда определяется спомощью расстояний между ним и всеми объектами, соответствующимиэталонным образам в классах распознавания.

Оно является мерой его сходства сэталонами классов или образов. Функции (2.69) – это обобщѐнное расстояние.Для измерения значений функций (2.69) применяют разные формулы. Взависимостиотразличныхусловийрешениязадачобавтоматическойклассификации объектов с помощью кластерного анализа. Рассмотрим рядметодов определения расстояния. Для иллюстрации этого воспользуемсяисточником [44]. В нѐм даны следующие определения.«Метрики – важный инструмент решения многих задач распознаванияобразовиинтеллектуальногоанализаданных.Наличиеметрикивпространстве позволяет принимать решение о принадлежности к множеству или осходстве множеств на основе количественного показателя …Метрика – функция, которая каждой упорядоченной паре точек x и yпространства, ставит в соответствие, действительное число d (x, y) …Введение метрики d (x, y) в пространстве изображений позволяет говорить облизости или удаленности точек в этом пространстве или о мере сходства илиразличия анализируемых изображений» (с.13).Пространства, в которых определена метрика, называются метрическими.

Вних каждая из точек определена как вектор. Тогда, если входное и хранимоеизображения есть набор признаков, то каждый из этих признаков может бытьвектором. Следовательно, между ними можно найти расстояние. Соответственно,сам кластер задаѐтся как группа векторов или матрица.82Матрицаменееудобныйсточкизренияпростотывычисленийматематический инструмент, чем вектор.

Поэтому, ввиду возможной еѐ большойразмерности, для сокращения размерности и меньших затрат на хранение былипредложены варианты обработки изображений, связанные с вычислениемсобственных векторов.Конкретные формулы для вычисления расстояния рассмотрим ниже.Примем расстояние между двумя объектами в виде d(x, y), где x – новый объект,для которого вычисляется расстояние, а y – объект в хранилище, и при этомвыполняется следующее:y ϵ Z` = {Z`1, Z`2, …, Z`m}, Z`1 ∩ Z`2 ∩… ∩ Z`m = Ø,(2.76)где m – число кластеров, записанных в виде математических объектов вхранилище.При этом общее число записей в хранилище составляет N.

Тогда подединичным вычислением s( di ) будем понимать набор операций по вычислению iтого признака в метрике d( x, y), где x ϵ X, которое определяется в (2.70), а y ϵ Y ={Y1, Y2, …, Yl}, где l = m * r и r – число признаков по которым осуществляетсясравнение. Число операций сравнения, необходимое для вычисления d(x, y),выражается следующим образом: ∑ (2.77).Тогда для сравнения с m элементами Y необходимо∑ ∑ .(2.78) .(2.79)Соответственно для N записей в хранилище∑ Тогда модель применения методов кластерного анализа в ИАС краспознаванию лиц может быть записана в виде: .(2.80)Очевидно, что в этом случае частота сравнений при поиске имеетопределяющее значение.83Таким образом, для сокращения количества вычислений при примененииметодов кластерного анализа в ИАС к распознаванию лиц целесообразномаксимально сократить количество сравнений в процессе функционирования.Сокращение количества сравнений может быть достигнуто за счеткластеризации изображений: «один человек – один кластер».

Тогда новоеанализируемое изображениедостаточнобудетсравниватьнесовсемиизображениями в хранилище, а с одним изображением из кластера.Выбор изображений из каждого кластера для сравнения необходимоосуществлять, основываясь на освещѐнности, масштабе и ракурсе наблюдения ванализируемомизображении.Данноетребованиеобусловленотем,чтобольшинство алгоритмов распознавания лиц разработаны для изображений спримерно одинаковым ракурсом лиц, масштабом и уровнем освещѐнности идемонстрируют некорректные результаты при большом отличии в данныхпараметрах.Одним из перспективных направлений является проведение расчѐтов попоиску наиболее подходящего изображения каждого из кластеров не в моментпоступления нового изображения, а в тот момент, когда ИАС не «занята». Такоймомент может наступить во время визуальной обработки данных оператором,либо по окончании выдачи данных из хранилищ. Кроме того, исходя из (2.78)уместно предположить, что хранение наиболее подходящих изображений впоисковых кластерах отдельно от остальных изображений в разы сократитколичество вычислительных операций.2.5 Управление мероприятиями мониторинга и противодействиядестабилизациямНа сегодняшний день не существует нормативно-правовых документов истандартов, определяющих эффективность систем класса рассматриваемой ИАС.Однако существуют стандарты в смежных областях, например ГОСТ Р 50776-95[21], для систем с охранной сигнализацией.

Согласно стандарту, система должнаобеспечивать защиту в соответствии с требуемым уровнем. Воспользуемся84данным определением при построении и разработке методики определенияэффективности управления безопасностью в общественном месте, оборудованномИАС. Под показателем эффективности будем понимать вероятность защитыобъекта, а именно вероятность своевременного реагирования на пожар иинтересанта.Далеевыстроимбезопасностьювметодикуместахопределениямассовогоэффективностипребыванияуправления(общественныхместе),оборудованного ИАС.Воспользуемся подходом, описанным в статье [98], для оценки вероятностизащиты объекта Pзо:Pзо = Робн * Рбр * Рпр * Рн,(2.81)где Робн – вероятность обнаружения вторжения; Рбр – вероятность безотказной работы системы; Рпр – вероятность перехвата нарушителей силами охраны на объекте; Рн – вероятность нейтрализации интересанта силами охраны.Однако в указанной статье полагалось, что система функционирует безотказно(Рбр = 1), осуществляется обнаружение проникновения нарушителя (Робн = 1) и вслучае прибытие группы реагирования происходит его нейтрализация (Рн = 1).Тогда вероятность защиты объекта определяется вероятностью того, чтоприбытие группы вневедомственной охраны к объекту произойдет раньше, чемнарушитель совершит противоправные действия и покинет объект (2.81).Pзо = Рпр =1 – Р(tи > tр),(2.82)где: – интервал времени с начала проникновения нарушителя до совершенияим деструктивного действия или покидания объекта; р – время реагирования сил и средств вневедомственной охраны навозникшую тревожную ситуацию.Данный подход можно использовать и для оценки эффективности управлениябезопасностью общественного места, оборудованного ИАС.85Вместе с тем имеющиеся оценки функционирования ИАС [33] не позволяютсделать вывод об их абсолютной надежности и моментальности обнаружениянарушителя.

Характеристики

Список файлов диссертации