Принципы построения алгоритмов распознавания нарушителей в системах охраны

Размещено на http://allbest.ru

1. Принципы построения алгоритмов распознавания нарушителей в системах охраны

Понятие алгоритма известно в математике давно. Термин происходит от имени великого ученого мусульманского мира - узбека, жителя города Хорезм Абу-Абдуллы-Мухаммеда ибн Мусы аль Маджуса аль Хорезми (VIII-IXв). Его труд "Китаб мухтасар аль джебр ва-л-мукабала" в XII веке был переведен на латынь и стал доступным для европейцев. В нем были изложены правила 4-х арифметических действий над числами в десятичной системе счисления и правила решения уравнений первой степени. Эти правила и были названы в Европе АЛГОРИТМАМИ.

Затем понятие алгоритма переместилось в область логики, где появилась теория алгоритмов, изучавшая процесс доказательств или разрешимость и неразрешимость математических задач. Само понятие алгоритма до XX века оставалось не определённым в строгой форме, меняющим свой смысл во времени, часто понимаемым только интуитивно. Но при возникновении перед человеком необходимости создания вычислительных устройств более высокого уровня это понятие обрело свой законченный научный смысл.

Алгоритм - это точное описание упорядоченной последовательности действий, приводящей за конечное число шагов к необходимому результату.

Свойства алгоритмов:

1. понятность

2. однозначность

3. дискретность (пошаговость)

4. массовость (универсальность)

5. результативность

6. конечность

7. безошибочность

Очевидно, что предписание "Пойди туда, не знаю куда, принеси то, не знаю что" алгоритмом не является.

В качестве исполнителя алгоритмов в "докомпьютерную" эру подразумевался человек (в крайнем случае, животное - в цирке). Человек постоянно пользуется алгоритмами при решении задач, не задумываясь над этим, машинально (автоматически). Наглядными примерами алгоритмов являются различные инструкции, правила, рецепты. Открывая дверь ключом, никто не размышляет над тем, как это сделать. Но чтобы научить этому другого, придется составить алгоритм. Например, так:

1. Достать ключ.

2. Вставить ключ в замочную скважину.

3. Повернуть ключ против часовой стрелки на 2 оборота.

4. Вынуть ключ.

Этот алгоритм обладает всеми необходимыми свойствами. Но если переставить второе и третье действия, алгоритм тоже можно будет выполнить, но дверь не откроется! Вот почему важен не только набор действий, но и их порядок. Кроме того, в приведённом примере следует обратить внимание на два обстоятельства. Первое не требует пояснений: всякий алгоритм должен иметь имя. Второе состоит в том, что перед выполнением алгоритма задаётся или определяется некоторое начальное состояние,исходные условия алгоритма: открывающий дверь должен находиться перед ней, а не переходить улицу перед подъездом. И ключ также должен находиться под рукой.

Сегодня в качестве исполнителей алгоритмов человеку служат многие автоматические устройства и, прежде всего, конечно, компьютер, а в системах охраны и контроллеры. При этом составление алгоритма должно быть особенно ответственным и тщательным, так как машина не может домысливать и исправлять ошибки. В этом смысле она - идеальный исполнитель.

При реализации алгоритма для ЭВМ его шаги становятся операторами, а вся их последовательность - программой. Для исполнителя всегда нужно определить те команды, которые он должен и может выполнять, чтобы совершать действия, предусмотренные алгоритмом.

Набор таких команд называется системой команд исполнителя. Таких команд ограниченное число и их не может быть много. Чем меньше команд, тем легче построить техническое устройство в роли их исполнителя. И если исполнителем получена команда, не входящая в его систему команд или неправильно заданная, он должен сообщить об отказе. Т.к. необходимо, чтобы исполнитель получил алгоритм в понятной ему форме, становится важным, каким способом представлен алгоритм.

Способы представления алгоритма:

1. словесный;

2. табличный;

3. графический;

4. программа на алгоритмическом языке.

Для словесного представления алгоритма используется естественный язык (пример - любые инструкции, рецепты и т.п.) С табличным способом представления алгоритма Вы сталкиваетесь в расчетных книжках при плате за квартиру, в бухгалтерских ведомостях, в таблицах инженерных расчетов и т.п.

Графический способ представления алгоритма - это блок-схема (рассмотрим на следующем уроке) является наиболее наглядным. Схема алгоритма состоит из графических блоков.

Программа - изложение алгоритма специально для ЭВМ в понятных ей символах, словах и командах (иначе говоря - языком программирования). Четвёртый способ - единственный «понятный» компьютеру как автоматическому исполнителю. Первые три служат для понимания решения задачи самим человеком.

В любом алгоритмическом языке (языке программирования) можно выделить четыре основные конструкции (виды алгоритмов):

1. линейный алгоритм (образование последовательности из нескольких команд);

2. алгоритм ветвления (выбор одной или нескольких команд);

3. циклический алгоритм (повторение одной или нескольких команд с заданным количеством повторов или в зависимости от некоторого условия);

4. вспомогательный алгоритм (самостоятельный алгоритм, облегчающий реализацию модульного принципа составления программы).

Использование комбинаций таких структур позволяет реализовать практически любой алгоритм

1.1 Основы теории обнаружения

Для реализации функций обнаружения и различения объектов вторжения в системах безопасности широко используются устройства, основанные на различных физических принципах формирования тревожных сигналов.

Высокая надёжность принятия решения о вторжении достигается логическим объединением сигналов, поступающих с различных средств обнаружения, образующих рубежи охраны.

Наиболее эффективны системы, в которых для формирования сигналов используются независимые (ортогональные) свойства нарушителя - оптические и акустические сигналы, инфракрасный и сейсмический или радиоволновый сигналы.

Для повышения достоверности принятия решения о вторжении на охраняемый объект применяются различные методы комбинирования сигналов от рубежей охраны.

Теория обнаружения, различения и оценивания сигналов разрабатывалась применительно к радиолокации. Развитие методов обнаружения позволяет с единых позиций рассмотреть не только радиолокацию, но и оптическую локацию (телевидение, инфракрасную технику).

Вместе с тем, проектирование систем обнаружения этих классов имеет отличия не только в длине волны, но и в способе формирования информационного сигнала:

· радиолокационные системы обнаружения в большинстве случаев являются активными;

· системы обнаружения инфракрасного диапазона используют как активный, так и пассивный режимы обнаружения;

· телевизионные системы видимого диапазона длин волн занимают промежуточное положение, так как в видимом диапазоне собственное излучение тел при обычных (не слишком высоких) температурах отсутствует и для наблюдения необходима подсветка - естественная (солнечная) или искусственная.

К основным принципам теории обнаружения относятся:

· принцип оптимальности: наилучшее правило принятия решения должно обеспечивать экстремум качества по принятому критерию, исходя из априорной информации о сигналах и помехах, а также из ограничений на доступные решения;

· принцип накопления: суммирование сигналов по пространству, времени и длине волны - единственный и достаточный метод борьбы с шумом (некоррелированной помехой);

· принцип компенсации: вычитание оценки фона - единственный и достаточный метод борьбы с коррелированной помехой.

Эти принципы лежат в основе проектирования как систем обнаружения вообще, так и систем видеонаблюдения в частности.

Например, на основе принципа оптимальности осуществляется согласование размеров элемента разложения матрицы ПЗС с кружком рассеяния объектива для обеспечения максимума отношения сигнал/шум при ограниченной освещённости [10], [11].

Принцип накопления реализуется интегрированием фотоэлектронов в пределах времени кадра (от 20 мс и менее), площади элемента разложения (примерно, от 4Ч4 до 20Ч20 мкм) и интервала длин волн, к которым чувствительна матрица ПЗС (от 0.4 до 1 мкм) [10] - [14].

Принцип компенсации находит своё воплощение в телевизионных детекторах движения, использующих в своей работе различные модификации алгоритма вычитания из текущего изображения оценки фона по предыдущему ТВ-кадру [10], [11].

Процесс принятия решения оператором ТВ-системы включает в себя четыре взаимосвязанных этапа: обнаружение, классификацию, различение и опознавание. Под обнаружением подразумевается выделение объекта на фоне и отнесение его к классам объектов, представляющим потенциальный интерес.

Классификация означает отнесение обнаруженного объекта к одному из широких классов (человек, транспортное средство). Различение означает отнесение наблюдаемого объекта к более узкому подклассу (грузовой автомобиль, легковой автомобиль). Наконец, на стадии опознавания можно установить тип объекта (марка автомобиля).

Априорная неопределённость изображений нарушителей приводит к необходимости установления связи параметров ТВ-системы с вероятностными характеристиками опознавания обнаруживаемых объектов.

Детальные исследования этих связей показали [15], что они зависят от множества факторов:

· характеристики обнаруживаемого объекта (отношение сигнал/шум, контраст, угловой размер, градиент яркости на краях объекта, сложность контура, место на экране монитора, форма, ориентация, перспективные искажения, скорость движения, яркость изображения);

· характеристики сюжета (яркость фона, интенсивность шума фона, скорость движения фона);

· характеристики наблюдателя (тренированность, мотивировка действий, утомление, получение предварительного инструктажа, возраст, индивидуальные особенности, рабочая нагрузка, метод поиска, число наблюдателей и способ связи между ними, периферическая острота зрения);

· тактические требования (площадь зоны поиска, допустимое время поиска с момента появления объекта, освещённость в помещении охраны и т. д.).

Далее рассматривается роль главных из этих факторов - отношения сигнал/шум и размера опознаваемого объекта на экране монитора.

Под отношением сигнал/шум понимается отношение сигнала перепада между наблюдаемым объектом и фоном к среднеквадратичному значению шума. Реальное отношение сигнал/шум для обнаруживаемого объекта меньше максимального при данной освещённости на величину контраста объекта относительно фона.

В результате проектировщики ТВ-систем безопасности используют различные эмпирические правила, например критерии Джонсона, связывающие вероятность правильного решения с числом строк, приходящихся на размер объекта. Критерии Джонсона, усреднённые по всем классам объектов, имеют значения, приведённые в табл.

Решаемая задача	Число строк, необходимых для обеспечения 50%-й вероятности правильного решения
Обнаружение	2
Определение ориентации	3
Различение	6
Опознавание	14



В задаче различения сигналов всегда требуется большая чёткость, чем при обнаружении. Необходимое увеличение чёткости зависит от степени неопределённости в наблюдаемом изображении.

Так, если необходимо опознать личность известного оператору человека, то, по рекомендациям МВД Великобритании, его изображение должно занимать 50% растра; идентификация индивидуальных признаков неизвестной личности требует увеличения размера изображения человека до 120% растра (рис. 1)

Рис.1 Рекомендуемые размеры изображения при обнаружении и классификации

Подавляющее большинство применяемых в настоящее время охранных ТВ-систем не являются оптимальными с точки зрения теории решений, поскольку поле зрения и параметры разложения обычно задаются независимо. Число строк в растре определяется стандартом, в котором работает аппаратура (PAL, SECAM, NTSC). Поле зрения, как правило, выбирается из условия перекрытия определённого участка территории охраняемого объекта.



1.2 Общая характеристика задач распознавания образов и их типы

Под образом понимается структурированное описание изучаемого объекта или явления, представленное вектором признаков, каждый элемент которого представляет числовое значение одного из признаков, характеризующих соответствующий объект.

Общая структура системы распознавания и этапы в процессе ее разработки показаны на рис.2.

Рис. 2. Структура системы распознавания

Суть задачи распознавания - установить, обладают ли изучаемые объекты фиксированным конечным набором признаков, позволяющим отнести их к определенному классу.

Задачи распознавания имеют следующие характерные черты.

1. Это информационные задачи, состоящие из двух этапов: а) приведение исходных данных к виду, удобному для распознавания ; б) собственно распознавание (указание принадлежности объекта определенному классу).

2. В этих задачах можно вводить понятие аналогии или подобия объектов и формулировать понятие близости объектов в качестве основания для зачисления объектов в один и тот же класс или разные классы.

3. В этих задачах можно оперировать набором прецедентов-примеров, классификация которых известна и которые в виде формализованных описаний могут быть предъявлены алгоритму распознавания для настройки на задачу в процессе обучения.

4. Для этих задач трудно строить формальные теории и применять классические математические методы (часто недоступна информация для точной математической модели или выигрыш от использования модели и математических методов не соизмерим с затратами).

5. В этих задачах возможна "плохая" информация (информация с пропусками, разнородная, косвенная, нечеткая, неоднозначная, вероятностная).

В связи с ростом криминально-террористических угроз все большее внимание уделяется охране периметра важных и особо важных объектов. На сегодня для надежной охраны периметра зачастую недостаточно правильно подобрать датчики и контрольно-измерительные приборы. Кроме правильного подбора датчиков, мест установки и монтажа, следует выбрать программное обеспечение системы обнаружения, классификации и распознавания.

Система должна обладать высокими тактико-техническими характеристиками (ТТХ). Высокие ТТХ обеспечиваются за счет применения алгоритмических методов обнаружения, классификации, распознавания и снижения влияния помеховых факторов.

1.3 Постановка задачи

Специфика работы системы охраны периметра состоит в том, что обнаружение и распознавание объекта осуществляется на фоне распределенных в пространстве помех. Случайные сигналы и помехи в системах обнаружения и распознавания имеют большой динамический диапазон амплитудных, частотных и временных характеристик и ярко выраженный нестационарный характер.

Информативные параметры часто являются нецентрированными случайными величинами или процессами, для которых априорно неизвестны математические ожидания. В ближней локации получить оценки математических ожиданий сложно вследствие нестационарности процессов, ограниченного объема выборки, а также высокого быстродействия таких систем. В связи с отсутствием сведений о математических ожиданиях нецентрированных случайных параметров в системах обнаружения и распознавания нет возможности применять известные корреляционные методы обработки сигналов.

Функционирование систем в условиях априорной неопределенности требует создания адаптивных систем [1].



2. Состав системы охраны периметра

Если охранные системы конструктивно интегрированы с ограждением, то они строятся преимущественно на вибрационных принципах. Такая система обнаружения и распознавания содержит специальный сенсорный кабель (трибокабель). При его колебаниях генерируется информативный сигнал. распознавание обнаружение охрана

Вибрационные системы охраны периметра применяются при охране как легких ограждений типа сетки «рабица», так и кирпичных стен и заборов, а также для охраны крыш и стен зданий, обнаружения подкопа и перемещения злоумышленника по территории охраняемого объекта.

В системах охраны периметра требуется в реальном времени проводить сложную обработку по обнаружению и классификации источника возмущения.

В любом случае охранная система включает средство обнаружения и блок обработки сигналов. Последний все чаще заменяется компьютером, а алгоритм реализуется программно. Поэтому актуальна задача создания новых методов, алгоритмов обработки и принятия решения.



3. Описание алгоритма регистрации и анализа данных

Исходный сигнал (например, представленный на рис. 3) поступает на блок обработки сигнала (БОС). БОС предназначен для анализа и выдачи сигнала тревоги, помеховых факторов.

Рис. 3. Сигнал с датчика

Обратимся к методу экстремальной фильтрации. Его выбор обусловлен тем фактом, что метод позволяет сочетать экспресс-обработку с последующим точным анализом.

В его основе лежит разложение сигнала на знакопеременные составляющие, параметры которых (частота и амплитуда или дисперсия) используются как диагностические, а также для обнаружения и распознавания типа вторжения.

На первом этапе осуществляется выделение m экстремальных значений xэi во временном окне (где i = 1, 2, ..., m) и разделение на знакопеременные составляющие. Сглаживание производится оператором вида

xci = 0,25xэi?1 + 0,5xэi + 0,25xэi+1, (1)

который соответствует пропусканию данных через цифровой фильтр нижних частот.



Первая, высокочастотная, составляющая определяется из соотношения

xpi = xэi ? xci . (2)

Составляющая может быть выделена непосредственно из экстремумов следующим образом:

xpi = ?0,25xэi?1 + 0,5xэi ? 0,25xэi+1. (3)

Далее преобразования вида (1), (3) повторяются над составляющей pi x

На рис. 4 для одного из анализируемых участков вибросигнала показаны выделенные знакопеременные составляющие, интерполированные по своим экстремумам, отмеченным на графиках точками.

Рис. 4. Знакопеременные составляющие одного из участков анализа

Далее происходит вычисление параметров для всех p составляющих (амплитуды Ai, частоты, f n n, i = 1, .., p), которые позволяют сформировать первичные диагностические признаки.

На рис. 5 показаны диагностические признаки, на рис. 6 - обнаружение нарушителя с помощью предложенной системы признаков.

При приближении объекта к датчику увеличивается соотношение сигнал/шум и частотные свойства регистрируемого сигнала будут определяться возмущением - амплитуда выделяемых составляющих увеличивается, а частота, наоборот, уменьшается. Следовательно, можно установить разделяющую границу частот шум/сигнал.

Рис. 5. Сигнал x и диагностические признаки: fi, Ai, Ai / fi , i = 1, .., 3

Рис. 6. Обнаружение нарушителя__



Возможна и обратная ситуация, когда шуму будет соответствовать низкочастотная область. В этом случае сигналу будут соответствовать более высокочастотные сигналы с бульшими амплитудами. Примером этого служат пролетающий вертолет или самолет.

Сама по себе амплитуда - не очень четкий признак, так как она сильно зависит от расстояния до объекта.

Поэтому предложено сформировать диагностический признак для более контрастного разделения сигнал/шум в виде отношения Ai / fi . Аналогичный подход уже использовался в сейсмическихсистемах охранной сигнализации [2].

3.1 Алгоритм обнаружения, классификации и распознавания объекта

Подведя итог, можно описать алгоритм обнаружения, классификации и распознавания объекта на охраняемой территории.

Алгоритм анализа сигнала и распознавания объекта включает:

1) регистрацию данных;

2) выделение экстремумов во временном окне;

3) разделение на знакопеременные составляющие;

4) вычисление параметров этих составляющих (амплитуды и частоты);

5) сравнение частоты с пороговым значением;

6) формирование тревожного сигнала;

7) распознавание объекта;

8) вычисление направления и скорости движения.

Алгоритм обнаружения и распознавания объекта на охраняемой территории представлен на рис. 7



Рис. 7. Алгоритм обнаружения и распознавания объекта на охраняемой территории

3.2 Принцип работы алгоритма выделения, распознавания, отслеживания движущейся цели

Для решения этой проблемы были привлечены мощные аналитические умы программистов, и в итоге родилась совершенно новая технология, которая позволяет не только констатировать движение в кадре, но и выделяет и распознает движущиеся объекты, отслеживает их перемещение, проводит анализ поведения.

Выделение и сопровождение объектов в видеопотоке осуществляется с помощью моделей разных уровней. Модель более высокого уровня использует данные, полученные от модели предыдущего уровня (рис. 8).



Рис. 8. Детектор движения

Детектирование оставленных предметов происходит на этапе сопровождения объектов на основании оценки его скорости. В случае положительного детектирования область, занимаемая предметом, становится частью фона. Данный факт отображен на схеме в виде обратной связи. На 1-м уровне происходит вычитание фона.

На 2-м уровне происходит сегментация объектов. На 3-м уровне осуществляется сопровождение объектов т.е. межкадровое связывание выделенных областей, вычисление траектории движения, координат, скорости, размера движущихся объектов, их идентификация.

3.3 Вычитание фона

В цифровых системах видеонаблюдения вычитание фона является первичным этапом обработки изображений и служит для классификации пикселов изображения на два класса: пикселы заднего (фон) и переднего плана.

Затем на полученных данных строятся такие алгоритмы, как выделение, сопровождение и распознавание движущихся объектов. На рисунках 9 и 10 показан результат работы вычитания фона уличной сцены.



Рис. 9. Кадр уличной сцены

Рис. 10. Результат действия алгоритма вычитания фона

Съемка велась цветной аналоговой камерой (400 ТВ-линий, без внешнего объектива), разрешение кадра 384х288. На дальнем плане работа алгоритма осложняется плывущими облаками и деревьями. Однако эти области достаточно хорошо вписываются в модель нормального распределения пикселов фона.

На рисунке 9 хорошо видны области, соответствующие двум проезжающим автомобилям и идущему по противоположному от наблюдателя тротуару пешеходу.

Фактически, процесс вычитания фона - это усреднение множества идущих друг за другом кадров, на основании их последующего анализа можно определить, какая часть кадра статическая картинка, а что является движущимся (инородным) объектом.



3.4 Сегментация объектов

Сегментация объектов - преобразование множества пикселов переднего плана в множество объектов, т.е. семантически связных областей изображения, принадлежащих одному движущемуся объекту (человеку, автомобилю и др.). Используется простой и очень быстрый однопроходной алгоритм сегментации, моделирующий каждый наблюдаемый объект в виде прямоугольного региона с границей, имеющей определенную толщину.

3.5 Сопровождение объектов

Алгоритм сопровождения объектов разработан на основании координат, скорости и времени нахождения объекта на кадре. Входные данные алгоритма - множество регионов, найденных на этапе сегментации объектов. Не буду глубоко вникать в математику процесса, она очень сложна для понимания и находится под защитой авторского права.

Кратко все выглядит так: сегментированным объектам присваивается свой уникальный номер, определяются координаты его центра, после этого начинается анализ, в процессе которого определяется смещение относительно предыдущего кадра и время его жизни (количество кадров, на которых был идентифицирован объект), а также определяется его актуальность.

На основании анализа машинный интеллект прогнозирует дальнейшее поведение объекта и определяет возможные дальнейшие его координаты, на основании проведенных вычислений анализируется следующий кадр и на нем определяется текущее положение ранее идентифицированных объектов.

Пример показан на рисунке 11.



Рис. 11. Каждому отслеживаемому объекту присваивается уникальный номер

Разработанный алгоритм сопровождения объектов позволяет восстанавливать связь с перемещающимся объектом даже в том случае, если он на короткое время скрылся из поля зрения камеры. Одновременно система может вести до 50 объектов.

3.7 Детектор оставленных предметов

Детектор оставленных предметов на сегодняшний день очень востребован на рынке систем безопасности, в связи с возрастающей каждый день в мире террористической угрозой.

Работает он очень просто, если вам удалось разобраться в описанном выше алгоритме.

У нас есть фоновая картинка, есть идентифицированный движущейся объект, и, если на последних N кадрах (величина определяется пользователем системы) его положение не изменилось или изменилось на какую-то малую величину, данный предмет считается оставленным, в системе возникает новое событие и далее происходит последовательность действий, определенных во встроенном скриптовом языке (работа скриптового языка описана выше).

Этот алгоритм относится как к предмету, попавшему в кадр извне (перекинутый через забор мешок), так и к предмету, отделившемуся от движущегося объекта (оставленный человеком портфель).

3.8 Детектор пересечения линии

Детектор пересечения линии на сегодняшний день тоже очень востребован на рынке систем безопасности, а в определенных областях даже незаменим (охрана подходов к охраняемой территории без использования технических средств охраны, создание временных рубежей охраны, подсчет посетителей в магазине, нарушение ПДД и т.д.).

Работает тоже очень просто. У нас есть движущийся идентифицированный объект, в кадре создается виртуальная линия, если объект пересекает эту линию, формируется событие, и далее предпринимаются определенные действия по сценарию встроенного в систему языка программирования.

Система имеет возможность подсчета проходов и определения, в какую сторону произошло пересечение, что тоже в некоторых случаях незаменимая функция.

3.9 Определение скорости движения

Функция определения скорости движения вытекает из возможностей детектора пересечения линии, но этот алгоритм пока является ноу-хау. Кстати, тесты показали, что данный метод определения скорости оказался немного точнее обычного милицейского радара, принцип работы которого основан на эффекте Доплера.

Эта функция вряд ли получит широкое применение в системах безопасности, но, безусловно, может эффективно применяться на службе у сотрудников ГИБДД.

3.10 Распознавание целей

Распознавание целей является одной из самых сложных функций, реализованных на данный момент времени, это обуславливается очень сложной математикой процесса.

Простым языком это выглядит так: после модуля сегментации объекта мы получаем сгруппированные между собой пикселы, понаблюдав за ним несколько кадров и собрав статистику, мы получаем некий усредненный образ цели. А если у нас есть образ, то мы можем сравнить его с чем-то, уже существующим в базе данных образов, и, если там есть что-то похожее, выдать результат.

Система может самостоятельно определять разнообразные виды объектов (легковой автомобиль, грузовой автомобиль, человек, собака, мотоциклист и т.д.) и записывать данное событие в журнал событий, например, так: «С вероятностью 95% видеокамера «Въездные ворота» зарегистрировала объект «Легковой автомобиль».

На это событие может включаться алгоритм действий, написанный до этого на встроенном в систему языке программирования. Более того, система является самообучаемой и пользователь может добавлять в базу данных объектов новые, не известные до этого объекты - для этого, правда, придется несколько раз пояснить системе, что же она видит.



3.11 Переход с координатной системы 2D на координатную систему 3D

И наконец, мы плавно подошли к самому главному - как все эти алгоритмы, функции, возможности должны облегчить жизнь рядовому оператору систем безопасности, у которого на объекте много поворотных камер.

Одной из главных трудностей автоматического наведения камер на объект является то, что с камеры мы получаем «плоскую» 2D-картинку и машинному интеллекту очень трудно объяснить, далеко объект или близко, большой он или маленький. Но и в этом случае на помощь пришли человеческий интеллект и математика.

Принцип перехода в трехмерную систему координат очень прост, но математически очень трудно реализуем. Если взять и на плоской картинке нанести определенное количество (не менее 3) виртуальных точек, а потом на каждую из них четко навести видеокамеру, используя ее трансфокатор, то, используя математические преобразования, система сможет построить условную 3D-сетку координат.

В 3D-системе координат наводить поворотную камеру на движущийся объект значительно проще. Понятно, что, чем сложнее рельеф на объекте, тем больше должно быть опорных «виртуальных точек».

Используя 3D-систему координат и имея идентифицированный объект, мы сразу же получаем возможность навести камеру на него в «одно касание» простым кликом мыши по интересующему нас объекту. Преимущества данной технологии перед обычным ручным пультом управления очевидны.

3.12 Функция «Локатор»

Представьте себе, что у нас есть господствующая высота (вышка), на которой установлена мощная поворотная камера, или тепловизор, 70% подступов к высоте непроходимы (горы, болота, леса и т.д.), остальные 30% проходимы (поля, дороги, тропы и т.п.).

Задача: организовать систему раннего оповещения о подходе злоумышленников к объекту. Раньше такую сложную задачу могла решить только РЛС (радиолокационная станция), но у РЛС есть существенный недостаток: она может показать на карте то, что движется объект - однозначно идентифицировать этот объект РЛС не может. Функция «Локатор» позволяет нам идентифицировать объект, нанести на карту и подать тревожный сигнал.

Физически решается это так: на проходимые места рельефа настраиваются в 3D-системе координат пресет-позиции, с небольшой периодичностью камера наводится на них и в течение 2-3 с анализирует картинку на предмет возможного движения (см. алгоритм работы функции Fine Dome), и, если движение есть, объект распознается (см. алгоритм работы функции «Распознавание цели»), определяются его координаты и в виде соответствующей пиктограммы цель наносится на карту местности. Одновременно с нахождением цели можно включить тревогу, прожектор и т.п.

Размещено на Allbest.ru

...