CC BY
77
Список использованной литературы:
1. Градостроительный кодекс от 29.12.2004 N 190-ФЗ (ред. от 30.12.2020) (с изм. и доп., вступ. в силу с 10.01.2021)
2. Жилищный кодекс Российской Федерации от 29.12.2004 N 188-ФЗ (ред. от 24.04.2020)
3. "Кодекс Российской Федерации об административных правонарушениях" от 30.12.2001 N 195-ФЗ (ред. от 30.12.2020) (с изм. и доп., вступ. в силу с 15.01.2021)
© Пешнина И. В., Пешнин А.Н., 2021
УДК 004.032.26
Прохоров А. С.
Национальный исследовательский университет МИЭТ
студент 4 курса г. Москва, г. Зеленоград, Россия Научный руководитель: Макаренко Д.В.
Руководитель обособленного подразделения в г. Зеленоград
ЗАО «НВП Болид» г. Москва, г. Зеленоград, Россия
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ ЧЕЛОВЕКА В ЖИЛЫХ И ПРОМЫШЛЕННЫХ ПОМЕЩЕНИЯХ
Аннотация
Большинство аналитических систем не позволяют получить надежные признаки идентификации событий и имеют высокую вероятность ложных срабатываний. Нейронные сети открывают новые возможности в обработке видео и аудио сигналов. В статье проанализирована работа нейросетей в рамках системы безопасности, описаны преимущества нейросетей перед классическими системами и их слабые места. Автор делает вывод, что нейронные сети открывают большие перспективы развития систем обеспечения безопасности помещений, но необходимы условия для их дальнейшего развития.
Ключевые слова
Нейронные сети, нейросеть, системы безопасности, анализ данных, распознавание лиц,
звуковой анализ, анализ видео.
Нейронные сети - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма1.
Нейронная сеть представляет собой систему соединенных между собой простых процессов, каждый из которых обрабатывает входящие сигналы и посылает их другим процессорам.
Одно из самых главных достоинств нейронной сети - возможность обучаться и исправлять ошибки: нейронные сети имеют возможность обучаться, в этом заключается их преимущество перед обычными алгоритмами. Обучение построено на нахождении коэффициентов связей между нейронами. В процессе обучения нейронные сети выявляют сложные зависимости между входными и выходными данными, а также выполняют обобщение. В случае успешного обучения сеть может выдавать результат с высоким уровнем достоверности на основании данных, которых не было в обучающей выборке.
В настоящее время нейронные сети все больше привлекают внимание ученых и инженеров, а области
1 Николенко С.И. Нейронные сети. Лекция
-( 25 }
международный научный журнал «символ науки»
issn 2410-700x
№ 1/2021
применения нейросетей расширяются. Популярный вариант использования нейронных сетей -распознавание образов на статичных изображениях и потоковом видео. Использование нейронных сетей в видеонаблюдении открывает широкие перспективы в сфере систем безопасности2.
В данной статье рассмотрены возможности применения нейросетей для обеспечения безопасности человека в жилых и промышленных помещениях.
Система безопасности включает в себя:
- Распознавание лиц
- Определение типа объекта
- Звуковой анализ
- Распознавание речи
- Обнаружение дыма3
Прежде чем приступить к анализу изображения или звука, необходимо извлечь соответствующие кадры из видеопотоков в реальном времени. Это сильно нагружает устройство и требует значительного уменьшения размера данных для запуска моделей по наиболее важным функциям. Также необходимо идентифицировать определенные события и отреагировать на них (возвращение хозяина домой, взлом и т.д.).
Распознавание лиц
Начнем с информации, которую мы извлекли бы из кадра видеозаписи. Сначала необходимо найти в кадре черты лица, а затем сопоставить с базой данных (рисунок 1).
Учитывая фотографии домовладельца, семьи, у нас будет тщательно обученная модель. Также необходимо, чтобы базы данных постоянно обновлялись, так как ключевые точки лица могут со временем меняться, особенно у детей. Обновление может производиться через доступ к профилю владельцев в социальных сетях или вручную обновляемым репозиторием изображений.
Алгоритмы обнаружения лиц будут работать в три этапа, как только система получит входные данные:
1. Человек или не человек
2. Зарегистрированное лицо или нет
3. Какой это пользователь?5
1. Человек или не человек
Является ли объект на видео человеком можно понять с помощью предварительно помеченных данных из ImageNet или других подобных онлайн-репозиториев. ImageNet - это база данных изображений, организованная в соответствии с иерархией WordNet (в настоящее время только существительные), в
2 Хохлова Д. Бум нейросетей: Кто делает нейронные сети, зачем они нужны и сколько денег могут приносить
3 Jaspreet. Machine Learning for Smart Home Security Systems
4 Литвинов С. FaceNet - пример простой системы распознавания лиц с открытым кодом Github
5 Jaspreet. Machine Learning for Smart Home Security Systems
Рисунок 1 - Распознавание человека по ключевым точкам лица4
,4
которой каждый узел иерархии изображен сотнями и тысячами изображений.
2. Зарегистрированное лицо или нет
Обнаружение лиц: одна из основных проблем с распознаванием изображений - это огромное количество черт лица, с которыми нам нужно иметь дело. Простым способом обойти это может быть анализ основных компонентов, который сформирует новые черты из старых. Эти новые сжатые черты лица людей теперь называются «собственными лицами».
Проблема, которая снижает точность алгоритмов распознавания лиц, - это условия освещения, которые могут испортить карты интенсивности пикселей. Другая - разные углы и естественные искажения лица, вызванные эмоциями. ОС Android для телефонов от Google, которая имеет режим разблокировки по лицу, позволяет обойти это, заставляя пользователя сначала обучить телефон, делая снимки своего лица в разных условиях освещения и под разными углами.
3. Какой это пользователь?
Один из способов узнать, кто этот пользователь, - выполнить последовательную двоичную классификацию, сравнивая полученное изображение человека с хранилищем пользователей, имеющих доступ к дому.
Определение типа объекта Обучение моделей
Учитывая большой объем данных, необходимых для обучения сверточной нейронной сети (англ. convolutional neural network, CNN), следует использовать предварительно размеченные наборы данных, такие как Pascal V0C или ImageNet, а также CloudCV, который предоставляет комбинированный, уменьшенный набор данных с извлеченными соответствующими чертами лиц.
Глубинное обучение
Caffe - среда для глубинного обучения, является открытым программным обеспечением. Выполняет классификацию изображений с использованием запутанных нейронных сетей и включает библиотеки OpenCV и Blas, обеспечивающие эффективные вычисления на C++. Он также включает библиотеки для Python (pycaffe) и Matlab (matcaffe), а также поддерживает различные форматы ввода для изображений. Еще один большой плюс - это предварительно обученные модели, предлагаемые Caffe's (Model Zoo).
Звуковой анализ
Область «Вычислительного анализа звуковых сцен» направлена на точную классификацию акустических последовательностей для обнаружения звуковых событий, связанных с конкретными действиями или «моделированием звуковой среды».
Акустический анализ может дать нам большой объем информации об окружающей среде, которую невозможно контекстуализировать одним только анализом видеоизображений. Примеры этого включают крик, выстрелы, разбитие стекла, шаги с близкого расстояния и т.д.
Другие особенности человека, такие как пол, эмоции, могут быть весьма точно опознаны с помощью распознавания звука. Этапы анализа звуков:
1.Человеческий / нечеловеческий звук
2. Если человек, распознавание речи
3.Если не человек, то аварийное / штатное событие6
Распознавание речи
Поскольку распознавание речи - это проблема распознавания образов, имеет смысл использовать модели глубоких нейронных сетей. Как мы обсуждали в предыдущем пункте, было обнаружено, что глубокие нейронные сети (Deep Neural Network, DNN), использующие для определенных кадров скрытую марковскую модель (Hidden Markov Model, HMM), определяющую неизвестные параметры на основе
6 Jaspreet. Machine Learning for Smart Home Security Systems
-( 7 }
наблюдаемых, для определенных кадров, имеют достаточно высокую производительность.
В зависимости от того, будем ли мы использовать систему, зависящую от говорящего, или систему, независимую от говорящего, обучение модели может быть выполнено либо с помощью больших репозиториев, либо с использованием открытых доступных предварительно обученных моделей.
Модели, зависящие от голоса и независимые от него Зависящая от говорящего система безопасности умного дома имеет преимущества перед системой без распознавания говорящего в обучении на основе контекста, где зависимая система будет точно определять речевые команды в большем словарном пространстве. Также было показано, что она обеспечивает превосходную точность в общих командах, улавливая нюансы голоса, тона и акцента говорящего (рисунок 2).
Рисунок 2 - Анализ речи нейросетью7
Для целей домашней системы безопасности, которая будет использоваться 1-3 людьми, система, зависящая от говорящего, была бы гораздо более полезной с точки зрения точности, даже когда команды изменены или искажены, а также гибкости команд, которые могут использоваться. Эта система также будет работать лучше при воздействии фоновых помех на выделение отличительных характеристик голоса говорящего.
Обнаружение дыма
Видеодатчики дыма значительно улучшают недостатки датчиков дыма на основе датчиков тока, которые основаны на попадании дыма внутрь датчика. Видеообнаружение - многообещающий метод обнаружения пожара, особенно на больших площадях и вне помещений который устраняет необходимость близости к источнику пожара, предоставляя дополнительную информацию о местоположении, размере и характере рассматриваемого пожара.
Однако, аналитические методы идентификации задымления: определение характеристик дыма на основе обнаружения краев, интенсивности света и затемнения не позволяют получить надежные признаки для идентификации и по-прежнему имеют более высокую вероятность ложных срабатываний, чем классические детекторы дыма. Это связано с изменчивостью визуальных образов дыма и изменчивыми условиями освещения. Традиционные методы видеодетектирования дыма обычно состоят из выделения и классификации областей-кандидатов, но не имеют хорошей характеристики дыма.
Использование нейронных сетей вместо аналитических методов позволит кардинально повысить качество детектирования задымления. Перспективным методом обнаружения задымления в видеопотоке является использование нейронных сетей глубокого обучения для детектирования областей с высокой
7 Артемова Е. Распознавание речи.
-( 28 }
визуальной важностью (Deep Saliency Network). Сверточные нейронные сети на уровне пикселей и на уровне объектов объединяются для извлечения информативной карты яркости дыма. Комплексная структура для обнаружения заметного дыма и прогнозирования наличия дыма имеет гораздо меньше ложных срабатываний. Карта глубоких особенностей сочетается с картойющий метод обнаружения пожара, особенно на больших площадях и вне помещений который устраняет необходимость близости к источнику пожара, предоставляя дополнительную информацию о местоположении, размере и характере рассматриваемого пожара.8
FireNet - специализированная облегченная модель обнаружения огня и дыма в реальном времени, базирующаяся на глубинном обучении, имеет хорошую производительность и одновременно достаточно легка для развертывания, что открывает возможность ее использования на таких платформах, как Raspberry Pi9.
Вывод
Нейронные сети активно применятся для решения различных задач, требующих сложный анализ данных, и уже сегодня показывают свое преимущество перед аналитическими методами. Но их эффективность в некоторых сферах оставляет желать лучшего, это связано с нехваткой материалов для обучения. Большинство из них - это компромисс между производительностью и размером модели, который определяет возможность установки модели на портативные устройства. Со временем эта проблема будет исправлена путем создания большего числа шаблонов, баз данных с различными материалами, а также путем упрощения и облегчения самих моделей. Список использованной литературы:
1. Jadon A. FireNet: A Specialized Lightweight Fire & Smoke Detection Model for Real-Time IoT Applications // сайт Cornell University - [Электронный ресурс]. - Режим доступа: https://arxiv.org/abs/1905.11922 (дата обращения 22.12.2020)
2. Jaspreet. Machine Learning for Smart Home Security Systems // medium.com Информационный интернет-портал. - 2019. - [Электронный ресурс]. - Режим доступа: https://medium.com/@Jaconda/machine-learning-for-smart-home-security-systems-54aa45b1c9f0 (дата обращения 28.12.2020)
3. Weidman S. The 3 Tricks That Made AlphaGo Zero. // hackernoon.com: Информационный интернет-портал: 2018. [Электроный ресурс]. - https://hackernoon.com/the-3-tricks-that-made-alphago-zero-work-f3d47b6686ef (дата обращения 28.12.2020)
4. Xu G. Video Smoke Detection Based on Deep Saliency Network // сайт Cornell University - [Электронный ресурс]. - Режим доступа: https://arxiv.org/search/cs?searchtype=author&query=Xu%2C+G (дата обращения 22.12.2020)
5. Артемова Е. Распознавание речи. // Сайт Digital Decisions [Электронный ресурс]. - Режим доступа: https://ddecisions.ai/speechrec (дата обращения 26.12.2020)
6. Литвинов С. FaceNet - пример простой системы распознавания лиц с открытым кодом Github // Сайт Neurohive [Электронный ресурс]. - Режим доступа: https://neurohive.io/ru/tutorial/raspoznavanie-lica-facenet/
7. Николенко С.И. Нейронные сети. Лекция // сайт Laboratory of Mathematical Logic at PDMI: - 2020. -[Электронный ресурс]. - Режим доступа: https://logic.pdmi.ras.ru/~sergey/oldsite/teaching/asr/notes-11-neural.pdf / (дата обращения 28.12.2020)
8. Хохлова Д. Бум нейросетей: Кто делает нейронные сети, зачем они нужны и сколько денег могут приносить // vc.ru: Медиаплатформа. - 2016 - [Электронный ресурс]. - Режим доступа: https://vc.ru/future/16843-neural-networks# (дата обращения 28.12.2020)
© Прохоров А.С., 2021
8 Xu G. Video Smoke Detection Based on Deep Saliency Network
9 Jadon A. FireNet: A Specialized Lightweight Fire & Smoke Detection Model for Real-Time IoT Applications
