Содержание к диссертации
Введение
1 Постановка задачи и выбор варианта построения ИИС 9
1.1 Задача оценивания ситуации средствами ИИС 9
1.2 Возможные варианты измерительной части ИИС 16
1.3 Существующие системы автомтического выявления нештатнх ситуаций
1.3.1 Требования к ИИС выделения и классификации ситуаций в наблюдаемой зоне. 20
1.3.2 Обзор существующих ИИС выделения и классификации ситуаций в наблюдаемой зоне
1.4 Разработка методики выбора измерительного устройства и структуры информационно измерительной системы 25
1.5 Информационно-измерительная система на основе видеонаблюдения 28
Требования к метеорологическим условиям наблюдения. 29
1.5.1 Измерение значений количественных переменных 30
1.5.2 Измерение значений логических переменных 31
1.5.3 Оценка значений качественных переменных 31
1.6 Возможные варианты алгоритмов измерительной части ИИС 32
1.6.1 Методы выделения подвижных объектов 32
1.6.2 Методы выделения интересующих объектов 35
1.6.3 Методы определения траекторий интересующих объектов 39
1.7 Выводы 42
2 Исследование и разработка методов оценивания признаков ситуаций 44
2.1 Задачи оценивания признаков ситуаций 44
2.2. Построение измерительной части ИИС 45
2.3 Метод выделения интересущих объектов 49
2.4 Метод оценки параметров, характеризующих ситуацию 61
2.5 Выводы 64
3 Исследование и разработка обрабатывающей части ИИС 66
3.1 Задача разработки и исследования методов обрабатявающей части ИИС 66
3.1.1 Задача разработки и исследования методов и алгоритмов быстрой
классификации ситуаций, возникающих в наблюдаемой зоне 66
3.2 Возможные варианты алгоритмов обрабатывающей части ИИС 66
3.3 Метод автоматического выявления аномалий 67
3.4 Разработка метода классификации нештатных ситуаций, возникающих в
наблюдаемой зоне 71
3.5 Принятие решений по предотвращению развития ситуации 76
3.6 Исследование метода классификации 78
3.7 Выводы 79
4 Экспериментальные исследования 81
4.1 Задачи и план исследований 81
4.1.1. Задачи исследований 81
4.1.2 Планирование проведения экспериментальных исследований 82
4.2 Подготовка экспериментальных исследований 83
4.2.1 Построение подсистемы видеонаблюдения 83
4.2.3 Разработка программного обеспечения макета ИИС 86
4.2.4 Настройка (обучение) и отладка ПО ИИС 90
2 4.3 Проведение экспериментальных исследований 94
4.3.1 Подготовка контрольных выборок 94
4.3.2 Оценивание достоверности распознавания интересующих объектов в потоке видеоизображений 95
4.3.3 Оценивание способности ИИС обнаружения нештатных ситуаций 98
4.3.4 Оценивание точности классификации различных ситуаций 100
4.4 Выводы 101
Список использованных информационных источников 105
- Разработка методики выбора измерительного устройства и структуры информационно измерительной системы
- Метод выделения интересущих объектов
- Возможные варианты алгоритмов обрабатывающей части ИИС
- Разработка программного обеспечения макета ИИС
Введение к работе
Актуальность работы. В современном мире значительно возрастает интерес к информационно-измерительным системам обеспечения безопасности, использующим видеокамеры в качестве источника информации. Данное направление на сегодняшний день является одним из наиболее востребованных, так как позволяет получить своевременно оценку взаимного расположения объектов, ситуаций, складывающихся в обозреваемой зоне. Такие информационно-измерительные системы позволяют значительно сокращать время, требуемое лицу, принимающему решение, на принятие адекватных мер и действий в случае возникновения нештатной ситуации. Кроме того, такие системы позволяют минимизировать величину ущерба, причинённого нештатной ситуацией (НС) за счёт своевременного извещения пользователя о наличии НС (аномалии) на ранних этапах её возникновения. Кроме задачи выделения нештатных ситуаций, подобный класс систем решает и задачи регистрации НС, что бывает крайне полезно при проведении следственных действий и анализе причин их возникновения. Минимизация ущерба при помощи таких информационно-измерительных систем является особенно востребованной в тех областях, в которых наблюдается наибольший материальный ущерб. Основным препятствием широкого развития таких систем, является отсутствие надежных методов и алгоритмов оценивания ситуаций в реальном времени по результатам видеонаблюдений. Это делает задачу разработки методов и алгоритмов обнаружения и классификации нештатных ситуаций средствами информационно-измерительных систем актуальной и одной из наиболее важных.
Объектом исследования диссертационной работы является информационно-измерительная система, включающая подсистему видеонаблюдения и предназначенная для оценивания в реальном времени ситуации в наблюдаемой зоне.
Предметом исследования являются методы автоматического оценивания ситуации по результатам видеонаблюдений, возникающих в контролируемой зоне, при помощи средств информационно-измерительных систем.
Целью диссертационной работы является повышение эффективности ИИС за счет автоматизации процесса принятия решений о наступлении и классе нештатной ситуации и расширения списка автоматического обнаружения нештатных ситуаций.
Для достижения этой цели были поставлены следующие задачи: 1) разработать методику выбора измерительного устройства и структуры информационно измерительной системы; 2) разработать метод быстрого выделения объектов, поведение которых определяет ситуацию в наблюдаемой сцене – интересующих объектов; 3) разработать метод оценивания параметров поведения интересующих объектов; 4) разработать метод и алгоритмы быстрой классификации ситуаций, возникающих в наблюдаемой зоне.
Методы исследования. В данной работе использовались методы из следующих областей: теория цифровой обработки изображений, теории вероятностей и математической статистики, теории измерений, теории принятия решений, методы двумерного преобразования сигналов, теория распознавания образов. При этом использовались результаты работы следующих учёных: Кругль Г. [43], Лукьяница А.А. [47], Прэтт А.[56], Хаар А., Вальд А.[26], Журавлёв Ю. И. [39], Колмогоров Г. [61], Рабинович С. [57], Новицкий П. [51].
Научная новизна данной работы заключается в следующем.
1 Предложена и обоснована методика выбора измерительного устройства и структуры информационно измерительной системы, предназначенной для автоматического распознавания ситуаций в наблюдаемой зоне.
2. Предложен метод быстрого выделения интересующих объектов, поведение
которых определяет ситуацию в наблюдаемой сцене, основанный на теории распо
знавания образов.
3. Методы и алгоритмы быстрой классификации ситуаций, возникающих в
наблюдаемой зоне, основу которых составляют нечеткие модели и процедуры логи
ческого вывода.
Достоверность полученных результатов обеспечивается корректностью применения математического аппарата и методов исследования, а так же соответствием характеристик измерителей заявленным требованиям и подтверждена результатами экспериментальных исследований.
Практическая ценность. Разработанные в рамках выполнения данной исследовательской работы методы могут быть использованы при проектировании и построении информационно-измерительных систем для автоматического выявления нештатных ситуаций, а так же были успешно внедрены в систему автоматизированного коммерческого осмотра поездов и вагонов - АСКО ПВ 3D, разработанную компанией ОАО НПП «Альфа-Прибор». Теоретические результаты данной работы внедрены в курс лекций по дисциплине «Программно-аппаратные средства обеспечения информационной безопасности».
Положения, выносимые на защиту.
-
Метод «быстрого» выделения интересующих объектов, основанный на процедуре анализа оцениваемых в реальном времени параметров движения интересующих объектов, отличающейся выполнением логических операций анализа, требующих сравнительно небольших временных затрат.
-
Метод оценивания параметров поведения интересующих объектов, заключающийся в выявлении различий интересующих объектов, находящихся одновременно в наблюдаемой зоне и сохраняющих найденные различия в течение жизненного цикла соответствующих образов.
-
Метод и алгоритмы «быстрой» классификации ситуаций, возникающих в наблюдаемой зоне, основанные на использовании нечетких моделей распознаваемых классов ситуаций.
Апробация результатов работы. Результаты работы предоставлялось на следующих научных конференциях: 1. VI Магистерская научно-техническая конференция, Тула 18-23 мая 2011. 2. Шестая Всероссийская Научно-Техническая конференция «Системы управления Электротехническими объектами» Тула 18-19 октября 2012. 3. Актуальные проблемы информатизации в науке, образовании и экономике, Зеленоград , 17-19 октября 2012. 4. Международная молодёжная научная конференция «XXXIX Гагаринские чтения», Москва 9-13 апреля 2013. 5. Международная молодёжная научная конференция «XXXVIII Гагаринские чтения», Москва, 7-11 апреля 2014.
Публикации. По теме диссертации было опубликовано 15 научных работ в различных научных изданиях, в том числе, 5 в журналах, входящих в перечень ВАК, рекомендованных для публикации результатов диссертационных исследований.
Структура диссертации. Диссертация состоит из четырёх глав, введения и заключения, которые были изложены на 104 страницах и содержат 26 рисунков и 9
Разработка методики выбора измерительного устройства и структуры информационно измерительной системы
Методы вычитания фона. Вычитание фона [67,71] - это наиболее распространённый, ввиду своей простоты, подход к обнаружению подвижных объектов в последовательности Qk, полученной при помощи стационарно закреплённой камеры [46]. Работа данного метода основана на 32 пиксельном сравнении текущего кадра с кадром шаблоном, который обычно называют моделью фона [17]. В простейшей реализации данного метода пиксель будет отнесён к подвижному объекту в случае выполнения условия \В(х, у) - 1(х, у)\ 8, где 8 - пороговое значение, при превышении которого пиксель изображения будет сегментирован в передний план [70] х,у абсцисса и ордината точки по матрице пикселей, В- матрица пикселей фона, /-матрица пикселей текущего кадра видеопоследовательности. Для уменьшения влияния порогового значения на работу метода, данный метод может быть модернизирован следующим образом 8. Bt(x,y) Достоинствами данных методов является простота реализации, и как следствие этого высокая скорость работы [72]. Недостатками данного метода является неустойчивость к случайному изменению интенсивности освещённости сцены. Кроме этого при использовании данных методов, объекты, совершающие периодические колебания относительно центра масс, например, деревья, колышущиеся на ветру, будут ошибочно определены как подвижные. Данное обстоятельство делает невозможным применение данного подхода без модернизации. Методы временной разности позволяют отделить подвижные объекты от фона при помощи вычитания одного или нескольких последовательных кадров [47]. Процесс выделения подвижных объектов из последовательности Q при использовании данных методов представлен формулой. А(х, у, к) = \1(х, у, к)-1(х,у,к-1)\ (1.17)
Методы временной разности определяют динамическое изменение объектов сцены, с высокой степенью достоверности, но крайне редко целиком выделяют абсолютно все области, принадлежащие подвижным объектам, что приводит к ошибкам сегментации. Важным недостатком рассматриваемого метода является отнесение объектов, совершающие периодические колебания к множеству подвижных объектов, что делает невозможным применение данных методов для решения поставленной задачи.
Вероятностные методы выделения подвижных объектов. В вероятностных методах изменение значения пикселей со временем рассматривается как пиксельный процесс, то есть временной ряд, состоящий из скалярных величин для полутоновых изображений и векторов из цветных[47,91]. В произвольный момент времени для каждого пикселя известна его предыстория {X1,....Xt} = {I(x0,y0,i):1 i t},где I(x0,y0,i)-значения пикселя с координатами (х0,у0) на і кадре. Изменение фона моделируется с помощью нормально распределённой случайной величины с плотностью В л(1/, /), где ч( Х-) = 1 exp(--(Х/-ц/)гІ-1(Х/-і/), где п=1 для (2я)и/2(Е)1/2 2 монохромных изображений, и п=3 для цветных. По нескольким последовательным кадрам для каждого пикселя производится оценка параметров \xt и Z , а затем с помощью порогового значения определяется принадлежность пикселя к переднему плану или фону. Для оценки обычно 1 используют выборочное среднее И,-= - 2_Ж/. Для оценки принадлежности t i=1 пикселя к переднему плану или к фону обычно используют \xt - \xt І неравенство 8, где 8 - пороговое значение. Основным достоинством данных методов является снижение влияния шума камеры и случайного изменения на результаты работы методов. При этом данный метод может быть модернизирован при помощи применения моделей Маркова. Основным недостатком является необходимость формирования предыстории пикселей и как следствие этого, сравнительно большая инертность и меньшее быстродействие в сравнении с ранее рассмотренными. Данные недостатки делают невозможным применение данных методов для решения поставленной задачи [47].
Методы оптического потока. Методы оптического потока основаны на расчёте скорости и направления движения отдельных фрагментов подвижных объектов в каждой точке кадра [47]. При этом подвижная область соответствует одному и тому же объекту в случае, если скорость и направление движения фрагментов, принадлежавших данному объекту, изменяется в заданных пределах. При этом различают следующие группы методов, позволяющих произвести расчёт оптического потока: дифференциальные методы; частотные методы; фазовые методы; методы сопоставления характерных признаков областей.
Необходимость оценки скорости движения сегмента, относительно каждой точки кадра требует значительных вычислительных ресурсов и приводит к невозможности работы данных методов в режиме реального времени [47], что делает невозможным их применение для решения поставленной задачи. На основе приведённого обзора и анализа недостатков существующих методов выделения подвижных объектов требуется разработка
Метод выделения интересущих объектов
У параметра Oj(t) с расстоянием изменяется не только размеры, но и конфигурация проекции, поэтому этот параметр может использоваться только для характеристики таких объектов, для которых конфигурация проекции изменяется незначительно. Яркость изображения объекта b{Ft{t)) также изменяется при его перемещении вдоль осевой линии наблюдаемой зоны. Но на соседних сегментах эта яркость изменяется незначительно. Поэтому сравнительное постоянство яркости является ещё одним устойчивым признаком отыскания изображения j-го объекта на соседнем кадре: (2.16) b(Ft (t +1)) -+Ft(t + 1)ВД (t +1)) - b(Ft (0) = = mm\b(FJ(t + l))-b(Fi(t)),i j} Такой набор атрибутов составляет вектор признаков р( ,аъ....рп), в котором атрибуты упорядочены по возрастанию сложности вычислений их значений. 56 Соответствие между объектами Ft{t-X) и Ft{t) считается установленным, если: - их смещение в пространстве dj(t) = d(c(Fj(t-])), c(Fj(t)) достаточно мало (здесь d(a,b) - евклидово расстояние между точками a и b); - оба объекта схожи по значениям вектора g(Fi) = p(hj,pl,...,pn). То есть: Fj(t) = F(t-\)\ mjn ,p(g(F(t-\)\g(F(t))). (2.17) Fiit Fjit)) Метрика p(a,b) вычисляется последовательно для каждого атрибута. Вычисления заканчиваются при нахождении признака gj(Fj(t))eG(Fj(t)), для которого выполняется неравенство P(gj (Ft (t - \)XgjXFj (0)) 57-где 8 ,: - порог различения объектов. Близость размеров определяется выражением d(A) = l-Ai l. (2.18) Ajit) Близость МВП и яркостей изображений - аналогичными выражениями Расстояние между двумя нормированными гистограммами hist {а) и hist{b) размерности N определяется выражением N d(hist) = J\hista{l) - histb{l)\. (2.19) 1=1 Процедура идентификации представляет собой последовательное сравнение значений Й+ш№,Д,й -Л) со значениями Ре№,Р1,Р2,-,Рп) уже существующих объектов FjEhj в поле зрения видеокамеры: [(a pk+m) (a pw)\s = l,.../i;w = l,...j]-+Fi, (2.20) 57 где i - присваиваемый индекс объекту F , l - число объектов класса ht, уже имеющихся в поле зрения видеокамеры.
В основу оператораП4(соь ) )єГ(Я , созданного с целью решения задачи - формирования в рабочем массиве траектории движения движущихся объектов предложен метод работающий следующим образом.
На поиск траектории накладываются следующие ограничения: 1) на изменение размера изображения объекта (величины 4 (0 изображений объектов (Fj(t)) на соседних кадрах (неравенство); 2) на изменение скорости движения объектов - поиск объектов проводится в ограниченной области -окружности определенного радиуса є (Формула-предикат); 3) на изменение направления траектории - поиск проводится в пределах некоторого угла +ос, отложенного от направления скорости движения (Формула-предикат). Строится модель траектории на всей последовательности Q из n кадров путем назначения ребер между вершинами графа, имеющими одинаковый индекс. Качество назначений можно характеризовать функционалом: J(E) = min X I fa(Fj(t-l),ck(Fj(t)) (2.21) k=li=l где и-число кадров; тк - число объектов, присутствующих в k-м кадре, Е-тк - мерный вектор ребер, ck(Fi(t) - функция характеристик объекта Fi(t). Нахождение минимума этого функционала представляет собой достаточно сложную задачу. Поэтому, с целью её упрощения, необходимо воспользоваться методом локальной оптимизации. Тогда задачу минимизации функционала (2.21) можно свести к задаче последовательной минимизации функционала П тк J{E)= Z Zmin(ck(Fi(t-l),ck(Fi(t)). (2.22) k=l/=l
Выстраивая тем самым матрицу Е (инцидентности), состоящую из нулей, свидетельствующих об отсутствии ребра между соответствующими двумя вершинами, и кодов у/, свидетельствующих о наличии ребра между соответствующими двумя вершинами, принадлежащими / -му объекту. Такая замена задачи (2.21) позволяет снизить её сложность, что позволяет получить решение Е в реальном масштабе времени. Для определения критериев оценивания траектории целесообразно ввести матрицу назначений Bk = {bijk) и матрицу стоимостей назначения Dk=(diJk), характеризующую стоимость отклонений траекторий от направления движения. Строки этих матриц соответствуют М траекториям, а столбцы - mjc+i точкам, присутствующим на к + \ кадре. Ьу.к 0 Г1, ес ли ттpаектор и7} соответствует только одна тточк х,+;, иначе; при этом М тк+1 ЪЬук \ \ j mk+l; Tbijk \, \ i M; bijke$,l}. 7=1 7 = 1 (2.23) То есть, матрица В = \bu ) описывает соответствие точек последовательных кадров. Элементы матрицы D представляют собой стоимость du , которую получает назначение точки Xj траектории 7} . Для вычисления du может использоваться следующий функционал: j(Dk ) = min \ Z (bjj kdjj k - wxRa (і) - w2Rc (j)\ (2.24) AeU k=u=i 7=1 59 X j.k-\ x i.k \Xi.k - Xap±.k-l J" [Xj.k-\ - Xi.k ) где dijk p.k Xapk.k-\J- \Xq.k-\ Xp.k) L L \Xj.k-l Xi.k p=\d=\ m k-\ ЕЕ [Xp.k - Xap,.k-l) [Xq.k-l Xp.k] ZZ ( p=\d=\ 0 dif k 1, Ra (/) = Z (l - Ьщ к) diQ к представляет собой среднюю Щ-1-Ід=1 стоимость выбора траектории Tik, а Rc(y) = — I -bpjk)ipjk среднюю стоимость назначения точки х, к траектории Tik, а U - набор матриц А, удовлетворяющих условиям (2.22). Алгоритм построения траектории состоит из двух шагов -инициализации и назначения точек траектории. Инициализация проводится по первым кадрам по принципу ближайшего соседа: каждой точке следующего кадра назначается ближайшего по критерию (2.23) точка предыдущего кадра. Здесь возможны следующие случаи: 1) находится только одна точка хік, соответствующая точке х/-Ъ 2) находится несколько точек Xjk, близких по критерию (2.23) точке -!; 3) не находится ни одной точки, близкой по критерию (2.23) точке хік_\. В первом случае, создается гипотеза о начале траектории Tik, которая должна подтвердиться или отвергнута путем анализа последующих кадров. Во втором случае, ищется точка на к +1 кадре, соответствующая точке х/ -1. Если такая точка находится, на k-м кадре выбирается точка хік, которая соответствует критерию (2.16) и отстоит от точек хік_і и хік+і на наименьшее расстояние. Из этих точек формируется начало траектории Tik. Иначе выбирается для последующего анализа другая точка х, к_\.
В третьем случае, делается попытка найти точку, соответствующую Х/Аг-ъ на следующих кадрах. Если это не удается, отвергается гипотеза, что 60 точка xik_i является началом траектории Tin. Ищется другая точка х j к_і и проверка гипотезы продолжается. Таким выстраивается траектория Тіп в виде последовательности ребер Tj.n = Wj.k-l\Axj.k)\ к = 1,-4 (2.25) причем каждая вершина v[xjk) связывается только с одной вершиной из предыдущих кадров и не более чем с одной вершиной на последующих кадрах. На заключительном этапе процедуры трекинга выполняется обновление списка имеющихся объектов. Объекты, не получившие соответствия, удаляются из списка, а каждый силуэт, размером больше заданного порога и не имеющий соответствия, считается новым объектом. Для каждого обнаруженного объекта по оценкам траектории его движения определяются следующие параметры, характеризующие ситуацию, при помощи оператора
Возможные варианты алгоритмов обрабатывающей части ИИС
Предложен метод для реализации оператора П7(Рк) классификации нештатных ситуаций [14] L , основанный на анализе полученной последовательности матриц значений {Рк,Рк-Ърк-2?рк-Зт-}[4]. Метод заключается в следующем. Предполагается, что множество 2 нештатных ситуаций известно: 2 = {ahi = 1,...Д Кроме того, нештатные ситуации такие, что каждой из них можно сопоставить свой набор признаков = 1,2,... Учитывая, что из-за разнотипности признаков \KJ,J= l,2,...j и различных погрешностей их измерения, они представлены нечеткими множествами, классификатор нештатных ситуаций целесообразно построить в виде набора нечетких правил. Тогда нечеткий классификатор можно представить в следующем виде. U Пцс..( /())- л(яяХ (3-7) q=\i=\ tj где сtj - обозначение нечеткого множества i-ой лингвистической переменной, j - индекс терма і-ой лингвистической переменной (j є [1,2,3]), h - число нештатных ситуаций, m - общее число признаков (лингвистических переменных). Функции принадлежности каждой і-ой лингвистической переменной определяют три терма (рис. 3.3) 71 Рисунок 3.3 - Функции принадлежности лингвистических переменных Граничные значения x ib xj2 для каждой переменной выбираются конкретно, исходя из обеспечения безопасности, методом экспертных оценок. Каждая /-я нечеткая импликация представляет собой нечеткую модель нештатной ситуации, и основное требование, которой она должна удовлетворять, как и любая модель, это требование адекватности.
Метод построения и актуализации таких моделей, заключается в следующем. 1) Получение границ интервалов значений каждого из параметров, характеризующих каждую нештатную ситуацию. 2) Упорядочить интервалы значений по возрастанию значений. 3) Перевести данные интервалы значений в качественные шкалы, последовательным присвоениям букв в порядке возрастания. 4) Пересекающиеся интервалы значений учесть при помощи функций принадлежности, заданным пользователем.
Рассмотрим на примере использование правил (3.7). Будем считать, что известно 6 нештатных ситуаций, наступление которых требует принятия соответствующим мер. В контролируемой зоне находится 5 объектов, поведение которых в этой зоне определяет ситуацию. База правил содержит правила вида (3.8), позволяющие определить 6 аномалий с уверенностью (значением функции принадлежности) n(cij)\ Мс% ( 1 ( )) А /лс.. (х2 (к)) л //с.. (х3 (к)) - п{ах), цс.. (х лмс» Ык))лМс» (х5(к) 7г(а21 цс.. (х6(к))лМсіі (х7(к))лМсіі (хъ(к) ф31 (3.8) цс.. (х7(к))лМсіі (ъ(к))лМс» (х9(к))лМсіі {xlQ{k)) n{aA\ Мсіі(Хі(к))АМсіі(хп(к)) 7Г 5І Мсіі(х13(к))лМсіі(хи(к)) тг(а6), т т где знак л означает операцию взятия минимума л [с Л = min {q, с2,...,ст }. 7=1 7=1 То есть, л-(а,-) = min iuc , у = 1,... #,- j, где qt - число термов / -го правила. Селективность правил (3.8) определяется по упорядоченному множеству нештатных ситуаций (по признаку опасности ситуации) критерием Qy=Liky-ikU, (3.9) N w k=l где Nw - число выборок w(aj), содержащих нештатную ситуацию а г, к номер выборки w{aj); \k(aj) - номер присутствующей в выборке w -j аномалии а, в упорядоченном ряду, ІіД ;) - номер найденной правилами (3.8) аномалии а І в упорядоченном ряду? От модуля выявления аномалий получено сообщение о возникновении нештатной ситуации, после которого выполняется дефаззификация полученной функции принадлежности м&(к)(хі) (см. 3.2). Дефаззификацию предложено делать следующим образом. В шкале [0,1] значений функции принадлежности ju a\\Xi) определяется уровень неопределенности Я(АХ), исходя из суммарной погрешности Ах измерения 73 значений х(к). Для рассматриваемого примера величина Аx определена на уровне 0,3 (см. рис. 3.2). Значения м&(k)(Xi) приведены в векторе р(к) (см. 3.6). Из полученных значений видно, что барьер Л(Аx) преодолели три признака x\,x ,x , что указывает на наличие аномалии a с уверенностью 0.5. Алгоритм работы модуля приведён на рисунке 3.4. Рисунок 3.4- Алгоритм работы модуля классификации аномалий ИИС Алгоритм процесса классификации нештатной ситуации автоматическом режиме приведён на рисунке 3.5. в Рисунок 3.5 - Алгоритм классификации нештатной ситуации 75 В режиме обучения ИИС производится расширение первоначально заданной базы знаний. В начальный момент времени база знаний содержит правила (3.8) сформированные для значений параметров x (k), полученных в i результате обработки данных экспериментов методом медианной фильтрации. Для расширения базы знаний на вход модуля подаётся тестовая выборка значений x (k). Данная выборка была получена, путём i объединения данных полученных в ходе экспериментального исследования метода. Обучение системы производится на основе алгоритма представленного на рисунке 3.6. Рисунок 3.6 - Алгоритм режима обучения ИИС 3.5 Принятие решений по предотвращению развития ситуации Для принятия мер по предотвращению развития ситуации aq нештатные ситуации группируются таким образом, чтобы все ситуации одной группы требовали вмешательства служб ликвидации одного вида: 76 либо сотрудников ГИБДД, либо сотрудников полиции, либо службы скорой медпомощи, либо службы пожаротушения и т.п. Например, D1 – ситуация (a2 или a3), требующая вмешательства полиции, D2 – ситуация (a3 или a4), требующая вызова скорой медицинской помощи, D3 – ситуация (a5 или a6 ), требующая вызова службы МЧС, D4 – ситуация (a7 или a8), требующая вызова охраны.
В зависимости от попадания нештатной ситуации в одну из групп Di выдается соответствующее сообщение.
Такая система ИИС, благодаря использованию базы знаний, построенной на основе лингвистических моделей [66], может в один интервал времени отслеживать и индексировать поведение нескольких интересующих объектов. Затем, в случае необходимости, она практически мгновенно может давать ответы на различные запросы. Это достигается за счет того, что в процессе слежения каждому объекту приписывается достаточно широкий перечень атрибутов: тип объекта, размер, цвет, форма, скорость, время нахождения в поле зрения камеры и т. д. Разумеется, не все эти события автоматически приводят к появлению сигнала тревоги.
Данный подход имеет определённые преимущества по сравнению с использованием нейронных сетей [60]. Основным недостатком нейронных сетей для решения поставленной задачи является необходимость наличия шаблонов для её обучения, которые не всегда возможно получить, например, шаблоны столкновений объектов и нарушений правил дорожного движения.
Использование лингвистической модели имеет ряд преимуществ по сравнению с описанными ранее моделями. Лингвистическая модель позволяет работать с данными разных типов (входные и выходные переменные могут быть как количественные, так и качественные)[48,64]. Также стоит отметить удобное представление знаний, форма которых очень понятна пользователям. Кроме того, в лингвистической модели используются эффективные механизмы логического вывода.
Разработка программного обеспечения макета ИИС
Логические переменные характеризуют события: есть событие x{=1, иначе x{ = О. К таким переменным относятся: х5 - пересечение транспортным средством осевой разметки дороги, х6 - наличие пешехода на переходе «зебра», х7 - наезд на разметку перехода, х8 - наличие красного сигнала светофора впереди направления движения транспортного средства; х9 - превышение х4 допустимого значения; х11 - стоянка транспортного средства в неположенном месте.
Качественные переменные принимают значения: с1 - «нормальная», с2 - «тревожная», с3 -«критическая». К таким переменным относятся: х12 -появление составляющей скорости движения, в направлении траектории движения другого транспортного средства; х13 - сокращение расстояния между двумя транспортными средствами по оси, перпендикулярной движению этих средств, х14 - отсутствие отрицательного значения х2 при приближении к переходу. Полученные значения в виде двоек (сц,цс.. (х,)) передавались непосредственно в базу правил (3.8), с помощью которой определялась двойка для каждого момента времени, где определялась по формулам (3.8). Полученные результаты сравнивались с результатами непосредственных видеонаблюдений, содержащих 5 видеороликов с отсутствующими аномалиями в поведении транспортных, 3 видеоролика с аномалией «превышения скорости», 4 видеоролика с аномалией «пересечение «зебры», когда пешеход ступил на переход, 2 видеоролика с аномалией «стоянка одного из транспортных средств в запрещенном месте» и 1 видеоролик с аномалией «пересечение траекторией движения одного транспортного средства траектории движения другого транспортного средства на недопустимо близком расстоянии».
Сравнение показало: 1)работоспособность использованных методов и алгоритмов; 2) необходимость подстройки параметров функций принадлежности для увеличения чувствительности обнаружения ситуаций «превышения скорости» и «пересечение траекторией движения одного транспортного средства траектории движения другого транспортного средства на недопустимо близком расстоянии».
После подстройки указанных параметров была проведена повторная поверка работоспособности по контрольной выборке видеонаблюдений, данные которой не участвовали в обучении ИИС.
Проведение экспериментальных исследований 4.3.1 выборки видеонаблюдений получены в соответствии со следующими требованиями. 94 1. Содержание выборок видеонаблюдений: одна выборка w(a0) - при отсутствии каких аномалий - а0, пять - выборок w(ai), w(a2), w(a3), w(a4), w(a5), каждая с одной аномалией (а1 - а5), десять выборок w(aba2), w(aba3),..., w(a4,a5)- сочетания из пяти (а1 - а5) по две аномалии. 2. Ни одна из выборок w(aj\w{ahaj) не участвовала в процессе обучения ИИС. 3. Все выборки получены при одинаковых примерно условиях (времени суток, времени года, погоды). 4. Аномалии, за исключением а5, смоделированы специально для получения выборок м{щ), м{а2), w(a3), м{а4). Остальные условия (подсистема видеонаблюдения, размещение видеокамеры) совпадают с условиями режима обучения.
Оценивание достоверности распознавания интересующих объектов в потоке видеоизображений Оценивание достоверности распознавания интересующих объектов в потоке видеоизображений выполнялось следующим образом. Определялось число транспортных средств pi, и число пешеходов qt в каждый интервал времени / по записанным видеоизображениям и сравнивались эти числа с числами /?/, //, определенными модулем идентификации ПП, сумма разностей таких сравнений определяло значение критерия качества идентификации: ](wj )=- Pi Pi I + \Чі Чі\. пі=\ Полученные значения j(wj) для каждой выборки Wj позволили получить выборочные значения математического ожидания M{j(w, j=0.433 и дисперсии D\s{wj)\=0,076 ошибок идентификации, свидетельствующие о высокой достоверности идентификации движущихся интересующих объектов в наблюдаемой зоне.
Идентификация объектов. На рисунке справа показаны выделенные подвижные объекты. На рисунке слева отображены идентификаторы,, присвоенные выделенным объектам. Кроме идентификаторов на рисунке последовательность местоположений выделенных объектов в различные оменты времени (траектория идентифицированных объектов). Матрица параметров, измерительной части ИИС, полученная для данного состояния наблюдаемой зоны представлена на рисунке 4.11 Оценивание способности ИИС обнаружения нештатных ситуаций выполнялось следующим образом.
Для каждого момента времени агент, соответствующий j-му объекту, вычисляет матрицу Р(к), продвигаясь по всей выборке Wj. Значения матрицы Р(к) непрерывно изменяются. Наличие изменений в каком-либо из столбцов матрицы Р(к) свидетельствует о некотором изменении ситуации. Трансформация матрицы Р(к) в вектор р(к) по правилу (3.5) позволяет получить функцию принадлежности оценки ситуации (см. рис.3.2). «Горбы» полученной jUс(x[) указывают на одно из правил (3.7), определяющее в к-й момент ситуацию а,и степень уверенности л\аА. 98 Полученные результаты представлены в таблице 4.2 и графике, построенном в среде MatLab [78,100] и приведённом на рисунке 4.12. В таблице 4.2 показаны: аномалия aj, присутствующая в контрольной выборке w[a;), полученная оценка а, и степень уверенности л\а А. Таблица 4. аномалия a j полученная оценка a j полученная степень уверенности л\а А. a0 a0 0,7688 a1 a1 0,6434 a2 a2 0,6654 a3 a3 0,7732 a4 a4 0,5993 a5 a5 0,7921 Оценивание точности классификации различных ситуаций выполнялось следующим образом. Под точностью классификации понимается селективность правил (3.8). Она может быть повышена или понижена настройкой параметров х[ъ xj2 функций принадлежности juс..(хг-(к)). Оптимальные значения на время проведения экспериментальных исследований определены на этапе настройки ПО ИИС. В реальном режиме они могут самоподстраиваться, реализуя адаптацию системы. Селективность полученных правил (3.8) определена по упорядоченному множеству нештатных ситуаций (по признаку опасности ситуации) критерием Q(aj) (3.9), в котором Nw - число выборок w j, содержащих нештатную ситуацию я,-; к - номер выборки w[a,); \\а А номер найденной правилами (3.7) аномалии а і в упорядоченном ряду?