Русский   English
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: червень 2019 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Зміст

Сокращения

CCTV Closed Circuit Television – система замкнутого телебачення
ПК Пперсональний комп'ютер
CPU Central Processing Unit – центральний процесор
GPU Graphics Processing Unit – графічний процесор
MOG Mixture Of Gaussians – гаусові розподіли
KDE Kernel Density Estimator – оцінка щільності ядра
ARP Autoregressive Pseudospectrums – авторегресійні псевдоспекти
HOG Histogram of Oriented Gradients – гістограма спрямованих градієнтів
RLE Run Length Coding – кодування довжини пробігу

Вступ

Останнім часом термін відеоспостереження міцно увійшло в наш лексикон і стало невід'ємною частиною сучасної системи безпеки. Системи інтелектуального відеоспостереження встановлені практично в кожній великій компанії, проте громадські місця, місця масового скупчення людей - метрополітен, торгові центри, громадські парки, лікарні - до сих пір в більшості своїй не оснабжени подібними системами безпеки.

Відеоспостереження – процес візуального контролю за спостерігаються або охоронюваними територіями і об'єктами із застосуванням технічних рішень. Головне завдання CCTV – забезпечення безпеки шляхом візуального спостереження за об'єктом без передачі будь-якої інформації в зовнішні доступні мережі. З даної функції закритості і пішла назва замкнутий.

Якщо говорити про інтелектуальні системах відеоспостереження, то варто розуміти, що це, як правило, апаратно-програмний комплекс, що використовується для автоматизованого збору інформації з потокового відео. У своїй роботі ці системи спираються на різні алгоритми розпізнавання зображень, систематизації і обробки отриманих даних. Різновиди апаратно-програмних комплексів інтелектуальних систем відеоспостереження та їх характеристики наведені в таблиці 1.1.

Таблиця 1.1. Типи апаратно-програмних комплексів щодо способу обробки інформації в них
Тип Характеристика
Серверний Аналітична обробка даних здійснюється централізовано на відеосервері або ПК. В якості апаратної складової виступає CPU або GPU. Головна перевага серверної системи інтелектуального відеоспостереження в програмному забезпеченні, яке дозволяє додавати в уже існуючу оболонку додаткові модулі і алгоритми обробки відео, а також комбінувати вже наявні. Основним недоліком є ??необхідність постійної передачі відео високої роздільної здатності від камер до відеосервери, що істотно завантажує канали зв'язку.
Вбудовані інтелектуальні алгоритми Використовуються безпосередньо в камерах відеоспостереження. На відеореєстратор або сервер передається частково або повністю оброблена картинка з результатами аналізу (метаданими). Такий метод істотно знижує (в 10-100 разів) навантаження на канали передачі інформації. Однак, відеокамери мають обмежений набір аналітичних функцій, а їх вартість значно перевищує звичайні пристрої.
Розподілена обробка відеоданих Первинний аналіз інформації не вимагає складних алгоритмів може проводитися на відеокамерах. Наприклад, виявлення об'єкта. А більш серйозна інтелектуальна обробка, що вимагає завантаження CPU, проводиться з використанням потужностей сервера.

1. Аналітична постановка задачі

1.1. Проблема і актуальність

Тенденція впровадження систем інтелектуального відеоспостереження помітна як на просторах країн СНД, так і за кордоном. Багато в чому це пов'язано з проблемою тероризму, гостро стоїть в ХХI столітті, і збільшенням рівня злочинності у великих містах світу. Прояви тероризму спричиняють масові людські жертви, руйнування духовних, матеріальних і культурних цінностей; загроза тероризму збільшила актуальність підтримки безпеки в місцях масового скупчення людей у всьому світі.

Масові терористичні акти призвели до необхідності створення об'єднаної системи забезпечення безпеки в місцях скупчення людей. До неї відносять: систему інформування, систему охоронного відеоспостереження, систему догляду та фізичної охорони, центр контролю та управління всіма технологічними процесами.

1.2. Об'єкт і мета дослідження. Основні завдання

Економічний і організаційний ефект, а також підвищення рівня безпеки від впровадження інтелектуальних систем відеоспостереження, добре помітний не тільки в великих мережах з широким територіальним розподілом, а й в невеликих системах. Приклади застосування систем інтелектуального відеоспостереження наведені в таблиці 1.2.

Таблиця 1.2 Застосування систем інтелектуального відеоспостереження
Сфера використання Mожливості
Транспортні задачi
  • розпізнавання номерних знаків;
  • автоматичний підрахунок пасажирів;
  • детекція залишеного предмета в забороненій зоні;
  • визначення стороннього предмета на рейках.
Системи міської безпеки
  • розпізнавання осіб розшукуваних злочинців;
  • виявлення бійок та інших протиправних дій;
  • виявлення місць підозрілої активності.
Об'єкти закритого або режимного типу
  • контроль периметра;
  • дублирование функций системы пожарной сигнализации (визуальное обнаружение очага возгорания на ранних стадиях);
  • контроль работы персонала.
Організації громадського харчування, торгові та банківські установи, автомийки, СТО, перукарні і т.п.
  • автоматичний підрахунок і класифікація клієнтів;
  • аналіз складу і довжини черги.

Залежно від цілей використання системи відеоспостереження інтелектуальна обробка відеосигналу може виконувати одну або кілька функцій, таких як: виявлення об'єкта, трекінг, класифікація і статистичний аналіз, розпізнавання, виявлення тривожних ситуацій.

Останнім часом інтелектуальні системи відеоспостереження широко використовують і аналітичні функції – прогнозування, інтелектуальне додаткове стиснення відеофайлу, ранжування подій, вибіркове видалення/редагування приватних даних або блокування записи приватних зон.

Предметом дослідження є відеоінформація з камер спостереження в місцях масового скупчення людей. Мета – підвищення ефективності управління системою безпеки за рахунок збільшення ймовірності запобігання протиправним діям. Завдання проектування подібної підсистеми передбачає розробку наступних підзадач:

  1. Отримання відеоряду з камер спостереження.
  2. Попередня обробка відеоряду.
  3. Розпізнавання і класифікація об'єктів.
  4. Аналіз і оповіщення персоналу.
  5. Інтелектуальне стиснення.

Попередня обробка відеоряду передбачає створення умов, що підвищують ефективність і якість виділення і розпізнавання шуканих об'єктів. Методи попередньої обробки залежать від завдань досліджень, досить різноманітні і можуть включати, наприклад, виділення найбільш інформативних фрагментів, їх збільшення, підвищення контрастного дозволу, поліпшення якості зображень і т.п.

Розпізнавання і класифікація образів - завдання ідентифікації об'єкта або визначення будь-яких його властивостей по його зображенню.

Проектування підсистеми передбачає здійснення ситуаційного аналізу, тобто такого, який буде орієнтуватися на виявлення тривожних ситуацій. При виявленні тривожної ситуації основними критеріями для виявлення є перетин контрольної лінії, різка зміна положення об'єкта в просторі (падіння, стрибок і т.п.), виникнення вогнища загоряння та інші.

Останнім етапом варто інтелектуальне стиснення відеофайлу. Якщо в переданому відео не міститься необхідних подій, то воно піддається додатковій обробці більш ефективними кодеками, максимально зменшують розмір файлу, навіть на шкоду якості зображення. Тимчасова вісь, яка характеризує інформативність фрагмента відеоряду приведена на рис. 1.1.

Схема захоплення фрагмента інформативної частини відеоряду

Рис. 1.1 Схема захоплення фрагмента інформативної частини відеоряду

OX – вісь часу відеопотоку,

tн – момент захоплення і втрати захоплення об'єкта розпізнавання,

tк – початковий і кінцевий моменти фрагмента стиснення.

Перелік посилань

  1. С.Н. Яришев, Телевізійні системи безпеки. [Посилання].
  2. C.Н. Яришев, Цифрові методи запису і відтворення відеоінформації. [Посилання].
  3. С. Орлов, Відеоаналітіка: завдання і рішення, Журнал мережевих рішень/LAN №6 2014. [Посилання].
  4. Y. Bengio, “Learning deep architectures for AI”. [Посилання].
  5. Kaiser L. [и др.], “One model to learn them all”. [Посилання].
  6. B. Alexe, T. Deselaers, and V. Ferrari. Measuring the objectness of image windows. TPAMI, 2012. [Посилання].
  7. P. Arbelaez, B. Hariharan, C. Gu, S. Gupta, L. Bourdev, and J. Malik. Semantic segmentation using regions and parts. In CVPR, 2012.
  8. P. Arbelaez, J. Pont-Tuset, J. Barron, F. Marques, and J. Malik. Multiscale combinatorial grouping. In CVPR, 2014.
  9. J. Carreira, R. Caseiro, J. Batista, and C. Sminchisescu. Semantic segmentation with second-order pooling. In ECCV, 2012.
  10. J. Carreira and C. Sminchisescu. CPMC: Automatic object segmentation using constrained parametric min-cuts. TPAMI, 2012.