CC BY
74
оси беспилотного летательного аппарата // VIII Региональная молодёжная научно-практическая конференция Тульского государственного университета «Молодежные инновации»: сб. докл. в 3 ч.; под общ. ред. д-ра техн. наук, проф. Ядыкина Е.А. Тула: Изд-во ТулГУ, 2014. Ч. II. 244 с.
Рябцев Максим Вадимович, асп., ryabtseff.max@yandex.ru, Россия, Тула, Тульский государственный университет
ALGORITHM OF SELF-DIAGNOSIS AND MODE CORRECTION FOR AIRCRAFT FLIGHT COMPLEX
M. V. Ryabtsev
The implementation of the self-diagnosis and mode correction algorithm of flight and navigation system for plane type aircraft weighing less than 3 kg is proposed. The algorithm allows to monitor the equipment state vector and to automatically change the control law in the case of failure of one or more measuring systems.
Key words: aircraft, flight complex, algorithm, self-diagnosis, mode, control law, the equipment state vector.
Ryabtsev Maxim Vadimovich, postgraduate, ryabtseff.max@yandex. ru, Russia, Tula, Tula State Univesity
УДК 004.932
МЕТОДЫ ВЫДЕЛЕНИЯ НЕШТАТНЫХ СИТУАЦИЙ В ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ СИСТЕМАХ
ВИДЕОНАБЛЮДЕНИЯ
В. Л. Токарев, Д. А. Абрамов
Исследованы вопросы построения информационно-измерительной системы для распознавания нештатных ситуаций. Предложен метод выделения нештатных ситуаций по оценкам параметров, полученным путем обработки видеоизображений.
Ключевые слова: система видеоаналитики, обнаружение нештатных ситуаций.
В последние годы существенно возрос интерес к цифровой обработке видеоизображений, что связано с резким снижением цен на цифровые телекамеры, благодаря чему они стали доступными широкому классу пользователей и начали внедряться во многих сферах человеческой деятельности для решения задач автоматического контроля и видеонаблюдения.
Одной из наиболее сложных и актуальных задач обработки видеоизображения является задача принятия решения в реальном времени о наличии или отсутствии нештатной ситуации (НС) на наблюдаемой сцене. Решение этой задачи, обеспечивающее автоматическое выполнение всех этапов принятия решения о возникновении НС, позволит снизить (если не исключить) влияние «человеческого» фактора на оперативность выдачи соответствующего сообщения и принятия мер по предотвращению развития НС в нежелательном направлении. Архитектурным модулем для реализации такого решения может служить информационно-измерительная система, в качестве измерительной части которой служит подсистема видеонаблюдения. Процесс построения таких информационно-измерительных систем представляет собой сложную технологическую цепочку, включающую получение цифрового изображения, его обработку с целью определения параметров, характеризующих ситуации, и их классификации по получаемым оценкам таких параметров [1].
В статье рассматривается задача классификации ситуаций, возникающих в контролируемой зоне в результате поведения некоторого множества подвижных объектов определенных классов (интересующих объектов), по результатам обработки в реальном времени последовательности видеоизображений, получаемой от подсистемы видеонаблюдения. Такая задача сформулирована следующим образом.
Имеется последовательность кадров = 1,2,3,...«} (временной
срез видеопотока) с изображениями контролируемой зоны. На этой последовательности выделено множество подвижных объектов Ак = {^1,1 = 1,...,тк}, из которого по некоторому правилу [2] выделено подмножество интересующих объектов Вк = {р^, ] = 1,...,1к}с Ак . Здесь] -
идентификатор объекта. Последовательность {с°к,к = 1,2,3, .«} хранится в некотором буфере С« размером п, содержимое которого с каждым дискретным моментом времени к обновляется на граничных участках. Для каждого объекта bj е Вк методом межкадровой разности выстраиваются
траектории их движения
4+1 = Р1Х1+ Р2хк-1 + Р3*к-2; (1)
Ук+1 =%1У{+Ч2У{-1 +9зУк-2,
где р!^ - параметры траектории объекта bj е Вк , определенные в режиме идентификации наблюдаемых сцен для отдельных промежутков времени.
В матричном виде множество траекторий описывается выражениями
Хк+1 ' ¥к+1 =
(2)
где
X
к+1
IV 1 хк+1 , ¥к+1 = Ук+1
х 2 хк+1 Ук+1
х к _Хк+1_ _ Укк+1 _
¡к х 1-векторы; Р,в-(¡к х31к)- матрицы параметров для к-го момента времени; 1'Х - (31к х 1) - векторы координат.
Идентификаторы ] определяются по вектору wj еW признаков объектов bj е Вк .
Оценки координат по наблюдениям определяются выражениями
X
Xхк + 1 =Р?Х+КХ (Хк
Р Z
к-1
/ч * V У л * V
ук+х=в4+к1 ^ - а4-1
(3)
где Кк ,Кк -(¡к х¡к)-числовые матрицы, определяемые по алгоритму фильтра Калмана.
Основными признаками W (а) ситуаций а к е Е (Е - множество ситуаций, возможных в наблюдаемой зоне) являются оценки координат, получаемые по выражению (3), и оценки матриц параметров Р,в, получаемые процедурой идентификации [3].
Из основных признаков W (а) могут быть вычислены необходимые производные признаки, такие, как направление и скорость движения, ускорение каждого объекта bj е Вк , сближение траекторий между объектами и
между объектом и препятствием и другие, которые образуют, тем самым, множество векторов признаков \yk(bj)\.
Требуется по множеству \yk(bj)\ с высокой достоверностью в каждый момент времени к оценивать ситуацию а к е Е, среди которых имеются подмножества штатных ситуаций Е1 и аномальных (нештатных) ситуаций Е2 . Мощности обоих подмножеств а.1 = Е1, а 2 = |Е21 априорно известны. В качестве критерия достоверности будем использовать ошибку пропуска в буфере нештатной ситуации при ограничении на ошибку «ложной тревоги». Отсюда следует, что основным требованием к процедуре п{ук ® ок е Е) обнаружения нештатной ситуации является
260
ж(Ук ® °к е £) = а^ шш £ щ(Вк) < е,
к
(4)
(Вк )= [1, если Ок е £11 ^ е £2 ], ¥В )= [1, если ^ е £2 I °к е £1] (5)
< > < > •
0,если дк е £2 | ок е £2[0,если 6к е £1 | Ок е £1
К процедуре решения второй задачи - классификации нештатных ситуаций - должно быть предъявлено следующее требование:
Для решения поставленной задачи можно использовать следующие методы: ближайших соседей; параметрического оценивания распределений; максимального правдоподобия; минимаксного критерия; последовательных процедур [4] и т.п.
Метод к ближайших соседей один из наиболее простых алгоритмов классификации. По этому методу каждая ситуация может быть представлена точкой в п-мерном пространстве, где п - число аналитических признаков, используемых для классификации. Классификация выполняется по следующему принципу: находятся к ближайших (в соответствии с некоторой метрикой) ситуаций из обучающей выборки. Затем определяется, к какому классу относится большинство ближайших ситуаций обучающей выборки - к этому классу относят и исследуемую ситуацию. Метод требует: наличия достаточно большого числа к; обучающая выборка должна содержать только аналитические признаки. Эти два условия не всегда могут быть выполнены при анализе видео наблюдений.
Метод параметрического оценивания распределений требует априорно заданного закона распределения и позволяет производить классификацию на основе оценки математического ожидания и дисперсии данного распределения. Основной недостаток данного подхода - признаки ситуаций должны быть измерены только в количественных шкалах, а ряд признаков ситуаций обычно измеряется только в качественных шкалах.
Метод максимального правдоподобия основан на предположении о том, что вся информации статистической обучающей выборки содержится в функции правдоподобия. Тогда оценка ситуации должна соответствовать максимуму функции правдоподобия. Отсюда функция правдоподобия должна быть дифференцируема. Кроме того, обучающая выборка должна содержать признаки всех возможных ситуаций. Эти условия не всегда могут быть выполнены.
£ у(В к \ У(В к ) = IX если ¿¿.к * О!к е £2
(6)
> •
Метод минимаксного критерия основан на сведении множества параметров к одному критерию вида § . = тах Х1/^ 'к)> а в качестве Ре~
3 , к
к
шения из множества полученных при помощи данного критерия нештатных ситуаций выбирается ситуация, для которой 6j¡( = тт|<5у}. Основ-
7
ным недостатком данного метода является сведение задачи к одному критерию, что приводит к ошибкам классификации.
Метод последовательных процедур заключается в последовательном применении ряда наблюдений, что требует наличия выборки данных заранее не определённого размера, что не всегда может быть получено при решении поставленной задачи.
Метод применения нечётких моделей. Данный метод позволяет использовать классификацию нештатных ситуаций на основе функции принадлежности набора параметров к множеству вектора параметров, характеризующих нештатную ситуацию. Использование функции принадлежности в качестве критерия позволяет снизить зависимость процедуры принятия решений от объёма входных данных и повысить точность классификации, что позволяет упростить процесс принятия решений о классификации нештатной ситуации.
Такие требования к решению поставленной задачи, как необходимость обнаружения НС в реальном времени, учет большого количества разнотипных признаков, характеризующих ситуацию в к-й момент времени, а также стремление получить минимум пропуска нештатной ситуации (4), заставляют исследовать для этой цели метод построения нечеткой модели. В [5] показано, что этот метод хорошо зарекомендовал себя в условиях большого разнообразия классов, к которым можно отнести распознаваемый объект, и не требует больших вычислительных затрат.
Классификатор ситуаций, основанный на нечеткой модели, можно представить в следующем виде:
¿Д = °Д, = ае Е, (7)
где С = ~ множество лингвистических термов, определен-
ных на множестве значений V с функциями принадлежности Jugj(v)e[^Л1 ^еК для }=\,...,т; У = (у\,У2,...,Ут) - вектор признаков,
значения которых могут быть как четкими, так и нечеткими; И = {(71, <72,..., др } - множество нечетких множеств - оценок ситуаций; о -
символ композиционного правила нечеткого вывода; II - нечеткое отношение - нечеткая модель, представленная в виде совокупностью р правил с ш переменными (измеряемыми в нечетких шкалах с помощью системы видеонаблюдения) и одной выходной переменной «ситуация».
Построение такого классификатора требует выполнения двух этапов: 1) построение нечеткой модели II; 2) определение композиционного правила, обеспечивающего выполнение требования (4).
Одним из требований построения модели II является обеспечение полноты модели, то есть правила должны включать все возможные
комбинации функций принадлежности всех входных переменных. Другим важным требованием является обеспечение адекватности построенной модели реальным ситуациям, то есть выполнение требований (5) и (6).
Для выполнения первого требования нечеткая модель
Л: <5/ = и f)gjj, 1 = 19...9р представляется в виде ^Хт)-матрпцы Я, где /=1у=1
-V
число дизъюнкций П ёа > определяющих одно и то же 1=1 7=1
значение 07,7 = 1,...,/?. Упорядоченный набор значений таких q строк содержит все возможные комбинации термов входных лингвистических переменных, а значения выходной переменной а\ определяются экспертами, при этом согласованность экспертов, определяемая, например, критерием Кенделла, задает значение функции принадлежности для каждой строки матрицы К .
В результате матрицу К можно представить как совокупность р
подматриц Я= [] Я1, причем на значениях каждой подматрицы 1=1
определены значения функции принадлежности ц0/(Я/) (рисунок). Здесь ц - 1-я строка подматрицы % .
1,0 0,8 0,6 0,4 0,2 0
Г1 г2 гз г4 ■•• гв г, е К,
Функция принадлежности
263
Выполнение второго требования достигается корректировкой полученных функций принадлежности по результатам обработки массива видеонаблюдений.
Такая корректировка выполняется последовательной процедурой для каждого интервала времени "месяц - день недели - время суток". На каждом шаге этой процедуры корректируются значения функции принадлежности да/ (?/) с учетом полученных значений Да (?),
вычисленных по правилу:
Да,(я/,1)=(1 ^'Да,(я/, 1- 1)+а' шах
шт
ДИ,1£а, , 1-1)
(8)
где у - шаг итерации, значение ае[0,...,1) выбирается исходя из степени "изменчивости" ситуаций в контролируемой зоне.
Оценка ситуации получается в результате (шах-ргоё)-композиции
о
,к
шах
ъеЯ
шт
8,е°
Д И,(у)
Д а,
)
(9)
Выполненные эксперименты по распознаванию ситуаций, возникающих на некотором участке дороги, показали эффективность предложенного метода. Одним из его достоинств является простота вычислительных процессов, благодаря отсутствию сложных вычислений. Это позволяет использовать этот метод для построения информационно-измерительных систем, назначение которых состоит в автоматическом распознавании нештатных ситуаций с последующей выдачей соответствующих оповещений. Это позволит повысить оперативность принятия решений, направленных на блокирование развития НС, за счет быстрого получения оценки и снизить влияние на такую оперативность «человеческого» фактора.
Список литературы
1. Токарев В.Л., Абрамов Д.А. Информационно-измерительная система для оценивания появлений нештатных ситуаций, // Тезисы докладов Четвёртой Международной научно-практической конференции «Информационные технологи и компьютерная инженерия». Винница: ВНТУ, 2014. С. 21 - 14.
2. Абрамов Д.А. Метод автоматического выявления нештатных ситуаций по результатам видеонаблюдений // Математические методы в технике и технологиях - ММТТ 27: сб. трудов XXVII Междунар. науч. конф.: в 12 т. Т.4 . Секции 10,11/ под общ. ред. А.А. Большакова. Тамбов : Там-бовск. гос. техн. ун-т, 2014. С. 118-120.
264
3. Токарев В. Л. Обнаружение аномалий в поведении автоматизированной системы // Труды XI Международной научно-практической конференции «Современные информационные и электронные технологии» 24-28 мая 2010 г., Украина, г. Одесса. Одесса: Изд. Центр «Политехпериодика», 2010. Т. 1. С. 86 - 88.
4. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во ИМ СО РАН, 1999. 273 с.
5. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. М.: Горячая линия - Телеком, 2007. 284 с.
Токарев Вячеслав Леонидович, д-р техн. наук, проф., tokarev22@yandex.ru, Россия, Тула, Тульский государственный университет,
Абрамов Дмитрий Александрович, асп., sipai-dimaamail.ru, Россия, Тула, Тульский государственный университет
METHODS OF ALLOCATION ABNORMAL SITUATIONS IN THE INFORMATION-MEASURING SYSTEM SURVEILLANCE
V.L. Tokarev, D.A. Abramov
Questions of construction of informational-measuring system for detecting abnormal situations are analyzed. The method of allocating contingencies estimated parameters obtained by image processing is proposed.
Key words: analytics system, the detection of abnormal situations.
Tokarev Vyacheslav Leonidovich, docter of technical sciences, professor, toka-rev22ayandex.ru, Russia, Tula, Tula State University,
Abramov Dmitry Aleksandrovich, postgraduate, Sipai-dimaa mail.ru, Russia, Tula, Tula State University
