Диссертация (1172947), страница 8
Текст из файла (страница 8)
Формула для такой метрики в наших обозначениях будетвыглядеть такg(x, y) = ∑ (|xi| – | yji|).(1.36)rИногда для поиска нужного кластера удобно использовать метод отпротивного или искать те объекты, которые точно не совпадают с тем, которыйпоступил на вход МД ИАС. Тогда необходимо вести расчѐт расстояния исходя изчисла «несовпадений» значений признаков.
Для этого удобно использоватьформулу вычисления расстояния по Хеммингуg(x, y) = 1/R (∑ (xi – yji)2).(1.37)rПеречисленные выше методы получения данных о соответствии входныхобъектовхранимымпринятоназыватьдетерминистскими.Помимодетерминистских методов в определении расстояний между объектами враспознавании могут использоваться статистические методы.Одним из них служит так называемый метод «ближайшего соседа». Дляпрояснения метода необходимо установить связь между отнесением объекта ктому или иному кластеру (образу) и вероятностью ошибки при решении этойзадачи.
Обычно в рамках решения такой задачи необходимо определитьапостериорную вероятность принадлежности объекта x образу Yi при условии,что признаки этого объекта имеют значения x1, x2, …, xr.Фактически для этого вокруг распознаваемого объекта x строится ячейкаобъѐма Ɣ. Неизвестный объект относится к тому образу, число сходных объектовкоторого из имеющихся Yi в этом объѐме оказалось большинство. Т.е. число44объектов образа x, попавших в окрестность x, даѐт оценку усреднѐнной по объѐмуƔ плотности вероятности p(Yi,/x).Для прояснения определения расстояния, рассчитываемого статистическимиметодами, необходимо определить обучающую выборку. Так как ИАС изначальноне знает, к какому объекту отнести входной, то она начинает сравнивать симеющимися.
Когда выясняется, что среди них нет того, который удовлетворяеттребованиям «схожести» (решающее правило даѐт значение для расстояниямежду всеми хранимыми и входным образами меньше или больше заданногопорога), начинается построение нового кластера. Для этого необходимо несколькообъектов из данного кластера, которые и будем называть обучающей выборкой.Другие детали данного определения можно почерпнуть в технической литературепо распознаванию образов и кластерному анализу ([10], [35], [38], [9], [15], [24],[27], [50], [95], [96]).Рассмотрим ситуацию, когда у нас есть обучающая выборка ϰ1, ϰ2, …, ϰr.ϰi = { ϰi1, ϰi2, …, ϰir },(1.38)для которой известно, чтоϰi ϵ Y = { Y1, Y2, …, Ym },(1.39)где Y – образы в ЦБД ИАС.Тогда вероятность того, что x попадѐт в объѐм Ɣ для класса ϰiP(Ɣ/x) = Ɣ * p(ϰi,/x),(1.40)если окрестность ϰ слишком мала и в ней p(ϰi,/x) = const, илиP(Ɣ/x) = ∫ p(ϰi,/x) dƔ,(1.41)для остальных случаев.Это и есть вероятность того, что x будет распознан как Yi или P(Yi/x).
Тогда,для определения расстояния между распознаваемым и хранимыми объектами поБайесу, необходимо выбрать максимальную апостериорную вероятность того, чтоx будет распознан как Yi.P(Yi/x) = max P(ϰj,/x).j(1.42)45Использование различных методов в распознавании позволяет достаточнополно исследовать входной объект с МД, но при этом комбинирование различныхметодов внутри одной ИАС приводит к большим вычислительным затратам. Аэто, в свою очередь, сильно снижает еѐ скоростные возможности и нагружаетоператора. Поэтому целесообразно стремиться к тому, чтобы ИАС использовалатолько один из заданных алгоритмов распознавания.Таким образом, используя для получения данных о соответствии объектазаданному образу различные методы вычисления расстояния, возможно получитьнужный результат при распознавании.
Вопрос обоснованности применения тогоили иного метода решают обычно производители ПО ИАС.Для повышения оперативности работы ИАС с оператором в реальномвремени в реальном времени необходимо использовать ряд новых алгоритмов.1.3.3 Алгоритмы обнаружения пожараВ настоящее время для детектирования пожара или дыма используются дваосновных подхода [32]:1. Подход, использующий методы, основанные на анализе яркостной ицветовой составляющей изображения.Дляиспользованияэтогоподходанеобходимозадатьмодель,описывающую «пожар» или «дым». Модель может принадлежать одному из трехтипов: классификаторы, структурные, параметрические.Для работы классификатора необходимо сформировать достаточнобольшое количество эталонов, что является весьма трудоемкой задачей,поскольку у пламени или дыма существует практически бесконечное множествовариаций.
Структурные модели тоже не вполне подходят для решения даннойзадачи, так как объект моделирования не является структурным. Таким образом,сейчас в основном используются параметрические модели, характеризующиесяопределенным статическим или динамическим цветовым описанием.46Недостатком данного подхода является сложность идентификациипламени на дальнем расстоянии [94].2. Подход,основанныйнаиспользованииопорныхизображений,полученных до наступления деструктивного события при различных условияхосвещенности. Основной принцип заключается в выделении очагов пожара путемвычитания последовательных кадров или фонового изображения.Основным недостатком данного подхода является то, что перекрывающиедруг друга области на изображениях могут быть ошибочно приняты в качествефона.Автор полагает целесообразным использовать комбинированный метод,сочетающий в себе перечисленные выше подходы.
На первом шаге анализапредлагаетсяиспользоватьвторойподход,вслучаенеопределенностидополнительно применять первый.1.3.4 Алгоритмы отслеживания траектории движенияПосле того как человек был идентифицирован как лицо потенциальноопасное, может возникнуть необходимость анализа его действий и местпребывания, с кем будет встречаться, и т.д.
Поскольку запись видеопотока можетосуществляться с различных камер и в течение большого промежутка времени, тодля непосредственного просмотра потребуются значительные человеческиересурсы. Стоит заметить, что сотрудника службы безопасности о событияхследует оповещать только один раз, чтобы не дублировать одинаковые сообщенияс разных камер также необходимо отслеживать траектории движения объектов.Из этого следует необходимость автоматического отслеживания интересуемыхобъектов.Длярешениязадачиотслеживаниядвиженияобъектовможновоспользоваться следующими методами: шаблонов движений [121], cдвигасреднего [121]; непрерывно адаптирующегося сдвига [133], Виолы – Джонса [3],Лукаса – Канаде [133].47В таблице 1.3 приведен сравнительный анализ указанных методов.Для экономии вычислительных ресурсов, стоит проводить отслеживаниетолько тех объектов, которые уже были идентифицированы как представляющиеинтерес для сотрудников службы безопасности.
Поэтому необходимо выбратьметод отслеживания без непосредственного поиска объекта, таковыми является,методы сдвига среднего, непрерывно адаптирующегося сдвига и Лукаса – Канаде.Особенностью видеоданных, используемых для видео регистрации событийв местах скопления людей, является удалѐнность объекта слежения безиспользования оптического и программного средства увеличения. Это приводит кзначительному уровню шумов и оптических иллюзий, и не все алгоритмыустойчивы к данным условиям.
Наименьшей ошибкой потери фокуса на объектево время отслеживания из данных алгоритмов обладает алгоритм Лукаса – Канаде(7%) [2]. Но в данном методе существует проблема, связанная с тем, что когдаобъект выходит из кадра или заходит за некоторое препятствие, отслеживаниепродолжается не за первоначальным объектом, а за некоторой областью на кадре.Одной из основных проблем применения метода отслеживания движенияявляется его согласованное применение в наборе видеопотоков с несколькихкамер.
В ситуации, когда человек может попасть одновременно в объективнескольких камер и когда человек переходит из поля видимости одной камеры вполе видимости другой камеры, необходимо формировать один видеопоток страекторией движения объекта.Таким образом, проведѐнный в подразделе анализ методов поведениячеловека показал, что применяемые в настоящее время методы обладают рядомнедостатков, среди которых затруднение в работе ИАС в условиях большогоколичества камер и отсутствие возможности идентификации личности иотслеживаниячеловекапофотографиисприменениемдополнительнойинформации. Поэтому целесообразна разработка соответствующих алгоритмов иструктур данных, которые позволят в будущем реализовать данную возможность.48Таблица 1.3 – Сравнительный анализ методов отслеживания движения объектаМетодЛукаса – КанадеВиолы – Джонсанабора пикселей,полученных с помощьюдифференциальноговычисления оптическогопотоканаборов пикселей,совпадающих с заранееподобраннымишаблонами+Непрерывноадаптирующегосясдвигацентр масс точек, савтоматическимподстраиванием границыи размера окна, впределах которогорасположен объектслежения++-+---+----++--++-+++++-+-+автоинициализацияобъекта слеженияустойчивость кподвижному фонувысокая эффективностьвысокая эффективностьвысокая вероятностьзахвата участка фонавместо объектаотслеживаемый объектдолжен иметь четкуюцветовую границу сфономустойчивость кизменению размераотслеживаемого объектаотслеживаемый объектдолжен иметь четкуюцветовую границу сфономнеобходимостьинициализации объектаслежениявычислительнаятрудоемкость обученияШаблонов движенийСдвига среднегограница объектовцентр масс точек,определяющих объектслежения+ХарактеристикаГраничные точки векторадвиженияАвтообучениеАвтоинициализация объектаслеженияУстойчивость при быстромдвижении объектаУстойчивость кнезначительному цветовомуотличию объекта слежения отфонаУстойчивость к подвижномуфонуУстойчивость к изменениюразмеров объекта от времениПреимуществаНедостатки491.4 Моделирование нарушителя в системе безопасностиДля обеспечения безопасности места массового пребывания людейнеобходимо противостоять нарушителю.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
