CC BY
26
УДК 004.93'1
А.Ю. Кручинин, кандидат технических наук, доцент кафедры вычислительной техники и защиты информации, ФГБОУ ВО «Оренбургский государственный университет» e-mail: kruchinin-al@mail.ru
Р.Р. Галимов, кандидат технических наук, доцент кафедры вычислительной техники и защиты информации, ФГБОУ ВО «Оренбургский государственный университет» e-mail: rin-galimov@yandex.ru
ОСОБЕННОСТИ ЗАЩИТЫ ОБЪЕКТОВ СО СЛОЖНОЙ КОНФИГУРАЦИЕЙ В РАСПРЕДЕЛЕННЫХ СИСТЕМАХ ВИДЕОНАБЛЮДЕНИЯ
Актуальность данной темы обуславливается широким распространением систем видеонаблюдения, характеризующихся большим количеством используемых камер, размещенных на значительной территории. При этом к ним предъявляются требования оперативного обнаружения внештатных ситуаций. Централизованные архитектуры видеонаблюдения могут не соответствовать данным требованиям из-за ограничения каналов связи и вычислительных ресурсов, что определяет необходимость определения новых подходов построения данных систем. Цель работы состоит в разработке подхода к построению распределенных систем видеонаблюдения, обеспечивающего требуемый уровень достоверности при минимальных вычислительных и стоимостных затратах. Для достижения цели в статье предлагается использовать многоагентные системы для построения структуры системы видеонаблюдения, события и ситуации для оптимальной идентификации происходящего в области контроля на основе структурных методов распознавания. Основным результатом работы является определение принципов организации децентрализованной системы идентификации нештатных ситуаций, учитывающих параметры по топологии размещения камер, производительности средств обработки данных и пропускной способности каналов связи, для которых предлагается подход к вычислению доли ошибок классификации. Результаты работы могут использоваться в организациях, занимающихся проектированием и внедрением интеллектуальных систем видеонаблюдения сложных объектов.
Ключевые слова: децентрализованная распределенная система видеонаблюдения, структурное распознавание, защита объектов со сложной конфигурацией.
Развитие аппаратных средств вычислительной техники определило широкое распространение систем видеонаблюдения, позволяющих повысить оперативность реагирования на негативные воздействия на контролируемых объектах и характеризующихся высокой информативностью [5]. При этом основным недостатком традиционных систем видеонаблюдения является то, что анализ и принятие решений по нештатным ситуациям осуществляет оператор. Большое количество камер и человеческий фактор приводят к снижению качества принятия решения. Это определяет необходимость внедрения интеллектуальных систем видеонаблюдения, позволяющих автоматизировать процесс идентификации нештатных ситуаций [2]. Задача усложняется для контролируемых объектов со сложной топологической конфигурацией, приводящей к наличию «мертвых» зон, необходимости отслеживания в динамике данных нескольких различных камер. Примерами объектов со сложной конфигурацией являются многоэтажные торговые центры, вокзалы, спортивные объекты. В качестве нештатных ситуаций в основном в данной работе рассматриваются события, которые могут привести к реализации угроз жизни и здоровью людей, в частности, оставление субъектами подозрительных предметов, совершение действий преступного характера.
На настоящий момент и в обозримом будущем основой качественной системы видеонаблюдения являются IP камеры. Часто IP камера представляет собой самостоятельный компьютер под управлением операционной системы, например Linux, на котором можно запускать алгоритмы распознавания [6,1]. К подобным камерам относятся камеры компании Axis Communications. Поэтому возможно создание систем видеонаблюдения, в которых нет единого центра управления и распознавания, которые распределены не только в пространстве, но и в месте решения задач распознавания и принятия решения. В настоящей работе рассмотрена задача защиты объектов со сложной конфигурацией в распределенных системах видеонаблюдения.
В теории распознавания известно понятие протяженного объекта [4], особенностью которого является то, что для идентификации его состояния недостаточно определить один образ. Такой объект характеризуется группой образов, которые не являются полностью независимыми друг от друга, а часто связаны по какой-то составляющей - пространственной или временной. С точки зрения распознавания образов протяженный объект будет представлен как последовательность из M образов: œ = (œi, œ2, ..., œ,-, ..., œM), где каждый образ œ,- соответствует определен-
ному классу из множества возможных образов исследуемого объекта Д = {Дь Д2, • ••, ДК}, К - количество возможных образов.
В системах видеонаблюдения в целом для контроля выбирается некоторая территория, для оценки состояния которой в разные её части размещаются видеокамеры. Поступающая информация с камер также является информацией о протяженном объекте, который распределен не только в пространстве, но и во времени, поскольку для идентификации происходящего нужно наблюдать за образами в течение некоторого периода. Протяженный объект системы видеонаблюдения можно считать объектом со сложной конфигурацией, если для его идентификации задаются зоны большой площади, для контроля которых требуется большое количество камер.
На контролируемой территории встречаются зоны видеонаблюдения с различной степенью перекрытия камерами, которые влияют на достоверность распознавания образов. Бывают 3 типа зон: не попадающие в область зрения камер, попадаю-
щие в область зрения одной камеры, попадающие в область зрения двух и более камер (рисунок 1).
Увеличение количества камер позволит повысить достоверность данных за счет сопоставления образов в разных камерах, однако требует дополнительных вычислительных ресурсов, которые могут быть довольно значительными в зависимости от используемых алгоритмов распознавания. А поскольку при наблюдении за объектом со сложной конфигурацией могут наблюдаться более мелкие объекты (люди, животные, автомобили и другая техника), то для их идентификации и слежения необходимо применять множество различных алгоритмов распознавания. Встает классическое противоречие по затратам на камеры и вычислительные ресурсы и качеством работы системы видеонаблюдения. Поэтому для достижения оптимальных значений показателя затраты-качество необходимо оптимизировать систему видеонаблюдения с точки зрения топологии размещения видеокамер или разбиения задач распознавания на подзадачи и решения только части из них.
Зона просматривается больше, чем двумя камерами
Рисунок 1. Примеры размещения камер систем видеонаблюдения
Целью оптимизации системы видеонаблюдения обычно является повышение достоверности процесса идентификации нештатных ситуаций в объектах со сложной конфигурацией при сохранении затрат на некотором заданном уровне.
Решение задач защиты от угроз безопасности в системе видеонаблюдения в первую очередь определяется архитектурой системы видеонаблюдения. Распределенная система видеонаблюдения может быть реализована в следующих архитектурах: централизованная система; многоагентная система.
В централизованной архитектуре (рисунок 2 а) идентификация нештатных ситуаций осуществляется в одном средстве обработки данных (СОД). К достоинствам данной архитектуры можно отнести то, что средство обработки обладает полнотой данных для принятия решений. Но при этом существует ряд недостатков:
- высокие требования к производительности центрального средства обработки данных;
- в связи с тем, что камеры видеонаблюдения
размещены на большой территории, увеличивается время передачи данных между элементами камера-СОД. Это снижает оперативность принятия решения, особенно в условиях работы в режиме реального времени;
- низкая надежность, так как выход из строя центрального узла приводит к потере работоспособности всей системы [9, 8].
В многоагентной архитектуре (рисунок 2 б) каждая камера видеонаблюдения кроме фиксации изображения осуществляет обработку данных. Для повышения достоверности идентификации события или цепочки пространственных событий камера может запросить от ближайших узлов данные. С учетом задержек канала передачи данных камеры видеонаблюдения должны обладать памятью для хранения кадров с идентифицированными событиями на случай запроса от соседних узлов. Таким образом, каждая камера представляет собой СОД, которое может диагностировать нештатную ситуацию. Данная архитектура менее требователь-
а) б)
Рисунок 2. Архитектуры распределенных систем видеонаблюдения: а) централизованная из N камер К; б) многоагентная с пятью камерами
на к вычислительным ресурсам средств обработки данных, более отказоустойчива и оперативно реагирует на возможные события.
Важным элементом алгоритма идентификации ситуации в контролируемой зоне в данной архитектуре будет иметь протокол взаимодействия камер видеонаблюдения. Данный протокол должен выполнять следующие функции:
- определение подмножества камер видеонаблюдения, от которых необходимо получить данные для принятия решения;
- согласование передачи данных между камерами, которые одновременно фиксируют одно и то же событие с целью предотвращения превышения пропускной способности телекоммуникационной системы.
В целом, основным недостатком данной структуры распределенной системы видеонаблюдения
является сложность реализации протокола взаимодействия узлов системы. Увеличение сетевого трафика происходить не будет, поскольку не будет передаваться изображение для анализа в другое место, а будут передаваться только производные данные гораздо меньшего размера.
Компромиссным решением является трехуровневая многоагентная система, представленная на рисунке 3, которая может быть применена для очень больших объектов видеонаблюдения.
Камеры видеонаблюдения при возникновении события передают сообщения близлежащему СОД. Для повышения достоверности распознавания ситуации или идентификации пространственно распределенной ситуации средство обработки может запрашивать данные как у камер видеонаблюдения, так и у соседних СОД.
Рисунок 3. Трехуровневая многоагентная структура распределенной системы видеонаблюдения с тремя камерами для каждого СОД
При размещении камер видеонаблюдения должно выполняться условие, что события должны регистрироваться при любой траектории движения его источника. На рисунке 4 представлена схема расположения камер видеонаблюдения и граф связей камер, определяющие взаимодействие камер для повышения достоверности или отслеживания траектории. Камеры имеют связи между собой, если их зоны видеонаблюдения перекрываются или источники событий могут перемещаться между ними.
Степень полезности данных камеры К для распознавания события в позиции К вершины снижается с увеличением длины пути между данными вершинами. Ребра могут быть взвешены значением расстояния между вершинами и степенью перекрытия зон наблюдения с учетом решаемой задачи: повышения достоверности распознавания события или контроль траектории движения. При ограничениях по времени отклика системы распознавания
ситуаций граф может быть использован для определения потенциально наиболее значимых данных распределенной системы видеонаблюдения. Для минимизации временных затрат на формирование запросов данных к соседним камерам необходимо, чтобы с учетом топологии узлы системы определяли, кто будет распознавать событие.
В работе [3] показано, что для оптимальной идентификации объектов в системах видеонаблюдения необходимо использовать структурные методы распознавания [10]. Там же даны определения. Объект слежения - это графический образ (человек, автомобиль, идентификационный номер). Событие - мгновенное совершение действия объектом или без объекта (пересечение линии, возникновение огня). Ситуация - это последовательность событий (например, человек пришел, оставил сумку и ушел) [7]. Опасная ситуация - это ситуация, которая требует оповещения оператора.
6)
Рисунок 4. Топологическая модель распределенной системы видеонаблюдения: а) схема размещения камер видеонаблюдения; б) граф взаимодействия камер видеонаблюдения
В контролируемой зоне происходит множество событий:
Е = {е1( е2,..., ..., е^},
ег = (руре0 Сг, соогйг),
соогс*г = {Xi.yi.zO,
где в1 - событие в контролируемой зоне в определенный момент времени и по определенным координатам; 1уре I - тип события; ti - момент времени возникновения события; соо^ - координаты, где произошло событие.
При этом события могут происходить одновременно в разных областях. Текущая ситуация Sj определяется как заданная последовательность упорядоченных во времени событий:
Sj = {el,ek,...,er}, (1)
^ ^ Ьк ^ • • ■ ^ Ьу,
т.е. ситуация складывается из событий отсортированных по времени. Таким образом, за некоторый контролируемый промежуток времени существует множество ситуаций 5":
5 = {51(52 ....5М},
где М - общее количество ситуаций.
При этом все множество ситуаций делится на два подмножества - штатных и опасных ситуаций:
5 = 5Х и Б2,Б1 П 52 = 0,
где 5 - множество штатных ситуаций; 52 - множество опасных ситуаций.
Основной задачей распределенной системы видеонаблюдения является реализация функции, которая разделяет ситуации на два класса:
ч_ [0,опасные 11, безопасные'
где Бх - неизвестная ситуация.
На качество распознавания ситуаций оказывает влияние множество факторов, одним из которых является степень покрытия камерами контролируемой зоны. В связи с большой площадью контролируемой зоны и высокой степенью трудоемкости установки большого количества камер не удается полностью просматривать контролируемую зону:
2С П Ху Ф Хс,
где 2с - контролируемая область; 2У - общая область обзора (зрения) камер.
Это приводит к тому, что определенный процент событий будет пропущен:
Щ — Еу 2 Яд,
где Е/ - множество всех событий в контролируемой области; Еу - события, которые происходят в области обзора системы видеонаблюдения; Ея -множество распознанных событий.
События могут наблюдаться несколькими камерами видеонаблюдения. В системе видео наблюдения есть К камер, в каждой из которых могут наблюдаться события. Ситуация же может возникать не по результату анализа событий в одной камере, а складываться из событий, наблюдаемых в разных камерах.
Основными характеристиками распределенной системы видеонаблюдения являются: достоверность распознавания ситуаций (В) и время отклика системы.
Достоверность распознавания события оценивается следующим выражением:
£> = 1 - (а ■ кг + р ■ к2),
где а - оценка вероятности ошибки 1-го рода, заключающейся в пропуске события; в - оценка вероятности ошибки 2-го рода, заключающейся
в ложном детектировании события; ^ и ^ - коэф- познают событие, позволяет повысить достовер-фициенты важности ошибок 1-го и 2-го рода. ность распознавания. Пусть произошло событие
Увеличение количества камер, которые рас- ех, тогда:
ПГ=1 аел >если событие в области зрения К камер . 1, если событие вне области зрения камеры
где аеА - оценка вероятности ошибки 1-го рода для /-ой камеры; К - количество камер, обнаруживших событие.
При проведении экспериментов известно, сколько произошло событий, а также сколько событий было зарегистрировано системой распознавания. Тогда общая вероятность ошибки 1-го рода за репрезентативный период времени определяется следующей формулой:
ае.общ. = Ро + ае-р1 + а%-
■ Р2 + «е ■ Рз+- ■ ■ +<*е ■ Рк>
где k - общее число камер, в которых может одновременно наблюдаться событие; р0 - доля событий, которые не попадают в поле зрения камер; Р1 - доля событий, которые наблюдаются одновременно /-ым количеством камер; ае - средняя оценка вероятности ошибки первого рода. При этом используется допущение о независимости анализа разными камерами, поэтому вероятности ошибки перемножаются по правилам теории вероятности.
При увеличении числа камер, которые фиксируют событие, оценка вероятности ошибки 1-го рода значительно снижается. Например, если ае принимает относительно большое значение, такое как 0.1, то при распознавании события 5 камерами общая ошибка составит следующее значение:
(¡¿е = 0.15 = 0.00001.
Таким образом, выражение (2) можно упростить до следующего вида, пренебрегая незначимыми компонентами:
аембщ. = р0 + ае-р1 + а1-р2 +
+ а*-р3 + а*-р4 + а%- р5.
Аналогично определяется для данной системы ошибка второго рода.
Поскольку ситуация это последовательность событий (1) с некоторыми вероятностями правильного решения, то к ней может быть применена теория стохастических грамматик [4], считая события символами грамматики. В этом случае теоретически посчитать достоверность ситуаций не представляется возможным, поскольку достоверность будет зависима от результатов синтаксического анализа последовательности событий, которые будут отли-
чаться как в зависимости от времени, так и объекта видеонаблюдения, да и просто от расположения камер.
Основными факторами, влияющими на достоверность распознавания ситуации, являются: область покрытия камер; производительность вычислительной системы; время отклика узлов распределенной системы видеонаблюдения.
Перекрытие зон наблюдения камер позволяет повысить достоверность распознавания события. Наблюдение события 2-3 камерами позволяет значительно уменьшить ошибки 1-го и 2-го рода. Однако в этом случае увеличивается вычислительная нагрузка и недостаточная производительность подсистемы обработки камер приводит к потере кадров, что негативно влияет на оценку достоверности. Также перегрузка канала связи передачи данных при ограничении на время распознавания приведет к тому, что данные от соседних камер будут приходить с задержками и будут устаревшими.
Использование большого числа камер при оптимальном их расположении позволяет повысить достоверность распознавания нештатных ситуаций. Но при этом предъявляются высокие требования к производительности средств обработки видеоизображения и к пропускной способности каналов связи. Данные обстоятельства приводят к увеличению стоимостных затрат распределенных систем видеонаблюдения. В связи с этим существует необходимость в разработке методов и средств обеспечения требуемого уровня достоверности распознавания ситуаций при минимальных затратах. Перспективными направлениями работ для подобных систем является применение децентрализованной архитектуры распределенной системы видеонаблюдения, где принятие решения о детектировании нештатной ситуации принимают близлежащие камеры без участия центрального средства обработки данных. Это также позволит снизить нагрузку на каналы связи, так как передача данных будет производиться между соседними узлами. Для повышения производительности можно использовать обработку данных с учетом приоритета событий и оценкой достоверности результатов распознавания.
Литература
1. Бурков, А.В. 1Р-видеонаблюдение глазами разработчика. Часть первая: базовые понятия и 1Р-камера /А.В. Бурков // Алгоритм Безопасности. - 2016. - № 6. - С. 76-78.
2. Жукова, П.Н. Обеспечение безопасности на объектах транспортной инфраструктуры посредством использования систем видеонаблюдения и видеоаналитики / П.Н. Жукова, В.А. Носова, А.Н. Прокопенко
// Проблемы правоохранительной деятельности. - 2015. - № 4. - С. 91-96.
3. Колмыков, Д.В. Имитационная модель распознавания ситуаций на основе структурных методов в системах видеонаблюдения / Д.В. Колмыков, А.Ю. Кручинин // Информационные системы и технологии. -2017. - № 2 (100). - С. 25-31.
4. Кручинин, А.Ю. Оптимальный подход к распознаванию протяженных объектов в реальном времени / А.Ю. Кручинин. - Москва: АНО Изд. Дом «Науч. обозрение», 2016. - 305 с.
5. Пескин, А.Е. Системы видеонаблюдения. Основы проектирования и эксплуатации / А.Е. Пескин. -Москва: Горячая линия-Телеком, 2013. - 256 с.
6. Портнов, Д. Современные тенденции встроенной видеоаналитики видеокамер / Д. Портнов // Алгоритм Безопасности. - 2016. - № 6. - С. 20-21.
7. Поспелов, Д.А. Ситуационное управление: теория и практика / Д.А. Поспелов. - Москва: Наука. -Главная редакция физико-математической литературы, 1986. - 288 с.
8. Распределенная архитектура системы IP-видеонаблюдения. Основные понятия [Электронный ресурс] - Режим доступа: http://indigovision-cctv.ru/files/documentation/other/Raspredelennaya_arhitectura_ IndigoVision.pdf - (дата обращения: 10.08.2017).
9. Таненбаум, Э. Распределенные системы. Принципы и парадигмы / Э. Таненбаум, М. ван Стеен. -Санкт-Петербург: Питер, 2003. - 877 с.
10. Фу, К. Структурные методы в распознавании образов / К. Фу. - Москва: Мир, 1977. - 319 с.
Исследование выполнено при финансовой поддержке РФФИ и Министерства образования Оренбургской области в рамках научного проекта №17-47-560368 р а.
