Метод идентификации субъектов по изображению лиц в системах разграничения доступа на основе иммунокомпьютинга Соломатин Алексей Юрьевич

Содержание к диссертации

Введение

ГЛАВА 1. Анализ современных методов идентификации личности 16

1.1. Анализ систем разграничения доступа 16

1.2. Анализ биометрических методов идентификации 20

1.3. Показатели эффективности биометрических систем 25

1.4. Базы данных для систем идентификации по изображению лиц 29

1.5. Обзор существующих систем идентификации лиц 37

1.6. Анализ нормативно-методической документации 42

ГЛАВА 2. Разработка методики и метода идентификации человека по изображению лица 46

2.1. Искусственные иммунные системы 46

2.2. Методика формирования и обработки обучающей выборки для идентификации человека по изображению лица 50

2.2.1 Выделение лиц в видеопотоке 50

2.2.2 Предобработка изображений лиц 54

2.2.3 Построение обучающей выборки на основе изображения лица.

2.3. Метод идентификации человека по изображению лица 62

2.4. Сравнение метода с другими известными методами 65

2.5. Пределы применимости и ограничения эффективности метода 71

ГЛАВА 3. Проведение вычислительного эксперимента

3.1. Анализ скорости работы предложенного метода 78

3.2. Анализ качества идентификации предложенным методом 85

3.3. Анализ влияния шума на результат идентификации 88

3.4. Выработка рекомендаций, направления дальнейших исследований и разработок

Заключение 101

Список использованной литературы

• Анализ биометрических методов идентификации
• Методика формирования и обработки обучающей выборки для идентификации человека по изображению лица
• Метод идентификации человека по изображению лица
• Анализ влияния шума на результат идентификации

Введение к работе

Актуальность

Задача идентификации личности в автоматических системах разграничения доступа является одной из наиболее важных задач в теории защиты информации. В современном мире наиболее эффективные методы идентификации личности основываются на биометрических параметрах человека, которые по типу используемой информации классифицируются на физиологические и поведенческие. Среди физиологических показателей, часто применяемым на практике, можно отнести отпечатки пальцев, изображение лица, радужной оболочки глаза и геометрии рук человека. Подпись и голос человека относятся к наиболее используемым поведенческим показателям.

Достоинства биометрических методов идентификации человека превосходят традиционные методы с использованием паролей или технологии инфраструктуры открытых ключей, которые уязвимы перед потерей, кражей и фальсификацией. Основным достоинством биометрических методов является то, что уникальные биометрические параметры трудно отделить от дееспособной личности, что обеспечивает возможность идентифицировать человека с высокой степенью достоверности. В настоящее время к основным недостаткам биометрических методов можно отнести высокую стоимость разработки программного и аппаратного обеспечения, реализующего идентификацию человека на основе биометрических показателей. Однако высокая в настоящее время стоимость разработки программного и аппаратного обеспечения не может являться постоянным недостатком, а предполагает в будущем возможность удешевления указанной стоимости разработки в связи с появлением нового программного обеспечения, а также использования более прогрессивного оборудования для считывания биометрических показателей.

Идентификация человека по отпечаткам пальцев является одним из наиболее часто встречающихся методов, который основывается на анализе деталей папиллярных узоров, состоящих из множества папиллярных линий на коже. Эти линии у каждого человека формируют уникальный рисунок. Метод идентификации человека по отпечаткам пальцев предполагает, что не существует двух одинаковых рисунков папиллярных узоров на коже, а следовательно, не существует и двух одинаковых отпечатков пальцев. Автоматическая идентификация отпечатков пальцев осуществляется за счет вычисления ориентации бороздок в каждом пикселе, сегментации бороздок и локализации деталей с последующей идентификацией.

В 1994 году появился первый автоматизированный алгоритм идентификации человека по радужной оболочке глаза, который был разработан математиком Джоном Даугманом. В результате работы этого алгоритма на входном изображении происходит поиск радужной оболочки и составляется её код. Дополнительно создаётся маска, где изображение зашумлено, затем маска накладывается на исходный код радужной оболочки. Для осуществления процедуры идентификации вычисляется расстояние Ричарда Хэмминга, то

есть, функция, определяющая расстояния в метрическом

пространстве различий объектов одинаковой размерности. Для одинаковых радужных оболочек расстояние Ричарда Хэмминга является наименьшим. Данный алгоритм до сих пор лежит в основе многих систем идентификации человека по радужной оболочке.

Идентификация человека по изображению лица обуславливается простотой фиксирования данного биометрического признака. Основными характеристиками алгоритмов идентификации по изображению лица являются скорость вычисления признаков, время сравнения признаков и точность идентификации. Стоит отметить, что точность идентификации зависит от многих факторов: например, освещенности, четкости исходного изображения, размера лица на изображении, мимики и ракурса съёмки. Поэтому задача разработки метода, устойчивого к этим факторам, является актуальной.

Цель работы

Целью работы является повышение степени достоверности идентификации человека по изображению лица в системах разграничения доступа.

Научная задача

Научная задача состоит в разработке научно-методического аппарата, позволяющего идентифицировать человека с помощью изображения лица за счет выделения и анализа значимых признаков.

Для достижения поставленной цели в работе решаются следующие частные задачи:

1. Провести анализ систем разграничения доступа, изучить существующие подходы к идентификации пользователя, а также требования к процедуре идентификации и выявить перспективные направления.

2. Предложить новый метод построения обучающей выборки, а также предложить компактный способ хранения этих данных.

3. Изучить возможность использования математического аппарата иммунокомпьютинга в целях идентификации человека по изображению лица.

4. Предложить новый метод идентификации, обеспечивающий наиболее высокие показатели качества.

5. Провести вычислительный эксперимент.

В соответствии с заявленными целями и задачами работы объектом исследования является идентификация человека по изображению лица, а предметом исследования — способ идентификации пользователя по изображению лица.

Основные положения, выносимые на защиту

На защиту выносятся следующие основные результаты:

6. Методика формирования и обработки обучающей выборки для идентификации человека по изображению лица, суть которой заключается в работе с набором неструктурированных данных и использовании различных методов предобработки исходных видеоизображений в заданной последовательности.

7. Метод идентификации, позволяющий обеспечить большую, по сравнению с известными методами, степень достоверности идентификации человека по изображению лица.

8. Способ использования предлагаемого метода в системах разграничения доступа на основе видеонаблюдения.

Научная новизна работы

Научную новизну диссертации составляют:

9. Оригинальная методика формирования обучающей выборки, характеризующая человека по изображению лица и отличающаяся от известных методик отсутствием необходимости дополнительной настройки и оптимизации признакового пространства, а также наличием простых математических операций снижающих временные затраты.

10. Обоснован новый метод идентификации человека по изображению лица, отличающийся наиболее высокими показателями качества идентификации за счет разложения матрицы признаков на три простых преобразования для перехода в новое признаковое пространство, которое не идентифицируемо, но компоненты являются статистически значимыми.

11. Предложены рекомендации (способ) практической реализации, позволяющие использовать разработанный метод в системах видеонаблюдения, который в отличие от известных, позволяет получить более высокие результаты по качеству идентификации в сочетании с приведенными рекомендациями по настройки видеокамер и освещения.

Обоснованность и достоверность

Обоснованность и достоверность полученных результатов достигается использованием апробированного математического аппарата; системным анализом описания объекта исследований; использованием корректных исходных данных; учетом сложившихся практик и опыта в области информационной безопасности; проведением сравнительного анализа с существующими методами, результатами практических экспериментов.

Подлинность метода идентификации человека в системах видеонаблюдения на основе иммунокомпьютинга подтверждается непротиворечивостью полученных результатов моделирования современными теоретическими положениями; практической апробацией в деятельности

научно-производственных организаций и одобрением на научно-технических конференциях.

Практическая значимость работы

Практическая значимость работы состоит в следующих аспектах: результаты исследований могут быть использованы для усовершенствования систем видеонаблюдения путем идентификации всех лиц, попадающих в поле зрения видеокамер, и сопоставления их с известными лицами в базе данных системы безопасности, осуществляющей защиту охраняемого периметра.

Методологическая основа исследования

Методологическую основу исследованиясоставляют работы в области информационной теории идентификации: в частности, труды Я.З.Цыпкина; работы в области цифровой обработки видеоизображений Лукьяница А.А. и Шишкина А.Г., работы в области научно-методического аппарата иммунокомпьютинга А.О.Тараканова, Соколовой СП., Соколовой Л.А, а также работы в области информационной безопасности Малюка А.А. и Зегжды Д.П.

При решении частных задач использовались теоретические положения теории информационной безопасности и методов защиты информации.

Использованы энциклопедическая и справочная литература, материалы периодической печати, а также Интернет-ресурсы.

Реализация результатов

Полученные модели и методы реализованы в рамках работы над системой видеонаблюдения для подвижного железнодорожного транспорта по заказу ОАО «РЖД» в компании ООО «БалтикТраст».

Апробация работы

Основные результаты работы представлялись на следующих конференциях:

12. 3-й Всероссийский конгресс молодых учёных, секция "Технология программирования и защиты информации", 8-11 апреля 2014 года, Санкт-Петербург, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики.

13. Актуальные вопросы организации и технологии защиты информации. 31 января 2014 года, Санкт-Петербург, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики.

14. Конференция профессорско-преподавательского состава. 31 января 2013 года. Санкт-Петербург, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики.

15. Всероссийская научная конференция по проблемам информатики. 26 апреля 2013 года. Санкт-Петербург, Санкт-Петербургский национальный

исследовательский университет информационных технологий, механики и оптики.

5. 2-ой Всероссийский конгресс молодых учёных, секция "Технология программирования и защиты информации", 9-12 апреля 2013 года, Санкт-Петербург, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики.

6. 2-ой Всероссийский конгресс молодых учёных, секция "Стратегии и методы коммерческого применения технологий", 9-12 апреля 2013 года, Санкт-Петербург, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики.

7. XLII научная и учебно-методическая конференция, подсекция "Актуальные вопросы организации и технологии защиты информации", Санкт-Петербург, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, 22 января 2013 года.

Публикации

По результатам диссертационного исследования опубликовано 5 работ, из них статей в журналах, рекомендованных ВАК РФ -2.

Структура и объем работы

Анализ биометрических методов идентификации

Научная задача состоит в разработке научно-методического аппарата, позволяющего идентифицировать человека с помощью изображения лица за счет выделения и анализа значимых признаков.

Для достижения поставленной цели в работе решаются следующие частные задачи: 1. Провести анализ систем разграничения доступа, изучить существующие подходы к идентификации пользователя, а также требования к процедуре идентификации и выявить перспективные направления. 2. Предложить новый метод построения обучающей выборки, а также предложить компактный способ хранения этих данных. 3. Изучить возможность использования математического аппарата иммунокомпьютинга в целях идентификации человека по изображению лица. 4. Предложить новый метод идентификации, обеспечивающий наиболее высокие показатели качества. 5. Провести вычислительный эксперимент. В соответствии с заявленными целями и задачами работы объектом исследования является видеоаналитика в системах разграничения доступа, а предметом исследования - методы идентификации субъектов по изображению лица. На защиту выносятся следующие основные результаты: 1. Методика формирования и обработки обучающей выборки для идентификации человека по изображению лица, суть которой заключается в работе с набором неструктурированных данных и использовании различных методов предобработки исходных видеоизображений в заданной последовательности [85-86]. 2. Метод идентификации, позволяющий обеспечить большую, по сравнению с известными методами, степень достоверности идентификации человека по изображению лица [85-86]. 3. Способ использования предлагаемого метода в системах разграничения доступа на основе видеонаблюдения [85-86].

Научную новизну диссертации составляют:

1. Оригинальная методика формирования обучающей выборки, характеризующая человека по изображению лица и отличающаяся от известных методик отсутствием необходимости дополнительной настройки и оптимизации признакового пространства, а также наличием простых математических операций снижающих временные затраты.

2. Обоснован новый метод идентификации человека по изображению лица, отличающийся наиболее высокими показателями качества идентификации за счет разложения матрицы признаков на три простых преобразования для перехода в новое признаковое пространство, которое не идентифицируемо, но компоненты являются статистически значимыми.

3. Предложены рекомендации (способ) практической реализации, позволяющие использовать разработанный метод в системах видеонаблюдения, который в отличие от известных, позволяет получить более высокие результаты по качеству идентификации в сочетании с приведенными рекомендациями по настройки видеокамер и освещения. Обоснованность и достоверность полученных результатов достигается использованием апробированного математического аппарата; системным анализом описания объекта исследований; использованием корректных исходных данных; учетом сложившихся практик и опыта в области информационной безопасности; проведением сравнительного анализа с существующими методами, результатами практических экспериментов. Подлинность метода идентификации человека в системах видеонаблюдения на основе иммунокомпьютинга подтверждается непротиворечивостью полученных результатов моделирования современными теоретическими положениями; практической апробацией в деятельности научно-производственных организаций и одобрением на научно-технических конференциях.

Практическая значимость работы состоит в следующих аспектах: результаты исследований могут быть использованы для усовершенствования систем видеонаблюдения путем идентификации всех лиц, попадающих в поле зрения видеокамер, и сопоставления их с известными лицами в базе данных системы безопасности, осуществляющей защиту охраняемого периметра.

Методологическую основу исследования составляют работы в области информационной теории идентификации: в частности, труды Я.З.Цыпкина [22]; работы в области цифровой обработки видеоизображений Лукьяница А.А. и Шишкина А.Г. [27], работы в области научно-методического аппарата иммунокомпьютинга А.О.Тараканова [28], [29], [30], Соколовой СП., Соколовой Л.А [31], а также работы в области информационной безопасности Малюка А.А. [32] и Зегжды Д.П. [33]. При решении частных задач использовались теоретические положения теории информационной безопасности и методов защиты информации. Использованы энциклопедическая и справочная литература, материалы периодической печати, а также интернет-ресурсы.

Методика формирования и обработки обучающей выборки для идентификации человека по изображению лица

Данная база изображений лиц подготовлена Национальным институтом стандартов и технологий и агентством Министерства обороны США, отвечающим за разработку новых технологий для использования в вооружённых силах.

База данных Yale Face содержит 165 фронтальных изображений 15 человек. Пример изображений лиц из данной базы данных представлен на рисунке 1.4.

Сессия одного человека содержит изображения с разным выражением лица, при трех вариантах освещения, а также лица с очками и без очков. Изображения полутоновые, с 256 градациями яркости, в формате GIF. Размер изображений составляет 320 х 240 пикселей.

База данных AR Face содержит фронтальные изображения 126 человек, из которых семьдесят человек составляют мужчины, а остальные пятьдесят шесть -женщины. Пример изображений лиц из данной базы данных представлен на рисунке 1.5.

Каждый человек представлен двумя сериями из тринадцати изображений. Сессия одного человека включает изображения с разными выражениями лиц, сделанных при различных условиях освещения, а также лица с частично закрытым лицом. Размер изображений составляет 768x576 пикселей. ж

Стоит отметить, что изображения в базе данных цветные и представлены в raw-формате, который содержит необработанные данные, полученные с фотоматрицы. В таких файлах содержится полная информация о хранимом сигнале, не имеющая чёткой спецификации.

База данных PIE создана в университете Карнеги-Меллон, который известен исследованиями в области науки и техники, инновациями в областях 1Т-технологий, робототехники и искусственного интеллекта.

Пример изображений представленых в базе даных PIE.

База содержит изображения 68 человек, сделанных при 43 разных условиях освещения, ВІЗ разных позах и при разном выражении лица.

База данных Labeled Faces in the Wild содержит изображения лиц, предназначенных для изучения проблемы распознавания в неконтролируемых условиях. Пример изображений лиц из данной базы данных представлен на рисунке 1.7. База данных содержит более 13000 изображений лиц, собранных из Интернета. Большая часть фотографий в базе данных являются цветными.

Каждое изображение содержит название, которое характеризует имя человека, обозначенного на изображении. Для более чем 1680 человек в базе имеется около двух изображений из разных источников, для остальных 4069 - по одной фотографии на человека. Единственное ограничение заключается в том, что данные изображения лиц были обнаружены с помощью метода Виолы-Джонса. Особенность данного алгоритма заключается в том, что он находит лица с высокой точностью и очень низким количеством ложных срабатываний. Также стоит отметить, что после обнаружения все изображения лиц были отмасштабированы и обрезаны до фиксированного размера.

Из представленной в данном разделе информации можно сделать следующие выводы:

1. Существует большое количество готовых баз данных с фотографиями лиц, собранных при разных условиях. Часть данных из этих баз была сформирована с учетом контролируемых условий, другая часть - с учетом неконтролируемых условий съемки.

2. Для проверки работоспособности нового метода и сравнения его с уже существующими методами следует использовать одну или несколько из перечисленных баз данных. Базы данных для сравнения нужно выбирать, исходя из особенностей конкретных методов, подлежащих сравнению.

На российском рынке среди наиболее известных продуктов можно выделить VOCORD FaceControl, один из продуктов компании Вокорд. Это система некооперативного распознавания лиц. Некооперативного означает, что системе не требуется участие человека, чтобы верно его распознать. Данный продукт успешно применяется для идентификации лиц в местах массового пребывания людей, таких как, вокзалы, метро, аэропорты, стадионы, концертные залы и в других публичных местах, т.е. в таких местах, в которых люди не могут напрямую взаимодействовать с другими видами систем биометрической идентификации [55].

Архитектура данной системы является территориально-распределенной. Таким образом, в случае небольшой системы установку и обработку информации можно развернуть на одном сервере. В случае территориально-распределенной системы каждый программный модуль можно установить на отдельный сервер. На рисунке 1.8 представлен вариант территориально-распределенной системы со встроенным алгоритмом выделения лиц и с использованием видеокамер VOCORD NetCam4.

На российском рынке также широко представлено решение от компании Ай Ти Ви групп. Они предоставляют решение для идентификации лиц в системах видеонаблюдения, которое называется Face-интеллект [56].

Face-интеллект предназначен для автоматической идентификации личности во время осуществления видеосъемки, т.е., путем анализа имеющегося видеоизображения. Система Face-интеллект основана на следующем принципе работы: на первом шаге работает детектор лиц, который определяет появление в видеокадре лица и производит захват изображения

Метод идентификации человека по изображению лица

На последнем шаге работы алгоритма происходит вычисление собственных векторов u{d х N) матрицы разностных изображений D : и= [ul,...,uN ] , ut = D vt, где vt - і-й собственный вектор матрицы D . А также вектора весов собственных векторов w (N х N) на основе следующих выражений: wtJ= u? {Ij-A), i = j = . Вектор весов собственных векторов сохраняется в базе данных для каждого изображения, представленного в обучающей выборке, на основе которых функционирует процесс распознавания. Процесс распознавания заключается в вычислении евклидовой дистанции между весами для каждой пары изображений. Вначале считается вектор весов для распознаваемого изображения W : W= [w1,...,wAr]r, wt= Щ (/-Л) где / - входное изображение. Далее находится минимальное расстояние: и = min(\\W,W\\), где W- матрица весов собственных векторов классов. Сравнение происходит повекторно.

Среди основных недостатков алгоритма EigenFace следует выделить отсутствие устойчивости к изменению условий освещенности, а также отсутствие инвариантности к аффинным преобразованиям, т.е., к отображению плоскости или пространства в себя, при котором параллельные прямые переходят в параллельные прямые, пересекающиеся в пересекающиеся, скрещивающиеся в скрещивающиеся [76]. Из данного раздела можно сделать вывод о том, что существующие методы идентификации человека по изображению лица отличаются по своей реализации от предложенного метода. Таким образом, предложенный метод идентификации отличается от метода на основе Фильтров Габора и метода EigenFace следующими особенностями: 1. Работает с набором неструктурированных данных, прост в реализации и не требует дополнительных настроек. 2. В качестве меры невязки между входным изображением и изображением из обучающей выборки используется энергия связи. 3. Присутствуют операции, связанные с предобработкой исходных изображений с целью нормализации световых и контрастных характеристик исходных изображений. 4. Присутствуют дополнительные преобразования для расчета порогового значения для каждого класса. 5. Уменьшение размерности исходных данных осуществляется за счет сингулярного разложения матриц, характеризующих исходные изображения лиц.

В данной работе используется математический аппарат иммунокомпьютинга, который был выбран в связи с тем, что иммунокомпьютинг показывает наибольшую скорость и эффективность в задачах, требующих обработку неструктурированной информации для решения сложных практических задач. Кроме того, в работах разных авторов представлена высокая эффективность вычислительных процедур иммунокомпьютинга в решении таких практических задач, как обучение с экспертом, самообучение, группировка и классификация, а также представление результатов вычислений в пространстве образов.

Дополнительно следует отметить, что математический базис иммунокомпьютинга соответствует общей методологии, разработанной в области информационной теории идентификации за счет наличия понятия энергии связи, которая в рамках общей теории идентификации характеризует меру невязки между двумя сравниваемыми объектами.

Однако иммунокомпьютинг и предложенный на его основе метод идентификации человека по изображению лица в системах видеонаблюдения имеет ряд ограничений, связанных в первую очередь с математическим базисом, применяемым в вычислительных процедурах.

Матрица изображения, которая используется в предложенном методе для описания изображения лица, должна быть положительно определенной, т.е., все её собственные значения должны быть положительны \ О и все ее элементы принадлежать R.

Так как для распознавания мы пользуемся только наибольшим собственным числом и векторами, то требуется, чтобы наибольшее сингулярное значение было значительно больше остальных: о Уо , l i N, где Ж - ранг матрицы изображения. В противном случае первая тройка SVD разложения может недостаточно однозначно определять изображение (чаще всего в матрицах изображений, где все элементы неотрицательны, это условие выполняется автоматически кроме вырожденного случая матрицы нулей).

Далее стоит отметить, что на предложенный метод идентификации человека по изображению лица влияют такие факторы, как освещение, размещение камеры и ее движение. Поэтому при использовании данного метода необходимо учитывать следующие практические рекомендации.

Для получения качественных результатов идентификации человека с помощью предложенного метода рекомендуется использовать камеры видеонаблюдения, снимающие изображения лиц крупным планом, и направить их таким образом, чтобы лица смотрели в камеру и не были повернуты в сторону от камеры видеонаблюдения.

Разрешение камеры видеонаблюдения также играет важную роль для предложенного метода идентификации человека по изображению лица. Рекомендуется, чтобы высота и ширина изображения лица, попадающего в поле зрения видеокамеры, были не меньше 80 пикселей.

Разрешение записанной сцены определяется по разрешению камеры и размеру зоны наблюдения. Например, если используется камера с разрешением 704 х 576 пикселей, зона наблюдения составляет почти 1,4 м в ширину, если линейное разрешение равно или превышает 500 пикселей/м. Необходимо будет выбрать камеру и объектив, которые обеспечат соответствие поля обзора размеру зоны наблюдения на желаемом расстоянии между камерой и зоной наблюдения.

Анализ влияния шума на результат идентификации

Дополнительно следует подчеркнуть о наличии широких возможностей, связанных с применением предложенного метода для анализа архивных видеозаписей.

На рисунке 3.9 показана схема практической реализации метода в режиме, когда требуется анализ уже записанных видеофайлов. Например, в таких случаях, когда в большом количестве архивных видеозаписей необходимо произвести поиск конкретных лиц или осуществить полную индексацию контента, в частности, людей по изображению лиц, присутствующих на видеозаписях. Таким образом, открывающиеся возможности быстрого анализа архивных данных на предмет наличия на них конкретных лиц позволяют снизить временные затраты, требуемые для поиска и идентификации лиц, посетивших тот или иной объект за определенный промежуток времени, осуществивших вход или выход через конкретный контрольно пропускной пункт, а также предоставляют возможности быстро отследить маршрут передвижения конкретного лица по охраняемой территории. Стоит отметить, что такие задачи встречаются в работе специальных государственных служб, занимающихся обеспечением безопасности государства.

Таким образом, предложенный в рамках данной работы метод может также применяться в системах биометрической видеоаналитики. Данный вид аналитики используется для задач идентификации и сопровождения лиц по биометрическим признакам лица. Дополнительно следует отметить, что классическая биометрия, как правило, использует «черные» и «белые» списки для сравнения изображений лиц людей, находящихся в обучающей выборке. Также биометрическая видеоаналитика имеет свойство работать по более сложным сценариям, таким как осуществление профайлинга людей, найденных в видео, или сопоставлять наблюдение большого количества камер видеонаблюдения в территориально-распределенной сети наблюдения.

Предложенный метод легко встроится в типичную схему работы любой биометрической системы видеонаблюдения на этапе идентификации человека, соответствующей следующему принципу работы:

1. Система видеоаналитики обнаруживает в кадре лица людей и отслеживает их в поле зрения видеокамер.

2. Автоматически определяется наилучший ракурс лица для записи в базу с целью последующей идентификации человека.

3. Обработанное изображение поступает в системы верхнего уровня для идентификации лица, представленного на изображении, и ведения базы данных. Дополнительно следует отметить, что предложенный в данной работе метод также может быть адаптирован под другие основные виды видеоаналитики, среди которых особенно выделяются следующие:

1. Периметральная видеоаналитика, которая применяется для охраны протяженных участков и периметров, обнаружения вторжений и пересечения сигнальной линии.

2. Ситуационная видеоаналитика, которая применяется для распознавания тревожных ситуаций, связанных с поведением людей. Например, ситуационная видеоаналитика может работать на основе правил, заданных пользователем (например, взаимодействие людей, которым запрещено общаться между собой), или на основе накопленной статистики (например, идентификация в конкретном месте людей, которые не должны в нем находиться в это время суток или в этот день недели).

3. Бизнес-аналитика, которая применяется для оценки продуктивности персонала, оптимизации бизнес-процессов и исследований поведения конкретных людей. Дополнительно стоит отметить, что особенность бизнес-аналитики - развитые средства обобщения данных и подготовки персонализированных отчетов по конкретным людям.

4. Многокамерная видеоаналитика, которая применяется для сопровождения объектов с применением большого множества камер видеонаблюдения. Таким образом, результатом работы такой многокамерной системы видеоаналитики является траектория движения объекта на плане всей территории осуществления видеонаблюдения.

Предложенный в рамках данной диссертационной работы метод имеет все необходимые свойства для работы при использовании любой из известных архитектур систем видеоаналитики. Метод поддерживает архитектуру серверной видеоаналитики, которая предполагает централизованную обработку полученных видеоданных на центральном сервере. Как правило, такой сервер анализирует видеоданные, полученные от множества видеокамер при помощи центрального или графического процессора. На рисунке 3.10 приведена схема архитектуры серверной видеоаналитики.

Стоит отметить, что основным достоинством серверной видеоаналитики является возможность комбинирования различных алгоритмов видеоаналитики на одной аппаратной платформе. Однако, главный недостаток такой видеоаналитики заключается в необходимости непрерывной передачи видеоданных от источника видеоданных, видеокамеры на сервер, что создает нагрузку на используемые каналы связи.

Также предложенный метод поддерживает архитектуру встроенной системы видеоаналитики за счет наличия простых математических операций, не требующих больших вычислительных ресурсов. При такой архитектуре видеоаналитика реализуется прямо в источнике получения видеоданных, то есть на камерах видеонаблюдения. Анализ данных осуществляется на выделенном процессоре, а результат анализа передается оператору вместе с самим видеопотоком. На рисунке 3.11 приведена схема архитектуры встроенной системы видеоаналитики. Сервер

Одним из главных преимуществ такой архитектуры построения системы видеоаналитики является уменьшение нагрузки на каналы связи. При отсутствии объектов или событий видео может вообще не передаваться и соответственно не загружать каналы связи.

Если сравнить между собой серверную видеоаналитику и встроенную видеоаналитику, то становится понятно, что встроенная видеоаналитика позволяет во много раз увеличить эффективность использования каналов связи в зависимости от конкретной ситуации.

Предложенный в рамках данной работы метод также поддерживает третью разновидность видеоаналитики - распределенную архитектуру видеоаналитики. Данная архитектура является своего рода гибридным решением между серверной и встроенной системой видеоаналитики, при которой обработка данных видеопотока распределяется между источниками видеоданных и сервером. Например, в рамках предложенного метода обнаружение лиц в видеопотоке может быть произведено на источнике видеоданных, то есть на самой камере видеонаблюдения, а идентификация лиц путем сопоставления с эталонной базой данных может производиться на сервере.