CC BY
73
• Постановление правительства РФ № 1119 «Об утверждении требований к защите персональных данных при их обработке в информационных системах персональных данных».
• Приказ ФСТЭК России № 21 «Об утверждении состава и содержания организационных и технических мер по обеспечению безопасности персональных данных при их обработке в информационных системах персональных данных».
• Information Technology Assurance Framework (ITAF). Тестирование ваших процессов
Сравнительный анализ начинается с необработанных цифр, например, сколько у вас уязвимостей в этом году по сравнению с прошлым годом, или насколько эти уязвимости значимы для вашей организации. Кроме того, речь идет о готовности системы, например, о том, сколько времени понадобится вашей организации для устранения критических уязвимостей в этом году по сравнению с прошлым годом, и о том, насколько эффективно вы реагируете на новые уязвимости из года в год.
В заключение статьи хотелось бы сказать, что главными параметрами оценки эффективности информационной безопасности в компании является грамотная методика оценки активов и процессов компании. Используя вышеуказанные методы оценки, можно с легкостью проверить эффективность системы информационной безопасности в компании.
Список литературы /References
1. Metrics and Maturity: Benchmarking Your Cyber Exposure over time // Оценка рисков компании [Электронный ресурс]. 2019. URL: https://www.tenable.com/blog/metrics-and-maturity-benchmarking-your-cyber-exposure-over-time (дата обращения: 25.05.2014).
2. Make Security Benchmarking a Reality // Оценка безопасности компании на основе рейтингов [Электронный ресурс]. 2019. URL:https://www.bitsight.com/blog/make-security-benchmarking-a-reality (дата обращения: 24.05.2014).
ПРОБЛЕМЫ ИНТЕГРАЦИИ АЛГОРИТМОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ В СИСТЕМЫ ВИДЕОНАБЛЮЕНИЯ Чумаченко К.К. Email: Chumachenko663@scientifictext.ru
Чумаченко Кирилл Константинович - магистрант, кафедра информационных систем, Севастопольский государственный университет, г. Севастополь
Аннотация: в данной статье описаны преимущества применения систем интеллектуального видеонаблюдения, рассмотрены основные проблемы, возникающие при интеграции алгоритмов компьютерного зрения в программное обеспечение, используемое в системах видеомониторинга и приведены примеры их решения. Было разработано приложение на языке C++, с применением библиотеки компьютерного зрения OpenCV, и реализованы примеры трех алгоритмов сегментации: WaterShed, FloodFill и GrabCut. Проведено сравнение работы данных алгоритмов на исходном изображении и сделаны выводы по результатам их работы. Ключевые слова: компьютерное зрение, openCV, системы видеонаблюдения, сегментация, распознавание объектов.
PROBLEMS OF INTEGRATING ALGORITHMS OF COMPUTER VISION IN THE VIDEO SURVEILLANCE SYSTEM Chumachenko K.K.
Chumachenko Kirill Konstantinovich - undergraduate, ACADEMIC DEPARTMENT OF INFORMATION SYSTEMS, SEVASTOPOL STATE UNIVERSITY, SEVASTOPOL
Abstract: this article describes the advantages of using intelligent video surveillance systems, discusses the main problems encountered when integrating computer vision algorithms into the software used in video surveillance systems and gives examples of their solutions. An application was developed in C ++ using the OpenCV computer vision library and implemented examples of three segmentation algorithms: WaterShed, FloodFill, and GrabCut. A comparison of the work of these algorithms on the original image is made and conclusions are drawn from the results of their work.
Keywords: computer vision, openCV, video surveillance systems, segmentation, object recognition.
УДК 004.93.14
Одна из основных тенденций рынка видеонаблюдения - снижение стоимости камер при одновременном улучшении качества изображения. Эти факторы приводят к распространению систем видеонаблюдения. Операторы видеокамер, занимающиеся наблюдением, выполняют монотонную работу в течение длительного времени, откуда возникает проблема утомляемости и снижения концентрации внимания. Например, при непрерывном наблюдении в течение 12 минут оператор начинает пропускать 45 % потенциально тревожных событий, а если время наблюдения увеличить до 22 минут, то процент пропуска возрастает до 95 [1]. Поэтому возникает потребность в анализе видео без прямого участия человека.
Видеоаналитика - технология, основанная на методах цифровой обработки изображений и машинного зрения, для автоматизированного извлечения информации из видеоматериалов. Область применения систем автоматизированного видеонаблюдения весьма обширна. Они используются для наблюдения, охраны и обеспечения безопасности критически важных объектов, к которым относятся объекты транспортной инфраструктуры, объекты инженерной инфраструктуры и др. Помимо этого, системы видеоаналитики применяются на коммерческих и частных объектах.
Автоматизированное видеонаблюдение применяют для решения широкого круга задач, например: обнаружение пересечения заданной линии, обнаружение пожара, распознавание номеров вагонов, подсчет количества посетителей магазина. Для решения поставленных задач необходимо разработать программное обеспечение, реализующее работу алгоритмов компьютерного зрения в соответствии с требованиями к системе видеонаблюдения. Во время интеграции алгоритмов в программное обеспечение может возникнуть ряд проблем, основными сложностями являются:
- проблема границ;
- проблема текстур;
- проблема оптического потока.
Проблема границ заключается в том, что близость цветов пикселей не значит, что они принадлежат одному объекту. Аналогично, сильное различие цветов соседних пикселов не значит, что пикселы принадлежат разным объектам.
Для более простого понимание проблемы рассмотрим рисунок 1.а) и 1.б).
■■■■■■■
6)
Рисунок 1 - а) четкая граница яркости пикселей: б) размытая граница яркости
пикселей
На рисунке 1.а) видно четкую границу между пикселями, однако при увеличении градиенты яркости между пикселями, уже не так просто сказать, где должна пройти граница.
Так же эта проблема проявляется в сложности отличить объекты от окружения, например, как отделить человека от тени на рисунке 2?
Рис. 2. Тени людей на изображении Для преодоления этой проблемы требуется строить алгоритмы, которые получают и используют контекстную информацию о расположении объектов в сцене.
Проблема текстур - на объектах бывают такие текстуры, которые не позволяют считать объекты одноцветными, но которые сложно смоделировать и описать. Как детектировать сову на рисунке 3?
Рис. 3. Сова
Проблема границ и проблема текстур наиболее ярко проявляются при решении задачи сегментации. Сегментация - разбиение изображения на "однородные" в некотором смысле области. Цель сегментации - построить "простое" описание исходного изображения, которое можно было бы применить для последующего анализа объектов на изображении.
Существует множество методов сегментации, которые используют самые различные идеи:
- "выращивание областей" по яркостному признаку;
- "метод змейки" - итерационное движение кривых;
- построение границ (например, методом "водораздела");
- поиск разбиения на области, минимизирующий "энтропию";
- использование априорной информации о форме области;
- использование нескольких масштабов для уточнения границ.
В рамках данного исследования сравним работу следующих алгоритмов:
- WaterShed;
- FloodFill;
- GrabCut.
Была разработана программа на языке C++ в среде Qt Creator с использованием библиотеки OpenCV, для реализации данных алгоритмов. Данное приложение принимает исходно изображение на вход и в результате его работы выводит три, обработанных данными алгоритмами, изображения.
Исходное изображение представлено на рисунке 4.
Рис. 4. Исходное изображение
Изображение после применения алгоритма водоразделов представлено на рисунке 5.
Рис. 5. Маркеры алгоритма WaterShed
Изображение после применения алгоритма floodfill представлено на рисунке 6.
Рис. 6. Результат работы алгоритма FloodFill
Изображение после применения алгоритма GrabCut представлено на рисунке 7.
Рис. 7. Результат работы алгоритма GrabCut
Как видно из результатов тестирования алгоритмов, все алгоритмы имеют недостатки в выделение нужного сегмента, но лучше всего с задачей справился GrabCut. Алгоритм Watershed разбивает все изображение на сегменты, что вынуждает искать нужный вручную или при помощи другого алгоритма, FloodFill требует указания точки, от которой он «заполняет» сегмент, что в свою очередь влечет за собой проблему текстур. GrabCut удаляет задний фон изображения, но для этого он требует указания области, которая не является «передним» фоном, но при этом он справляется достаточно хорошо.
Оптический поток (optical flow)[2] - это векторное поле видимого движения объектов, поверхностей и ребер в визуальной сцене, вызванное относительным движением между наблюдателем и сценой.
Обычно рассматривается оптический поток, возникающий при рассмотрении двух кадров видео. Для каждого пиксела ( x, y ) оптический поток представляет собой вектор ( f(x, y), g(x, y) ), характеризующий сдвиг. Проблема оптического потока заключается в том, что Оптический поток и фактическое поле движения могут не совпадать, и даже быть перпендикулярными. Так же проблема оптического потока проявляется в неоднозначности определении движения, вызванном рассмотрением движения лишь локально (не анализируя края объекта) - проблема апертуры. Проявляется особенно сильно в малотекстурированных сценах и в комбинаторных сценах типа полосок и шахматных досок.
Отслеживать объект можно при помощи его местоположения и скорости движения, для чего применяют фильтр Калмана [3]. Алгоритм состоит из двух этапов: предсказание состояния и корректировки предсказанного значения. Преимуществом метода является способность предсказывать траекторию объекта, если он на короткое время был перекрыт, например, другим объектом; недостатком - способность отслеживать только траектории без резкой смены направления движения.
В заключение можно сказать, что основная сложность интеграции алгоритмов заключается в отсутствии высокоуровневых универсальных решений, для каждой системы необходимо подбирать свои алгоритмы и разрабатывать алгоритмы, которые получают метаинформацию об объектах мониторинга.
Список литературы /References
1. Ainsworth T. Buyer Beware // Security Oz, 2002. Vol. 19. P. 18-26.
2. Aslani S., Mahdavi-Nasab H. Optical Flow Based Moving Object Detection and Tracking for Traffic Surveillance // International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering. 2013, Vol. 7. No. 9. P. 12521256.
3. Comaniciu D, Ramesh V., Meer P. Kernel-based object tracking // IEEE Transactions on pattern analysis and machine intelligence. 2003, Vol. 25. No. 5. P. 564-577.
