CC BY
27
Список использованной литературы
1. Соловьев А.С. Представление поверхности склона в модели схода снежной лавины [Текст] / А.С. Соловьев, А.В. Калач // Вестник ВИМВД РФ. -2012. - № 4. - С. 92-96.
2. Соловьев А.С. Моделирование схода снежной лавины по заданным географическим координатам [Текст] / А.С. Соловьев, А.В. Калач, С.Л. Карпов // Технологии техносферной безопасности: интернет-журнал. - 2013. - Вып. № 2(48) - С. 1-9.
3. Соловьев А.С. Некоторые закономерности схода снежных лавин на горных склонах различной формы [Текст] / А.С. Соловьев, А.В. Калач, С.Л. Карпов // Вестник ВГУ. Серия: системный анализ и информационные технологии. - 2013. - № 1. - С. 38-40.
4. Соловьев А.С. Особенности схода снежной лавины на выпуклых и вогнутых склонах [Текст] / А.С. Соловьев, А.В. Калач, С.Л. Карпов, В.И. Савинова // Технологии гражданской безопасности. - 2013. - Т.10. - № 1(35). -С. 84-90.
МОДЕЛЬ БАЗЫ ДАННЫХ ВИДЕОФИКСАЦИИ ЧЕЛОВЕЧЕСКОЙ ЛИЧНОСТИ
Л.А. Сорокин, соискатель, Академия ГПС МЧС России, г. Москва
На сегодняшней день технологии на основе распознавания лиц довольно широко используются правоохранительными и государственными органами в зарубежных странах. Известно об успешном применении данных технологий военной разведкой США в Афганистане при отслеживании перемещения террористов, полицией Нью-Йорка, Чикаго, Сан-Диего для поиска преступников [1]. В сентябре 2015 года правительство Австралии инвестировало $18,5 млн. в программу «The National Facial Biometrie Matching Capability» масштабного повсеместного видеонаблюдения и распознавания лиц. В рамках этой программы предполагается наличие базы данных на 100 млн. лиц собранной со всей Австралии [2]. Существуют и отечественные разработки систем видеоаналитики. Однако анализ систем видеоаналитики показал, что они не ориентированы на аналитику видеоданных, поступивших за большой промежуток времени. В данном докладе предлагается новая модель хранения информации в базах данных систем видеоаналитики.
Сохраняемая информация об интересантах должна включать в себя следующие категории данных:
1) видеозапись с камер;
2) исходное изображение лица в сжатом виде (для аналитической работы оператора комплекса);
3) графовое представление изображения (или иной метод представления изображений для распознавания);
4) время записи изображения;
5) адрес камеры, которая произвела запись;
6) ФИО и другая уточняющая информация (опционально).
Приведённые категории информации составляют основу
информационной единицы хранения (ИЕХ). ИЕХ используют в практике построения БД в случаях, когда необходимо установить соответствие с объектами хранения, имеющими сложную структуру. База данных (БД) СОБ должна быть ориентирована на высокую скорость записи значительного количества информации. Поэтому к ней необходимо предъявлять следующие требования:
1) ориентированность на высокую скорость записи в БД;
2) высокая скорость решения аналитических задач;
3) масштабируемость;
4) запрет изменения данных после обработки и сохранения;
5) возможность уточнения данных (например, у оператора комплекса должна быть возможность сохранять ФИО распознанного человека).
Теперь рассмотрим, как можно реализовать заявленные характеристики хранения информации в виде реальных структур БД. Будем использовать реляционные БД для данной задачи (в данном случае использовано программное обеспечение визуального проектирования баз данных «MySQL Workbench» [3]).
Структура таблиц адаптирована под быстрое решение аналитических задач. Это достигается за счет того, что при чтении данных минимизируется количество операций «join». Структура хранилища описана с помощью ER-модели (рис.).
Рис. ER-модель хранилища информации о видеофиксации в базе данных
Блок «GeneralGraph» представляет собой логическое хранилище обобщенного графа, который используется при построении графа лица, а именно для поиска ключевых точек. Отметим, что это хранилище при штатной работе комплекса используется только для чтения. С целью распределения нагрузки обобщенный граф содержится в отдельных таблицах.
Блок «GeneralGraph» состоит из трех таблиц:
1. «GeneralGraph» - в данной таблице содержатся ссылки на значения вершин графа и расстояния между вершинами;
2. «GeneralJet» - в данной таблице содержится информация о значении вершин графа;
3. «GeneralDisatnce» - в данной таблице содержится информация о значении расстояния между вершинами графа.
Блок «History» представляет собой логическое объединение таблиц с информацией о времени и местоположении видеофиксации физических лиц, а также графовое представление лиц.
Блок состоит из следующих таблиц:
- «People» - в данной таблице содержится идентификационная информация о человеке: ссылка на граф лица, который лучшим образом отображает лицо человека, а также документальная информация, которая может быть заполнена оператором комплекса или получена из других источников: ФИО, данные документов, удостоверяющих личность, дата рождения;
- «History» - в данной таблице содержится информация о видеофиксации человека, а именно о времени фиксации, и ссылки на информацию об адресе фиксации и информацию о физическом лице, попавшем в поле наблюдения камеры;
- «FaceModel» - содержатся ссылки на информацию о построенных графах лица и на файлы с изображением;
- «Camera» - содержится информация о камерах и их местоположении;
- «Media» - содержится информация о директориях хранения файлов с изображением;
- «Graph» - содержатся ссылки на значения вершин графа;
- «Jet» - в данной таблице содержится информация о значении вершин графа.
В дальнейших статьях будут описаны решаемые аналитические задачи с помощью данной модели.
Список использованной литературы
1. Melinda Ham Face Recognition Technology [Эл. ресурс], режим доступа: http://www.uts.edu.au/about/faculty-law/news/face-recognition-technology.
2. Margot O'Neill, Amy Sherden Facial recognition: Privacy advocates raise concern over 'creepy' system Government says will enhance national security [ Эл. ресурс], режим доступа: http://www.abc.net.au/news/2015-09-09/national-facial-
recognition-system/6761266.
3. MySQL Workbench [Эл. ресурс], режим доступа: https://www.mysql. com/products/workbench/
РАСПРЕДЕЛЁННАЯ МОДЕЛЬ ХРАНЕНИЯ И ПОИСКА ИНФОРМАЦИИ О ЛИЧНОСТИ НА ОТКРЫТОМ МНОЖЕСТВЕ
Л.А. Сорокин, соискатель, Академия ГПС МЧС России, г. Москва
В настоящее время безопасность в местах массового скопления обеспечивается в основном за счет выборочной проверки людей сотрудниками служб безопасности. Проверка идет на основании субъективного мнения проверяющего, что не является объективной причиной для проверки. Проверка осуществляется по документам, которые предъявляет недоваренный субъект. Предъявляемые документы не являются абсолютно достоверной информацией, они могут быть фальсифицированы. Вероятность пропуска разыскиваемого или потенциально опасного человека снизится, если исключить человеческий фактор и автоматизировать процедуру проверки. Эффективность проверки может быть увеличена за счет автоматического распознания разыскиваемых лиц, определения эмоционального состояния и выявления аномального поведения человека.
Изучив существующие системы видеоанализа, было обнаружено, что они направлены на детектирование лиц, попавших в область наблюдения видеокамеры по заранее подготовленной фотографии или фотороботу. Но они не направлены на анализ видеоданных, поступивших за большой промежуток времени. Предполагается, что поиск по фотографии в них осуществляется полным перебором изображений всех лиц в базе данных.
Рассмотрим способы повышения эффективности систем видеоанализа. Предлагаемая система осуществляет распознавание всех людей, попавших в поле видимости камер в реальном времени. В процессе распознавания в проектируемой системе происходит анализ изображения лица сразу при его поступлении. Затем система соотносит его с уже хранящимися изображениями лиц. В результате в БД системы будут получены кластеры, в которых содержатся только похожие изображения. В идеале для скоростного распознавания необходимо, чтобы один кластер соответствовал одному человеку. При этом в каждом кластере необходимо вычислить набор наиболее типичных и качественных изображений лиц (средние значения на кластер).
Тогда при необходимости осуществить поиск лица по входной фотографии системе (или её составной части) достаточно будет сравнить его только с ограниченным набором изображений (наиболее точно представляющим личность в данном кластере), а не со всеми изображениями в БД.
