CC BY
32
УДК 004.932
В.Л. Токарев, д-р техн. наук, проф., tokarev@tsu.tula.ru (Россия, Тула, ТулГУ),
Д.А. Абрамов, асп., sipai-dima@mail.т (Россия, Тула, ТулГУ) МЕТОД ИДЕНТИФИКАЦИИ АНОМАЛИЙ
В данной статье рассмотрены основные подходы к построения систем автоматического аномалий, а так же показано использование одного из описанных подходов для построения системы автоматического выявления аномалий в непрерывном потоке изображений, связанных со сближением двух объектов
Ключевые слова: аномалия, методы идентификации аномалий, непрерывный поток изображений, обработка изображений, выявление аномалий.
На современном этапе развития вычислительной техники стало возможным решение задачи автоматической идентификации аномалий. Данные системы является наиболее востребованы, так как позволяют снизить влияние оператора на процесс принятия решения о мерах противодействия аномалии. Автоматизация обнаружения аномалий и автоматизация принятия мер противодействия аномалии позволит снизить величину ущерба, причинённого аномалией. Для успешного решения задачи автоматической идентификации аномалий необходимо сформировать вектор признаков, позволяющих выделить аномалии, а так же набор правил, позволяющих на основе признаков принять решение о наличии аномалии и степени её опасности, либо об отсутствии аномалии.
Рассмотрим систему автоматического анализа непрерывного потока изображений связанных с приближением объекта, которое приводит к столкновениям, и как следствие этого к материальному ущербу, который можно снизить при использовании автоматической системы обнаружения аномалий данного вида.
Целью работы является создание метода, позволяющего автоматизировать идентификацию аномалий типа сближения двух объектов, обнаруживаемого в непрерывном потоке изображений.
Основным требованием к методу является обеспечение его реализации в реальном масштабе времени, предполагая, что скорость сближения двух объектов может достигать 20 м/с, а время реакции не должно превышать 3с.
Другим требованием к методу является обеспечения максимума вероятности обнаружении при ограничении вероятности ложной тревоги.
В настоящее время для решения подобных задач используются следующие методы.
Радиолокационный метод, заключающийся в следующем. На один из объектов устанавливается РЛС, которая определяет скорость сближения на основе эффекта Доплера. Обладает высокой разрешающей способно-
219
стью (до 50 м/с), малым временем реакции. Но требует существенных расходов на приобретение, установку, затраты энергии. Обладает демаскирующим признаком в виде СВЧ - излучения и определенную опасность для пользователей.
Ультразвуковой метод. Данный метод по принципу действия аналогичен радиолокационному методу, но частота излучателя находится в ультразвуковом диапазоне порядка 40 КГц. Данный метод не представляет опасности для пользователя, но обладает следующим недостатком - повышение вероятности ложной тревоги в условиях наличия источников повышенного шума в пределах радиуса действия устройства, в случае движения по пересечённой местности и неровной поверхности, а так же при облучении предметов отражающих звук в сторону от приёмника излучения или полностью поглощающих излучение.
Указанные недостатки заставляют искать другие методы обнаружения опасного сближения (аномалии). Один из таких методов может быть основан на обработке видеоизображения, получаемого с видеокамеры. Такой метод не потребует больших и дорогостоящих аппаратных средств, сложностей установки (требуется установить только видеокамеру), время реакции зависит только от обработки сигналов. Но при этом вся сложность получения и обработки информации ложится на программное обеспечение, реализующее указанный метод.
Основным недостатком камер является их низкая работоспособность при наличии тумана, тёмное время суток, дрожание камеры, но данные недостатки могут быть устранены применением соответствующими фильтрами [X]. В результате применение камер для решения данной задачи является наиболее перспективным.
Так как непрерывный поток изображений представляет собой последовательную смену отдельных изображений в интервале времени от 0 до Т, где Т длительность времени съёмки, при этом при фиксированой частоте смены кадров возможно однозначно определить изменение в положении объектов от кадра к кадру и время за которое это изменение происходило. Это даёт основание применить теорию дискретно изменяющихся систем.
Рассмотрим задачу обнаружения аномалии в непрерывном потоке изображений. Состояние системы характеризуется зависимостью, выраженной формулой (1).
Уk=F(Уk-1'x1k'x2k'........, (1)
где F(yk - l>xlk'x2k'........- функция, определяющая текущее
состояние системы; у - состояние системы в предыдущий момент
k-1
времени; к -дискретное время; Xlk,x2k,........^^ - вектор параметров
определяющих состояние системы.
Применительно к линейной системе данная задача преобразуется в задачу, выраженную [2]
Уk = AkУk_1 + Bxk + ^ ,
(2)
где Ak - матрица перехода системы; B - матрица влияния; Vk - матрица случайных процессов; Xk - вектор параметров системы, определяемый по формуле (3).
X1
М=
X2
(3)
В качестве параметров для определения матрицы перехода используется значения следующих параметров:
1. Изменение линейных размеров объекта;
2. Скорость изменения линейных размеров объекта;
3. Ускорение изменения линейных размеров объекта.
При этом матрицу изменения линейных размеров объектов можно представить в виде формуле 4
^0.2 0 0 ^
A=
0 0.5 0 0 0 0.3
(4)
Процент взноса каждого критерия обусловлен следующими причинами:
1. Изменение линейных размеров имеет незначительный вес, в виду того, что не каждое изменение линейных размеров объектов является аномалией. В данной главе обосновывается, что имеет значение только положительное изменение линейных размеров.
2. Скорость изменения имеет значительный вес, так как является основным параметром для определения аномалии, так как в случае наличия объекта с высокой скоростью увеличения линейных размеров уже можно отнести данный объект к аномальным.
3. Ускорение имеет так же значительный вес ввиду того, что влияет на скорость увеличения линейных размеров объектов, в случае наличия большого ускорения увеличения линейного размера объекта, можно утверждать, что объект является аномальным.
При этом для достижения цели (выявления аномалии) норма вектора у (вектора выходных значений), представленная формуле (5) должна стремиться к 0.
м=д/77- (5)
Однако, для решения данной задачи важно только выделение только наличия или отсутствия аномальных объектов, поэтому принять решение о наличии аномалии можно на основе предиката, полученного, на основе решающих правил.
Для установления факта наличия аномалии необходимо выполнить следующую последовательность действий:
1. Выделить передний план изображения;
2. Определение движущихся объектов;
3. Определение траекторий движущихся объектов представляющих интерес;
4. Принять решение о наличии аномалии.
Предлагаемый метод. Так как задачей является выделение аномалий, то не все движения представляют интерес. Рассмотрим основы работы видеокамеры. Схематически это показано на рис. 1.
Рис.1. Проецирование изображения на фотоэлектронный преобразователь цифровой фотокамеры.
Так как большинство аномалий связаны с приближением объектов к камере. Рассмотрим физику процесса приближения объекта к камере. Схематически данный процесс показан на рис. 2. Как видно и перемещении из положения 1 в положение 2 его линейный размеры увеличиваются.
Так как форма областей, выделяемых описанным выше алгоритмом, известна и представляет собой прямоугольник. То увеличение размеров объекта в поле зрения камеры можно описать формуле (6).
52>57. (6)
Рис. 2. Приближение объекта к камере
222
В результате градиент изменения линейных объектов определяется по формуле 7.
gradS = S2-Sl> /?, (7)
где р - порог срабатывания системы.
Так как изменение размеров объекта может быть вызвано как эффектом дрожания камеры так и приближением объекта к камере то величину порога, наиболее целесообразно определять по формуле (8).
= (8) При этом величина коэффициента к - фиксирована и составляет
0,001.
Предположим состоялось перемещение по направлению от А1 к А2, показанное на рис. 3.
А1(х1,у1)
Рис. 3. Перемещение объекта
При этом координаты точек Al и А2, высота и ширина прямоугольников, а так же угол а, являются выходными, описанного выше алгоритма выделения движения на основе шаблонов перемещений. Как видно из рисунка треугольник А1СА2 является прямоугольным, с прямым углом А1СА2. Данное обстоятельство позволят рассчитать расстояние А1А2 по формуле 9, А1С по формуле 10 и СА2 по формуле 11.
AlA2 = ]dx2 + dy2 ; (9)
Al С = AlА2/cosa = dy = y2-yl; (10)
CA2 = AlA2/sina = dx = y2 - yl. (11) Формулы 9-11 позволяют однозначно выделить область из списка
областей, совершающих движение на предыдущем кадре. При этом необходимо учитывать погрешности расчетов арифметики с плавающей точкой ЭВМ. В результате получим формулы 12 и 13.
AlC + s<=dy>= AlC-s; (12)
CA2 + s<= dx>= CA2-s. (13)
В случае выполнения условий 10 и 11 однозначное соотношение между областями установлено, то есть, найдены области 1 и 2 см. рис. 2. В результате анализа непрерывного потока изображений, возможны случаи нахождения точек А1, А2 и С на одной прямой, следовательно А1СА2 не будет являться прямоугольником по определению прямоугольника. При этом возможны следующие случаи, выраженные формулами 14, 15, 16
\dx\>0,dy = 0; (14)
\dy\>0,dx = 0; (15)
dx = 0,dy = 0. (16)
В случае выполнения условия, выраженного формулой 10, движение области по оси X. Выделение области производится на основе формулы 17
\dx\<Sx , (17)
где ех - порог смещения области по оси Х.
В случае выполнения условия, выраженного формулой 15, движение области по оси X. Выделение области производится на основе формулы 18
\dy\<Sy , (18)
где б у - порог смещения области по оси Y.
В случае выполнения условия 10, область выделена.
После выделения области, необходимо перейти к оценке градиента по формуле 7.
Приведнённый способ выделиния аномалии требует качесвенного выделения положения объекта с большой точностью, при этом величина ошибки не должна превышать порог, вычисленный по формуле 8. Условия по точности, наложенные задачей, позволяют применить для решения подзадачи выделения движущихся объектов метод, основанный на так называемых шаблонах перемещения. В основе данного метода лежит представление изображения в виде так называемая истории перемещения (МН1). История перемещения это временный уровень следующих друг за другом силуэтов изображений или свойств движений для единичного перемещения. При этом МН1 от кадра к кадру должна обновляться по следующей формуле 19.
[т — силуэтв( х, у) МНЬ(х, у) = [ (19)
[0 - МШ3( х, у) < (г — 8) К )
где т - текущий временной интервал; 5 - максимальная продолжительность постоянная величина обычно несколько секунд.
Для выделения шаблона из истории перемещения используется евклидовы метрики в частности метрика Махаланобиса выраженная формулой 20.
Т — 1
mahal(x) = (х — т) + К (х — т), (20)
где x-момент вектора; m- момент вектора шаблона; K - ковариационная матрица вектора шаблона.
Следующим шагом работы метода является определение направления перемещения по формуле 21.
. , Fy(x,y)
Ф (x, y) = arcta^ ——-, (21)
Fx(x,y)
где Fy(x,y) - результат применения маски Собеля по у; Fx(x,y) - результат
применения маски Собеля по х.
Далее будет получено направление движения объекта как результат аппроксимации направлений движения пикселей, принадлежащих контуру данного объекта.
В результате работы данного метода будут выделены объекты, совершившие перемещения. После этого объекты будут сохранены во временную память. Из полученного множества объектов будут выделены объекты, линейные размеры которых увеличились. Далее по приведённым выше правилам будет рассчитан градиент изменения линейных размеров объектов и будет принято решение о наличии аномалии на основе формул 7 и 8
Применение. Одним из возможных применений данного метода может быть дорожное движение, в котором в качестве аномалии вступает обгон, или опережение одного транспортного средства, на котором установлена камера, другим транспортным средством. Автоматическое выявление данной аномалии позволит снизить аварийность на дорогах.
Заключение. В результате был разработан алгоритм, который позволяет автоматически обнаруживать опасное сближение двух контролируемых объектов в режиме реального времени. Предложенный подход может быть использован в качестве системы оповещения, построенной на основе микроконтроллера и расположенной непосредственно в автомобиле, или как альтернатива датчикам автоматического открытия дверей в крупных магазинах, или в аналогичных случаях. расположенной в автомобиле на базе микроконтроллера. данном докладе были кратко описаны существующие методы поиска аномалий в непрерывном потоке изображений, и предложен метод способный работать в реальном времени и его возможное применение.
Список литературы
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений / Москва: Техносфера, 2006. 1072 с.
2. Bradsky G., Kaehler A. Learning OpenCV - O'Reilly, 2008. 557 c.
3. Comaniciu D., Meer P. (2002). Mean shift: A robust approach toward feature space analysis, IEEE Trans. On Pattern Analysis and Machine Intelli-
gence, 24, 603-619.
V.L. Tokarev, D.A Abramov.
METHOD ANOMALY DETECTED
In the articles made review current methods anomaly detected and shows imlementation one method for develop system automatic detection covergence anomaly in continues image stream.
Key words: anomaly, methods anomaly detected, continues image stream, image processing, anomaly detected.
Получено 20.11.12
УДК 004.415.52
А.Н. Ивутин, канд. техн. наук, доц., (4872) 33-24-45, alexey.ivutin@g:mail.com (Россия, Тула, ТулГУ), Е.И. Дараган, асп., (4872) 35-01-24, evgeny.daragan@gmail.com (Россия, Тула, ТулГУ)
ЗАДАЧА ПОИСКА ИНФОРМАЦИОННЫХ СВЯЗЕЙ ПРИ РАСПАРАЛЛЕЛИВАНИИ ЦИКЛОВ
Рассмотрена задача распараллеливания циклов в последовательных программа. Приведены примеры циклов и применение различных алгоритмов распараллеливания.
Ключевые слова: параллельные вычисления, циклы, алгоритмы распараллеливания.
В общем случае, задача построения графа информационных зависимостей сводится к выявлению в программе всех возможных состояний, а также выяснению зависимостей между ними. При этом важной особенностью таких связей является то, что взаимодействие функциональных блоков системы происходит не только на основании передаваемых между ними данных, но и в строго определенном порядке. Вместе с этим, программа рассматривается как информационная система, имеющая конечное число функциональных модулей, механизм их взаимодействия, а также конечное число состояний.
Решение задачи построения графа информационных зависимостей не только отражает логическую и функциональную структуру программы, схему взаимодействия ее компонент, но и предоставляет дополнительную информацию, которую можно использовать для распараллеливания вычислений в независимых друг от друга блоках. Стоит сказать несколько слов о параллельных вычислениях и системах, их использующих, т.к. предлагаемый метод построения графа информационных зависимостей [1] позволяет
226
