CC BY
69
УДК 004.5
СИСТЕМА КОНТРОЛЯ УПРАВЛЕНИЯ ДОСТУПОМ НА ТЕРРИТОРИЮ
ДЛЯ АВТОМОБИЛЕЙ
Н.В. Куликов1
ООО «Спецвидеоаналитика», 197101, г. Санкт-Петербург, Кронверкский пр., д. 49, Лит А
Разработана система авторизованного пропуска транспортного средства для совершения проезда при неполном распознавании номерного знака с помощью алгоритмов обработки видео. Система включает программно-аппаратный комплекс с широкой линейкой поддерживаемого оборудования, что позволяет выполнять модернизацию существующих систем ограничения доступа транспортных средств без замены аппаратной базы. Использование в алгоритме сверточ-ных генеративных противоборствующих моделей нейронных сетей позволяет проводить распознавание с различных ракурсов камер.
Ключевые слова: автоматизированный пропуск, ограничение въезда, распознавание изображений, машинное обучение, нейронные сети, транспортные средства
CONTROL SYSTEM OF MANAGEMENT OF ACCESS TO THE TERRITORY FOR CARS
N.V. Kulikov
LLC «special video Analytics», 197101, St. Petersburg, Kronverksky Ave., 49, Let. A The system of the authorized admission of the vehicle is developed for commission of journey at incomplete recognition of the registration plate by means of algorithms of processing of video. The system includes a hardware and software system with a wide line of the supported equipment that allows to carry out modernization of the existing systems of restriction of access of vehicles without replacement of hardware base. Use in an algorithm of svertochny generative contradictory models of neural networks allows to carry out recognition from various fore-shortenings of cameras.
Keywords: the automated admission, entrance restriction, recognition of images, machine learning, neural networks, vehicles.
Введение
В современном мире активно развиваются направления машинного обучения и компьютерного зрения [1 - 7]. Появляется множество автоматизированных систем, основанных на интеллектуальной обработке видео. Одним из актуальных направлений являются информационные транспортные системы, которые требуют решения задач, связанных с определением параметров проезжающих транспортных средств. Существующие автоматизированные системы пропуска рассчитаны на точное определение номерного знака транспортного средства, либо использование бортового устройства или электронного ключа. При этом большой проблемой является невозможность автоматического (авторизованного) пропуска транспортного средства при неполном распознавании номерного знака.
Следующая проблема - отсутствие технической возможности организовать автоматический пропуск транспортных средств, имею-
щих право льготного проезда (спецтранспорт), например, в системах ограничения въезда на придомовую территорию или на платных дорогах. Целью настоящего исследования является решение задачи авторизованного пропуска транспортного средства для совершения проезда при неполном распознавании номерного знака (с помощью определения дополнительных атрибутов), а также решение задачи автоматического распознавания специального транспортного средства с помощью алгоритмов обработки видео.
Конечный продукт будет представлять собой программно-аппаратный комплекс с широкой линейкой поддерживаемого оборудования, что позволит выполнять модернизацию существующих систем ограничения доступа транспортных средств без замены аппаратной базы. Использование в алгоритме сверточных генеративных противоборствующих моделей нейронных сетей позволит проводить распознавание с различных ракурсов камер.
1Куликов Николай Владимирович - Генеральный директор ООО «Спецвидеоаналитика», тел.:+7 (812) 457-15-41;+7 (964) 387-27-71, e-mail: [email protected]
Для решения задачи планируется применять методы глубокого обучения, противоборствующего обучения и трансфер знаний. Глубокое обучение активно применяется для распознава-
ння изображений и демонстрирует на этой задаче передовые результаты (Razzak, 2017). Фактически, все современные исследования в области обработки изображений ведутся в парадигме глубокого обучения.
Объяснением такой результативности и, как следствие, популярности, является заложенная в архитектуру сверточных нейронных сетей способность обучаться распознаванию высокоуровневых признаков изображения, а также наличие больших баз размеченных изображений.
Противоборствующие сети (Goodfellow et al., 2015) получили широкое распространение в первую очередь в задачах генерации мультимедиа (изображений, видео, музыки). В основе работы генеративных противоборствующих сетей лежит синхронное обучение двух моделей: генератора, который по спецификации объекта (параметрам распределения) воспроизводит признаковое описание объекта, а также дискриминатора, который по объекту (и, возможно, спецификации), восстанавливает источник объекта (генеративная сеть или реальность), а также, возможно, спецификацию. Генеративные противоборствующие сети отлично зарекомендовали себя в генерации проекций 3d объектов (Zhao et al., 2017).
Многие методы машинного обучения хорошо работают только в предположении о том, что данные для обучения и тестирования используют одно и то же пространство признаков и подчиняются одному распределению. Когда изменяется распределение, большинство статистических моделей необходимо строить с нуля, используя недавно собранные данные обучения. Сбор размеченных изображений для различных классов автомобилей и положений камер является крайне трудоемким и, фактически, невозможным.
В таких случаях используется обучение переносом знаний или трансфер знаний (Vinyals et al., 2016). Суть подхода состоит в оптимизации мер согласованности распределений классов для объектов целевой области модели, обученной на вспомогательных данных других областей (характеризуемых иными распределениями). Языком реализации ПО проекта является Python, библиотеки sklearn, tensorflow/keras.
Цель исследования - разработка системы пропуска авторизованных транспортных средств с помощью анализа видеоизображения,
включающая возможность распознавания специальных транспортных средств (скорых по-мощей). Схема работы системы приведена на рис.1.
□
Сксгемэ контроля
И HQMHTOJiihra
Система концроля И riUHHiOpwra
Рисунок 1 - Схема работы системы
1. Определение характеристик системы
Существующие на рынке системы позволяют решать следующий набор задач:
1) определение номерного знака транспортного средства, поиск распознанного номера в списке авторизованных для проезда;
2) управление шлагбаумом;
3) визуализация изображений с камер;
4) запись видеоархива;
5) поиск проездов по номерному знаку ли по времени;
6) голосовая связь с диспетчером;
7) возможность удаленного открытия шлагбаума диспетчером.
Разрабатываемый программно-
аппаратный комплекс будет позволять дополнительно решать следующие задачи:
1) автоматическое распознавание дополнительных параметров транспортного средства (марка, цвет и т. п.), которые позволят принимать решение о возможности проезда даже в случае частично распознанного номера, а также информирование водителей о загрязненном номере;
2) автоматическое распознавание специальных транспортных средств, включая скорые помощи;
3) в зависимости от набора задач, которые стоят перед конечным пользователем, могут быть установлены различные уровни эскалации: уведомление диспетчера об обнаружении авторизованного для проезда транспортного средства; регистрация факта распознавания авторизованного для проезда транспортного
средства для контроля действий диспетчера; полностью автоматический пропуск авторизованного для проезда транспортного средства;
4) использование в алгоритме сверточных генеративных противоборствующих нейросете-вых моделей позволит проводить распознавание с различных ракурсов камер;
5) архитектура системы позволяет работать с широкой линейкой периферийного оборудования (включая различные типы камер, шлагбаумов, систем голосовой связи, систем электронных ключей), вследствие этого возможно привлечение в качестве партнеров широкого круга существующих на рынке компаний по поставке оборудования и проведению строительно-монтажных работ;
6) при модернизации существующих систем замене подлежит лишь программная часть, аппаратная часть остается неизменной.
Модернизация системы будет востребована конечными пользователями по ряду причин:
- низкие технические показатели по точности распознавания у части существующих систем;
- желание снизить необходимость человеческого вмешательства в работу системы, как
следствие снизится стоимость эксплуатации системы. Возможен частичный или полный отказ от услуг собственных диспетчеров с использованием вместо них специализированных диспетчерских центров;
- не обеспечивается беспрепятственный проезд специальных транспортных средств;
- в осенне-зимний период увеличивается количество случаев неверно распознанных номерных знаков, что создает неудобство при проезде для конечных пользователей;
- встроенная аналитическая система позволит получать подробную статистику по проездам транспортных средств.
Несмотря на то, что задача обработки и распознавания изображений и видео всегда была одной из наиболее популярных прикладных задач машинного обучения, а в последнее время за счет успешного применения методов глубокого обучения она только укрепилась в этом статусе, частная задача распознавания классов автомобилей, а именно выделения спецтранспорта, не получила достаточного освещения в научной литературе.
Что же касается разработки и внедрения систем распознавания спецтранспорта, то они по меньшей мере не получили широкого распространения: коллективу не удалось найти следы их использования. Впрочем, мы не рискнем утверждать их отсутствия, поскольку,
например, организация вполне может разработать собственную систему для распознавания транспорта с фирменным окрасом и внедрить ее на своих базах, не афишируя это.
Вместе с тем, грамотное решение другой задачи проекта - авторизованного пропуска личного автотранспорта - помимо стандартного распознавания номерного знака требует определения дополнительных характеристик автомобиля, например, таких, как цвет и марка, что представляет новизну. Автоматическое распознавание этих атрибутов, а также определение типа спецтранспорта в режиме реального времени без жестких требований к положению и ротации камеры не позволяет применить существующие готовые архитектуры, поскольку система предполагается к использованию в различных условиях, в том числе без ограничений относительно камеры. Это создает необходимость в разработке архитектур, устойчивых к изменению позиции и угла поворота.
Научная новизна данного исследования заключается:
1) в разработке методов для дообучения существующей сети с помощью применения трансфера знаний;
2) в применении сверточных генеративных противоборствующих моделей (GAN) для повышения точности распознавания 3d-объектов с различных углов обзора.
Разработка методов для дообучения существующей сети с помощью применения трансфера знаний и обучения на небольшой выборке для каждой новой видеокамеры позволит малыми усилиями учитывать изменения положения и ротации камеры без необходимости сбора новой обучающей выборки для каждой камеры и сделает систему помехоустойчивой.
One-shot learning - задача обучения по небольшому количеству данных. Ее идея в реализации процесса обучения подобно человеку, которому достаточно один раз увидеть изображение одного класса, чтобы обобщить это знание на последующие тысячу изображений, тогда как глубоким нейросетям для обучения требуются тысячи примеров класса. One-shot learning использует перенос знаний, являясь примером трансдуктивного обучения, так как разделение данных на тестовую и обучающую выборку дает одинаковые задачи в терминах обучения переносом, используя единое признаковое пространство.
Для решения проблемы будет реализована Matching Network (рис.2) Данная нейросеть использует для обучения опорное
множество, сравнивания с ним сэмплы на основе косинусного расстояния их векторов в латентном признаковом пространстве. В качестве латентного представления используется выходной вектор последнего субдикретизирующего слоя сверточной нейросети. При этом на каждой эпохе обучение ведется не на полноклассовом наборе данных, а выбирается набор подзадач основной задачи, в данном случае набор задач бинарной классификации, для которых одновременно оптимизируется совместная функция потерь.
Рисунок 2 - Архитектура Matching Network
Таким образом реализуется концепция переноса знания, при которой модель показывает хорошие результаты в различении классов, на которые ранее напрямую она не тренировалась. Для каждого класса каждой выбранной подзадачи формируется небольшой тренировочный набор данных из основного набора и опорный набор. Так реализуется концепция one-shot learning. Она позволяет обучаться на несбалансированных наборах данных, то есть таких, в которых некоторые классы слабо представлены. Такими данными в решаемой задачей будут обучающее множество цветов транспортных средств, типов кузова, марки. 2) применении сверточных генеративных противоборствующих моделей (GAN) для повышения точности распознавания Sd-объектов с различных углов обзора. То есть по снимку изображения планируется генерировать 3d объект с помощью GAN, затем извлекать из него 2.5d представление, которое затем подается дискриминатору модели нейросети.
Генеративные противоборствующие сети (GAN) (Goodfellow and others 2014), являются многообещающей основой для решения вышеуказанной проблемы. В частности, в данной архитектуре есть дискриминационная сеть D,
обучающаяся различать, является ли экземпляр данных реальным или нет, а генерирующая сеть G учится путать дискриминационную сеть D, создавая высококачественные данные. Данный подход является успешным и в основном применяется в задачах компьютерного зрения, для генерации образцов естественных изображений.
В данной архитектуре целью дискрими-нативной (классифицирующей, различающей сети) является предсказать вероятность того что поданный на вход экземпляр относится к объектам из выборки реальных данных Xn либо к созданным генератором Xg. Обучение происходит благодаря минимизации функции кросс энтропии:
ed = ed- Vod (log(D(Xs)) + log(l - D{G{Z))
Во время обучения на вход генератора подается значение просемплированные из определенного заданного распределения P(Z), целью генератора является для любого поданного на вход значения, выдать на выходе такой экземпляр, который подав на вход дискримина-тивной сети выдаст максимальное значение. Иначе говоря, обучение генератора заключается в максимизации выхода дискриминативной сети D(G(Z)). При использовании сигмоиды в качестве функции активации на последнем слое дискриминативной сети можно утверждать, что она возвращает вероятность того, что на вход поступил экземпляр из реальных данных.
Обучение генеративной сети будет происходить по градиенту результата работы дис-криминативной сети:
Общий принцип обучения модели можно описать сформулировать как:
min max Е х~р [\og{D{X) ] + G D
+ E^PJog(l -D{G{Z))\
Шум
генерация
Рисунок 3 - Схема работы генеративных состязательных нейронных сетей
Генератор
Важной частью работы является сегментация транспортных средств. Одним из возможных вариантов является Segnet - архитектура глубокой нейросети, представленная сверточным автоэнкодером.
Автоэнкодеры - это нейронные сети прямого распространения, которые восстанавливают входной сигнал на выходе [8 - 10]. Внутри у них имеется скрытый слой, который представляет собой код, описывающий модель. Автоэнкодеры конструируются таким образом,
чтобы не иметь возможность точно скопировать вход на выходе. Обычно их ограничивают в размерности кода (он меньше, чем размерность сигнала) или штрафуют за активации в коде. Входной сигнал восстанавливается с ошибками из-за потерь при кодировании, но, чтобы их минимизировать, сеть вынуждена учиться отбирать наиболее важные признаки.
Планируемые показатели и этапы их достижения приведены в таблице 1.
Рисунок 4 - Архитектура для сегментации Таблица 1 - Планируемые показатели и этапы их достижения
Количество сегментов рынка 1 этап (01.01.2018 -30.06.2018) 2 этап (01.07.2018 -30.09.2018) 3 этап (01.10.2018 -31.12.2018)
2 3 5
Количество продаж 72 144 243
Выручка 406 620 635 130 882 540
Процент точности распознавания номерных знаков 92% 96% 98%
Процент точности распознавания спецсредств 97% 98% 99%
Процент точности распознаваия прочих параметров ТС — --- 95%
2. Определение целевой аудитории потребителей продукта
Разрабатываемый продукт может применяться для систем ограничения проезда транспортных средств. Можно выделить несколько целевых сегментов (приведенная стоимость распространяется только на программное обеспечение, стоимость оборудования определяется компанией интегратором):
1) ТСЖ и управляющие компании
Решение будет интересно для ТСЖ и управляющих компаний, имеющих придомовую территорию в долевой собственности и расположение территории, позволяющее уста-
новить ограничение для проезда. На сегодняшний день в России зарегистрировано около 13 000 ТСЖ и УК. Не менее 20% ТСЖ и УК имеют придомовую территорию в собственности. Лицензирование программного обеспечения будет осуществляться по одному из нескольких вариантов:
- количество используемых камер. Стоимость лицензии будет составлять 20 000 рублей для одной камеры
- площадь придомовой территории. Стоимость лицензии будет составлять 4 рубля за квадратный метр территории
- жилая площадь дома. Стоимость лицензии будет составлять 5 рублей за квадратный метр жилой площади
Стоимость годового обслуживания системы будет составлять 3 000 * X рублей, где X - количество камер.
Средняя стоимость лицензий для объекта составит 40 000 рублей, средняя стоимость годового обслуживания - 12 000 рублей.
Верхняя оценка прибыли с продажи лицензий для рынка ТСЖ и УК составляет 738 400 000 рублей.
Верхняя оценка годового дохода с обслуживания для ТСЖ и УК составляет 236 400 000 рублей.
Спрос подтвержден рыночным исследованием: были опрошены председатели ТСЖ и УК (25), а также директора компаний, занимающихся установкой шлагбаумов (6), из которых 23% проявили заинтересованность в системе.
2) Операторы пунктов взимания платы автомобильных дорог
Компании-операторы систем взимания платы обязаны пропускать специальные транспортные средства в соответствии с федеральным законом, причем на скорые помощи приходится более 60% всех таких проездов. Установка автоматической системы пропуска позволит повысить пропускную способность дороги, а также снизить затраты финансового контроля для проверки проездов специальных транспортных средств. На текущий момент в России установлено более 450 полос.
Лицензирование будет производиться по количеству полос, стоимость лицензии на одну полосу составит 15 000 рублей.
Стоимость годового обслуживания системы будет составлять 3 000 * X рублей, где X - количество камер.
Верхняя оценка прибыли с продажи лицензий для рынка операторов платных дорог составляет 6 750 000 рублей в год.
Верхняя оценка годового дохода с обслуживания для рынка операторов платных дорог составляет 12 150 000 рублей.
Необходимо учитывать, что за 2016 год количество полос оплаты в России увеличилось более чем на 30% в связи с открытием новых платных участков на автомагистралях М11 и М4, а также открытием новой платной дороги М3.
3) Коттеджные поселки
Коттеджные поселки уже имеют строгую систему пропуска автотранспорта, так как доступ на их территорию ограничен не только для автотранспорта, но и для людей. Наша ав-
томатическая система пропуска может быть интересна прежде всего в плане удобства проезда для жильцов за счет возможности пропуска транспортного средства даже при частично распознанном номере, а также возможности самообучения системы (после нескольких проездов машины с помощью брелока система запоминает ее, и последующие проезды могут быть совершены без его использования, что избавит жильцов от необходимости обращаться к кому-либо в случае покупки или замены машины). Также представляет интерес возможность аналитики данных по проездам.
На сегодняшний день в Санкт-Петербурге и Ленинградской области более 1000 коттеджных поселков, в Москве - более 2000, в России - 10000.
Лицензирование будет проводиться по количеству КПП, стоимость лицензии будет составлять 20 000 для одного КПП.
Стоимость годового обслуживания системы будет составлять 5 000 * X рублей, где X - количество КПП.
Спрос подтвержден рыночным исследованием: были опрошены председатели ДНП (10), на 80% объектов установлена система пропуска на основе распознавания номерных знаков. Также 40% опрошенных проявили заинтересованность в системе и высказали готовность провести модернизацию при условии выполнения заявленных характеристик.
4) Платные парковки
Для платных парковок система пропуска будет представлять интерес как в качестве автоматической регистрации въезда и выезда, так и в качестве аналитической системы, позволяющей более эффективно управлять парко-вочными местами на основе информации, хранимой в системе: известно, когда конкретная машина въезжает и выезжает, и можно было бы сдавать ее парковочное место на время ее отсутствия.
Лицензирование будет проводиться несколькими вариантами. Стоимость лицензии будет составлять 10 000 рублей для одной камеры по максимальному количеству транспортных средств, зарегистрированных в системе. Стоимость лицензии будет составлять 5000 рублей для 100 транспортных средств.
5) Дачные кооперативы
Для дачных кооперативов система автоматического пропуска транспортных средств, включая спецсредства, была бы интересна с учетом специфики ограничения доступа проезда в дачный кооператив: диспетчер или охранник отсутствуют, особенно в зимнее время, при этом установка шлагбаума всегда требует со-
гласования с пожарной охраной. Система должна обладать высокими антивандальными характеристиками.
Спрос подтвержден рыночным исследованием: были опрошены председатели СНТ (16), система ограничения проезда установлена на всех объектах. При этом в 51% СНТ реализована система пропуска на основе ручного управления шлагбаумом, в 49% - система пропуска на основе БСК или GSM-модемов. Также в 51% СНТ установлена система обзорного видеонаблюдения.
6) Гаражно-строительные кооперативы
Для гаражно-строительных кооперативов система пропуска позволила бы автоматизировать учет транспортных средств и разработать гибкую систему тарификации в зависимости от времени нахождения транспортного средства в гараже.
7) Стройплощадки
Система автоматического пропуска грузовиков на стройплощадки позволила бы автоматизировать процедуру согласования пропуска грузовика на территорию и отказаться от написания служебных записок, формирования списка разрешенных номерных знаков в пользу автоматизированного пропуска.
Общий объем всех сегментов рынка приведен на рис. 5.
3. Определение возможности и условий производства продукта
Для производства программно-аппаратного комплекса планируется использовать готовые комплектующие, имеющиеся в продаже на свободном рынке:
- видеокамера;
- вычислитель (безвентиляторный промышленный компьютер);
- шлагбаум;
- твердотельное реле с USB-разъемом для управления периферией.
Архитектура системы и алгоритмы работы позволяют поддерживать широкую ли-
нейку видеокамер, а также любую модель шлагбаума. При инсталляции системы на объекте с двумя и более видеокамерами возможно серверное исполнение системы (один сервер для управления несколькими видеокамерами).
За счет использования сверточных генеративных противоборствующих моделей в алгоритме распознавания система не имеет жесткой привязки к положению и ракурсу камеры. Это существенно снижает требования как к самой камере, а также дает ряд дополнительных преимуществ:
- использование уже установленных на объекте обзорных камер;
- вандалозащищенность камеры (за счет установки на большой высоте);
- простота инсталляции.
В перспективе планируется поставлять все компоненты системы (за исключением шлагбаума) в едином корпусе.
В случае модернизации существующей системы пропуска аппаратная часть остается неизменной, меняется только программная часть.
Требования к установке камеры:
- горизонтальный угол - до 40°;
- вертикальный угол - до 45°;
- расстояние до номерного знака - до 20 метров (при хорошем освещении можно увеличить до 40 метров).
Требования к камере:
- разрешение - не менее 2 mpix;
- матрица: cmos, любой из размеров: 1/3", 1/2,8", 1/2,7";
- способы сжатия: любой из перечисленных: mjpg, mpeg-4, h.264;
- класс защиты ip66;
- рабочая температура -30°c ~ +55°c;
Требования к компьютеру:
- операционная система: *nix, Windows xp/2000/Me/7/8/10;
- оперативная память: 1 ГБ;
- процессор: 1 ГГц или вышею
4. Определение рисков, возможных при производстве и (или) реализации продукта
1) Непопулярность продукта (неправильно оцененный рынок). Нивелируется наличием альтернативных сегментов рынка, а также универсальностью технологии, лежащей в основе метода, которую можно использовать и в других задачах.
2) Новая прорывная технология. Нивелируется поддержкой ПО.
3) Производительность системы окажется низкой. Мера по уменьшению - использование глубоких нейросетей, демонстрирующих пере-
довые результаты в различных задачах машинного обучения, включая задачи по обработке видео.
4) Рынок выберет дешевые нетехнологичные аналоги. Нивелируется тщательно продуманным маркетингом.
5) Эксплуатационный риск, связанный с несоблюдением технических регламентов и условий эксплуатации. Для минимизации все эксплуатационные характеристики будут определены до начала продаж, при продаже в паспорте изделия будет указана ссылка на описание регламента обслуживания, также планируется организовывать обучение для компаний-партнеров, оказывающих услуги сервисного обслуживания.
6) Коммерческий риск. Для минимизации планируется привлечь средства PR, а также найти партнеров - системных интеграторов.
5. Определение системы дистрибьюции продукта
Дистрбьюцию продукта планируется проводить с помощью нескольких каналов:
1) Партнеры (системные интеграторы)
Стоимость подключения и использования канала - 20% партнерская скидка от стоимости лицензии Объем этого канала трудно поддается оценке, так как в открытом доступе нет данных об объемах продаж системных интеграторов. В ходе проведения интервью также не удалось получить данную информацию, но по косвенным признакам можно предполагать 15-50 продаж в месяц. По результатам опроса, заинтересованность проявили 50% компаний.
2) Контекстная реклама
Стоимость подключения и использования канала: согласно прогнозу Yandex Директ, средняя цена клика составляет:
- 223,8 р. по запросу "система контроля доступа";
- 160,7 р. по запросу "установка шлагбаума";
- 49,2 р. по запросу "распознавание номеров".
Прогноз бюджета яндекса за 1 -ое место выдачи по всем ключевым словам составляет 3609,1 р. в месяц. По статистике Yandex Дирек-та, максимальное месячное количество кликов по ключевым словам:
- "система контроля доступа" - 770 кликов;
- "установка шлагбаума" - 964 клика;
- "распознавание номеров" - 327 кликов.
Максимальное месячное количество
кликов составляет 2061. При 5%-ной конверсии месячное количество пользователей составит
103. Для сравнения, по данным be1.ru в сентябре 2017 года на сайт http://avtomarshal.ru/ (прямой конкурент) было 535 заходов, из них 4% через Yandex Директ. Для оценки эффективности канала необходимо провести тестирование канала, замерив ключевые показатели по количеству показов, переходам на сайт, конверсии пользователей.
3) Холодные звонки
Стоимость подключения и использования канала:
- 20 000 рублей - зарплата менеджера по холодным звонкам;
- 3000 рублей - расходы на связь Информация о некоторых ЦА, с которыми мы собираемся работать в первый год, есть в открытых источниках: более 13000 ТСЖ и УК, имеющих придомовую территорию в собственности, около 10 000 коттеджных поселков, более 80 000 дачных кооперативов. Общий объем ЦА составляет более 100 000 клиентов. По результатам опроса, около 20% пользователей проявили заинтересованность в продукте. Менеджер по холодным звонкам может выполнять около 700 звонков в месяц, так как для привлечения одного пользователя нужно сделать около 5 звонков, стоимость привлечения одного клиента составляет 164 рубля.
6. Обоснование возможного
экономического и социального эффекта от реализации продукта
Распространение системы на большой круг объектов будет иметь ряд экономических и социальных последствий.
Использование системы на пропускных пунктах (предприятия, логистические центры, офисные центры) позволит автоматизировать процесс проезда автомобилей и отслеживать время его нахождения на территории. Дальнейшее развитие системы позволит получить численные показатели эффективности.
Использование системы в коттеджных поселках и ТСЖ позволит ограничить въезд на территорию, находящуюся в долевой собственности жителей, нежелательных транспортных средств. Высока значимость социального эффекта для жителей: система позволит не только существенно ускорить и упростить процесс въезда на территорию автомобилей жильцов и других транспортных средств, авторизованных для проезда, но и обеспечить беспрепятственный проезд специальных транспортных средств (прежде всего «скорых помощей»). Другим следствием установки системы станет возможность ограничивать въезд на территорию злостных нарушителей общественного порядка
(например, владельцев автомобилей, регулярно паркующихся на газоне).
7. Анализ рынка и сравнение с конкурентами
Существующие на рынке системы пропуска можно условно разделить на 3 группы:
1. Системы с ручным управлением шлагбаумом охранником или диспетчером. Шлагбаум может управляться как охранником, рабочее место которого находится непосредственно рядом со шлагбаумом, так и удаленным дис-
Таблица 2 - Сравнительный анализ конкурен
петчером, контролирующего сразу несколько объектов.
2. Системы с идентификацией с помощью "электронного ключа": БСК, брелока, телефона (для открытия шлагбаума необходимо набрать специальный телефонный номер), ЯРШ-метки.
3. Системы пропуска транспортного средства с помощью распознавания номерного знака.
Также существуют решения, сочетающие возможности нескольких групп.
Сравнительный анализ конкурентов на нескольких примерах приведен в таблице 2:
№ Конкурент Преимущества Важность для потребителя Недостаток
1 Трал Бесплатный софт Высокая Не работает при частично распознанном номерном знаке
Пропуск автомобиля Средняя Не работает в полностью автоматическом режиме,
по распознанному т.к. требует внимания диспетчера при проезде
номерному знаку спецтранспорта
Коробочное решение Средняя Ограничения на положение камеры распознавания
Собственное произ- Средняя Работает только со своими камерами
водство
2 Вокорд Пропуск автомобиля по распознанному номерному знаку Средняя Цена модуля распознавания выше средней (45 400 р. за 1 канал распознавания при средней цене 20 000 р. за 1 канал)
Собственное произ- Средняя Не работает при частично распознанном номерном
водство знаке
Коробочное решение Средняя Не работает в полностью автоматическом режиме, т.к. требует внимания диспетчера при проезде спецтранспорта. Ограничения на положение камеры распознавания
3 GoalCity Пропуск автомобиля Средняя Не работает с частично распознанными знаками
по распознанному номерному знаку Не работает в полностью автоматическом режиме, т.к. требует внимания диспетчера при проезде спецтранспорта
Ограничения на положение камеры распознавания
4 Авто- Цена модуля распо- Высокая Требует подключения компьютера за 44 000 (2 аа-
маршал знавания ниже средней (12 000 р. за 1 канал распознавания при средней цене 20 000 р. за 1 канал) нала распознавания)
Пропуск автомобиля Средняя Не работает с частично распознанными знаками
по распознанному
номерному знаку
Возможность исполь- Средняя Не работает в полностью автоматическом режиме,
зования внешних т.к. требует внимания диспетчера при проезде
устройств (БСК, спецтранспорта
RFID) в рамках еди-
ной системы
Возможность приобретения коробочного Средняя Ограничения на положение камеры распознавания
решения
Возможность SMS- Низкая
оповещения
Наличие SDK Низкая
№ Конкурент Преимущества Важность для потребителя Недостаток
5 Кодос Пропуск автомобиля по распознанному номерному знаку Средняя Цена модуля распознавания выше средней (75 000 р. за 2 канала распознавания при средней цене 20 000 р. за 1 канал)
Собственное производство оборудования Средняя Не работает с частично распознанными знаками
Возможность приобретения коробочного решения Средняя Не работает в полностью автоматическом режиме, т.к. требует внимания диспетчера при проезде спецтранспорта
Наличие решения СКУД с использованием БСК и брелоков Средняя Ограничения на положение камеры распознавания
В стоимость лицензии включена плата распознавания Низкая Минимальный объем покупки - 2 канала распознавания
6 Сфинкс Низкая цена решения, 10 000 - 15 000 рублей при средней стоимости систем видеоаналитики 30 000 рублей Высокая Менее удобно для водителя, медленная по сравнению с системой видеоаналитики скорость проезда через пропускной пункт
Возможность исполь- Средняя Нет системы контроля и мониторинга
зования БСК или брелока как электронного ключа Необходимо содержать персонал для программирования и распространения БСК и брелоков
Необходимо постоянное присутствие диспетчера для обеспечения гостевого проезда
7 ISBC Максимальная скорость проезда через пропускной пункт Средняя Относительное дорогое решение, 80 000 рублей по сравнению со средней стоимостью системы видеоаналитики 30 000 рублей
Возможность интеро-перабельности (использование меток для идентификации на других объектах) Средняя Необходимо постоянное присутствие диспетчера для обеспечения гостевого проезда
Литература
1. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. - М.: ДМК Пресс, 2015 - 400 с.
2. Академия Intel: Введение в разработку мультимедийных приложений с использованием библиотек OpenCV и IPP. Лекция 3: Детекторы и дескрипторы ключевых точек. Алгоритмы классификации изображений. Задача детектирования объектов на изображениях и методы её решения. URL: http://www.intuit.ru /studies/courses/ 10621/1105/ lecture/ 17983? page=1
3. Пару слов о распознавании образов. - URL: https://habrahabr.ru/post/208090/
4. Машинное обучение - URL: https:// ru. wikipedia. org/wiki/ машинное_обучение
5. Теория распознавания образов - URL: https:// ru. wikipedia. org/wiki/теория_распознавания_образов
6. Компьютерное зрение - URL: https://ru. wikipedia. org/ wiki/ компьютерное_зрение
7. Математическая морфология-URL: https://ru. wikipedia.org/wiki/математическая_морфология
8. Marko Borazio, Eugen Berlin, Nagihan Kucukyildiz, Philipp Scholl and Kristof Van Laerhoven "Towards Benchmarked Sleep Detection with Inertial Wrist-worn Sensing Units", 2014 IEEE International Conference on Healthcare Informatics
9. Lawrence R. Rabiner "A tutorial on hidden Markov models and selected applications in speech recognition", Proceeding of the IEEE, pages 257-286, February 1989
10. Yoshua Bengio, Paolo Frasconi "An input output HMM architecture", Neural Networks, IEEE Transactions on, pages 1231-1249, September 1996
11. Eugene Hsu, Kari Pulli, Jovan Popovic «Style Translation for Human Motion», SIGGRAPH 2005
