CC BY
69
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.
Для осуществления данного замысла предлагается следующая архитектура видеоаналитической системы (рис.).
Рис. Архитектура видео аналитической системы ЦБД - центральная БД, ЛБД - локальная БД
Для хранения данных в такой видеоаналитической системе необходимо использовать новый принцип хранения и обработки данных. Рассмотрим контролируемый объект, например, аэропорт. С модулей детектирования поступает поток видеоданных, который обрабатывается локальным сервером идентификации, по следующему новому алгоритму для хранения:
Пусть п - номер изображения с лицом
1. (п = 1). На вход ядру идентификации подается первое изображение. Для изображения вычисляются ключевые признаки (например, методом на основе эластичного графа). Информация сохраняется в локальной базе данных (ЛБД). Таким образом, в ЛБД содержится один кластер с центром в единственном изображении лица.
2. (п = 2). На вход ядру идентификации подается второе изображение. Для изображения вычисляются ключевые признаки. Ключевые признаки сравниваться с центром единственного кластера.
a. если изображения достаточно похожи, то есть проверяется, соответствуют ли они одной личности, то кластер расширяется полученным изображением;
b. Если изображения различаются (уровень доверия ниже заданного порога), то есть изображения соответствуют разным личностям, то образуется новый кластер с центром в новом изображении.
3. (п=т) Пусть уже есть к кластеров. На вход ядру идентификации подается т-тое изображение. Оно проверяется на схожесть с к центрами кластеров. В результате:
а. если оно относится к какому-то кластеру, то оно расширяет данный
кластер. В кластере выбирается новый центр, т.е. изображение лица, наиболее точно представляющее личность, которое соответствует данному кластеру;
Ь. если уровень доверия с каждым из k центров кластеров ниже заданного порога, то считается, что изображение лица соответствует личности, которой нет в ЛБД. Данное изображение образует новый кластер.
В ЦБД хранится информация о центрах кластеров из всех ЛБД.
При этом если личность попала в поле видимости камер нескольких контролируемых объектов, например с аэропорта, вокзала, станции метро, и образовала кластеры в разных ЛБД, то в ЦБД должен быть образован кластер, состоящий из центров этих кластеров ЛБД.
Для принятия решения о том, какому кластеру принадлежит изображение можно воспользоваться байесовским классификатором [1]. Представим изображения лиц в качестве многомерных случайных величин и х2 с нормальным распределением. Рассмотрим две гипотезы:
Н1 = {центр кластера (х;) и входное изображение (х2) соответствуют одному человеку};
Н2 = {центр кластера (х;) и входное изображение (х2) соответствуют разным людям}.
Тогда воспользовавшись оценкой апостериорного максимума, можно рассматривать логарифм отношения функций правдоподобия как меру сходства двух изображений:
Г(хьх2) = ^^(х; - х/ Н1)/ Р(х; - х/ Н2))
Кроме того, для улучшения характеристик системы можно использовать алгоритм поиска изображений лиц в БД, так как при необходимости осуществить поиск лица по входной фотографии, достаточно сравнить фотографию только с достаточно небольшим набором изображений (центрами) каждого кластера.
Алгоритм поиска изображений лиц в БД:
1. Вычислить ключевые признаки для фотографии с лицом.
2. Произвести сравнение ключевых признаков в фотографии с ключевыми признаками центров кластеров в ЦБД.
3. Если уровень доверия выше заданного порога, предоставить оператору комплекса список местоположений искомой личности с указанием времени и его изображений с видеокамер. Данная информация будет получена как из ЦБД, так и из ЛБД.
Замечу, что кластер в БД соответствует одной человеческой личности, а элементы кластера соответствуют фотографиям этой личности. И что для центра кластера уже вычислены ключевые признаки.
В рамках предлагаемой архитектуры поиск изображений лиц по фотографии будет обладать низкой вычислительной сложностью, а именно О(п), где п - это количество кластеров в ЦБД, то есть количество физических лиц попавших в поле видимости видеокамер. При этом О(1) - потребность в вычислительных ресурсах, определяемая для расчёта функции подобия для одного кластера. Соответственно, О(п) - та же потребность для п кластеров.
Список использованной литературы
1. Dong Chen, Xudong Cao, Liwei Wang, Fang Wen, and Jian Sun. 2012.Bayesian face revisited: A joint formulation. In Proceedings of the 12th European Conference on Computer Vision.
ИЗМЕНЕНИЕ ПАРАМЕТРА ПОТОКА ОТКАЗОВ В ЗАВИСИМОСТИ ОТ ПРОБЕГА ПОЖАРНЫХ АВТОМОБИЛЕЙ
В.П. Сорокоумов, доцент, к.т.н., доцент, А.Г. Саламатов, адъюнкт, Академия ГПС МЧС России, г. Москва
Одним из основных задач материально-технического обеспечения системы МЧС России являются поддержание мобильных средств пожаротушения в постоянной технической готовности, куда входят ремонт и техническое обеспечение.
Ремонт представляет собой комплекс операций по восстановлению работоспособного состояния пожарных автомобилей и обеспечению их безотказной работы.
Он может выполняться по потребности или после определенного пробега. Ремонт, связанный с разборкой или заменой агрегатов и узлов, должен выполняться, как правило, по результатам предварительного диагностирования [1, 2].
При эксплуатации в мобильных средствах пожаротушения непрерывно протекают процессы, предопределяющие снижение, а в некоторых случаях потерю их работоспособности, причем для пожарных автомобилей эти процессы могут протекать более интенсивно по сравнению с транспортными автомобилями. Проанализировав данные эксплуатационных наблюдений ВНИИПО МЧС России при эксплуатации пожарных автомобилей выпущенных на шасси ЗИЛ в пожарных гарнизонах, можно прийти к выводу, что техническое состояние пожарного автомобиля неизбежно ухудшается, снижается его надежность, то есть машина стареет, и количество отказов повышается [3].
На рисунке представлен график изменения параметра потока отказов пожарного автомобиля на шасси ЗИЛ в целом по автомобилю (1), а также по спецагрегатам (2) и базовому шасси (3).
Из графика видно, что в интервале наработки 0-25 тыс. км общего пробега наблюдается значительный всплеск параметра потока отказов. Это так называемый период «приработки», когда происходит «выжигание» дефектов, в основном технологических. Далее параметр потока отказов имеет примерно постоянное значение. Затем при наработке 115-120 тыс. км общего пробега вновь наблюдается значительное его возрастание, что свидетельствует о
