Диссертация (1172947), страница 15

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

Текст из файла (страница 15)

Кроме того, исследовались способы повышенияэффективности данной системы. Эффективность может быть повышена за счетраспараллеливания вычислений. В работе доказано, что сеть видеоконтроляможно рассматривать как конечную однородную Марковскую цепь. Данноеутверждениепозволилоразбитьмножествокамервобъединениенепересекающихся групп, внутри которых информация об интересантах можетобрабатываться последовательно, а вне групп – параллельно.Такжесиспользованиемданноймоделивозможнопостроениевероятностного графа маршрутов интересанта.

А именно сеть видеоконтроляможно рассматривать в качестве графа, ребра которого несут определенную93нагрузку. В качестве такой нагрузки рассматривается значение вероятности того,что интересант пришел в конечную вершину из начальной. Что позволяетповысить точность и уменьшить время распознавания интересанта следующимобразом: при распознавании интересанта рекомендуется сравнивать лицо с ужеидентифицированными лицами в смежных вершинах в порядке уменьшениязначения метки ребра.Далее в работе получено выражение, проясняющее влияние количестваинформации на эффективность системы поддержки управления. Основной выводиз которой – эффективной может быть та система, в которой не превышенверхний порог числа записей в БД. Для того, чтобы соблюсти это условие, однимиз решений может стать использование распределенных хранилищ различноготипа с применением кластеризации изображений.Следовательно, необходимо разделять общий массив информации на части(кластеры), что позволит сократить количество операций по сравнениюизображений.

Данные кластеры должны составлять такую величину, котораяпозволит иметь необходимый объем информации для распознавания лиц, ноколичество кластеров должно позволять проводить распознавание за приемлемоевремя.Предложенная система поддержки управления позволяет органу управленияполучать объективную оценку распределения и поведения интересантов, а такжекоординировать силы и средства охраны при противодействии.Кроме того, на основе разработанной модели сформирована вероятностнаяоценка эффективности функционирования системы мониторинга дестабилизации,в которой впервые в совокупности учитываются такие параметры, как: скорость реакции персонала на событие деструктивного характера; переменная скорость движения нарушителя; нагрузка сети видеоконтроля; объем хранимой информации в базе данных; количество анализируемых нарушителей; другие параметры автоматизированной системы идентификации.94На основе данной модели могут быть разработаны организационнотехнические требования к нормативным значениям времени перехвата инейтрализации интересанта, что улучшит эффективность защиты объекта.95ГЛАВА 3.

РАЗРАБОТКА АЛГОРИТМА И СИСТЕМЫИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ ПОДДЕРЖКИУПРАВЛЕНИЯ БЕЗОПАСНОСТЬЮВо второй части для поддержки управления выполнен анализ безопасностимест массового пребывания людей и функционирования автоматизированныхсредств дистанционной идентификации по изображению с применениемматематических методов. Для реализации полученных предложений и выводов вконкретных системах поддержки управления необходима разработка новыхалгоритмов.3.1 Структурная схемаРассмотрим схему модели управления безопасностью, отличающейсяиспользованием предлагаемой ИАС (рисунок 3.1). Архитектура ИАС построенана основании математических моделей представленных во второй главе. КрометогопредложеннаяархитектураИАСнеограничиваетсяфункционаломспособным осуществлять распознавание лиц.

Архитектура ИАС расширена нафункционал, обеспечивающий определение эмоционального состояния, степениопасности поведения, уровня психологической напряженности и другихпсихофизиологическихпоказателяхинтересанта.Реализацияэтогодополнительного функционала представляется возможным в рамках дальнейшихнаучно-исследовательских работ.ИАС построена на распределенной сетевой архитектуре, состоящий изцентральных и локальных систем.Локальная система включает: видеокамеры; модульдетектирования,которыйобеспечиваетавтоматическоеобнаружение изображений лиц в видеопотоке от источника видеосигнала; ядро идентификации, которое применяется для сравнения изображениелица интересанта с хранимой информацией о личностях;96 блок кластеризации, который используется для кластеризации хранимойинформации и определения центров кластеров; локальный сервер с оперативной памятью (далее – ЛОП), которыйиспользуется для хранения центров кластеров; локальную базу данных, которая применяется для долговременногохранения информации об интересантах; сенсоры, которые регистрируют психофизиологические показатели; аналитическиймодуль,которыйиспользуетсядляотслеживаниятраектории передвижения, выявления аномального поведения, определенияэмоционального состояния и уровня психологической напряжѐнности; сервер запросов, который служит для централизованной обработкианалитических запросов оператора; автоматизированные рабочие места операторов, которые обеспечиваютдоступ к функциям системы по мониторингу событий, настройке параметровлокальной системы и вводу информации в БД.Центральная система включает: ядро идентификации, которое применяется для сравнения изображениелиц интересанта, поступающих из локальных систем, с хранимой информацией оличностях; блок кластеризации, который используется для кластеризации хранимойинформации и определения центров кластеров; центральный сервер с оперативной памятью (далее – ЦОП), которыйиспользуется для хранения центров кластеров; центральная база данных, которая применяется для долговременногохранения информации об интересантах; сервер запросов, который служит для централизованной обработкианалитических запросов оператора;97 автоматизированные рабочие места операторов, которые обеспечиваютдоступ к функциям системы по мониторингу событий, настройке параметровцентральной системы и вводу информации в БД.Далее опишем принцип функционирования ИАС: при обнаруженииинтересанта в режиме «реального времени» осуществляется распознание наоснове уникальности биометрии лица, отслеживается и анализируется траекторияегоперемещения,определяетсяэмоциональноесостояниеиуровеньпсихологической напряжѐнности.Остановимся более подробно на распознавании интересанта.

Послеобнаружения изображения лица в видеопотоке от источника видеосигнала, оносоотносится с изображениями лиц в хранилище. В результате в БД формируютсякластеры, в которых содержатся только похожие изображения. В идеале дляскоростного распознавания необходимо, чтобы один кластер соответствовалодному человеку. При этом в каждом кластере необходимо вычислить наборнаиболее типичных и качественных изображений лиц (средние значения накластер).Таким образом, для поиска интересанта по фотографии с использованиемИАС (или еѐ составной части) достаточно изображение лица сравнить сограниченным набором изображений (наиболее точно представляющим личностьв данном кластере), а не со всеми изображениями в БД.Для хранения данных в такой системе необходимо использовать новыйпринцип хранения и обработки.

Рассмотрим контролируемый объект, например,аэропорт. С модулей детектирования поступает поток видеоданных, которыйобрабатывается локальным сервером идентификации, по следующему новомуалгоритму хранения и распознавания, который схематично представлен нарисунке 3.2:Пусть n - номер изображения с лицом1)Для(n = 1). На вход ядру идентификации подается первое изображение.изображениястроитсяматематическийшаблонлица.Информация98сохраняется в локальном сервере с оперативной памятью (ЛОП). Таким образом,в ЛОП содержится один кластер с центром в единственном изображении лица;2)(n = 2). На вход ядру идентификации подается второе изображение.Для изображения вычисляются математический шаблон.

Шаблон сравниваются сцентром единственного кластера:a. еслиизображениядостаточнопохожи,тоестьпроверяются,соответствуют ли они одной личности, то кластер расширяется полученнымизображением. Выбирается центр кластера, который сохраняется в ЛОП, другойпредставитель кластера сохраняется в ЛБД;b.если изображения различаются (уровень доверия ниже заданногопорога), то есть изображения соответствуют разным личностям, то образуетсяновый кластер с центром в новом изображении.3) (n = m).

Пусть уже есть k кластеров. На вход ядру идентификацииподается m-тое изображение. Оно проверяется на схожесть с центрами kкластеров идентифицированных лиц. Причем сравнение осуществляется с ужеидентифицированными лицами в смежных вершинах в порядке уменьшениязначенияметкиребравероятностногографамаршрутов.Построениевероятностного графа маршрутов описано ранее в параграфе 2.2. В результате:a. если изображения лица относится к какому-то кластеру, то онорасширяет данный кластер. В кластере выбирается новый центр, т.е.

изображениелица, наиболее точно представляющее личность, и оно сохраняется в ЛОП,другие изображения сохраняются в ЛБД;b.если уровень доверия с каждым из k центров кластеров нижезаданного порога, то считается, что изображение лица соответствуетличности, которой нет в ЛБД. Данное изображение образует новый кластер.99УправлениеВнешняя средаИнформацияУправляемая системаУправляющая системаСлужба безопасностиАИУС РСЧС ГУМЧС РоссииГосударственныеорганыбезопасностиРуководство(ЛПР)Места массового пребывания людейОтделавтоматизацииОтделбезопасностиРабочие местаСеть контроляЛокальные системыБлоккластеризацииОПЯдроидентификацииАналитическиймодульСерверзапросовБДМодульдетектированияЦентральные системыЯдро идентификацииСервер запросовБлок кластеризацииБДРисунок 3.1 Схема информационно-аналитической системы поддержки управленияОП100Вход:facemi – математический шаблона лица, который был зафиксирован i-ойкамерой;i ϵ , где = {i1… ig}– класс камер полученный в результатеприменения КОМЦ;faceri ϵ – центр r-го кластера, а = { facer1i … facerti }– множествоцентров кластеров, элементы которых зафиксированы на i-ой камере.Начало обработки данныхi ++; r = 1r ++даfaceni = faceriнетr < rtданетi < igданетПополнение r-го кластерановым изображениемСоздание нового кластера сновым изображением = ∪{faceni}Пересчѐт среднего значения r–гокластера в соответствии с новымизображениемОбработка выполненаРисунок.

3.2 Алгоритм хранения и обработки данных ИАСВ ЦБД хранится информация о центрах кластеров из всех ЛБД.При этом если личность попала в поле видимости камер несколькихконтролируемых объектов, например аэропорта, вокзала, станции метро, иобразовала кластеры в разных ЛБД, то в ЦБД должен быть образован кластер,состоящий из центров этих кластеров ЛБД.101Для принятия решения о том, какому кластеру принадлежит изображениеможновоспользоватьсябайесовским классификатором [103].

Характеристики

Список файлов диссертации