CC BY
25
4. Морозов, В. Н. Положение о планировании и нормировании расхода топливно-энергетических ресурсов на тягу поездов в ОАО «РЖД» № 1808р [Текст] / В. Н. Морозов. -М., 2007. - 19 с.
5. Пат. 2534598 Российская Федерация, МПК В 60 L 3/12. Компьютеризованный контроль потребления энергии средства транспорта [Текст] / Хааф Ш., Кесснер М. (Германия); заявитель и патентообладатель Сименс Акциенгезелльшафт. - № 2011154039/11; заявл. 14.05.2010; опубл. 27.11.2014.
6. Черемисин, В. Т. Единая автоматизированная система учета электроэнергии на электроподвижном составе (ЕАСУЭ ЭПС) постоянного тока [Текст] / В. Т. Черемисин, С. Ю. Ушаков, А. Л. Каштанов // Известия Транссиба / Омский гос. ун-т путей сообщения. -Омск. - 2013. - № 3 (15). - С. 108 - 114.
7. Черемисин, В. Т. Автоматизированный мониторинг энергетической эффективности работы электроподвижного состава ОАО «РЖД» [Текст] / В. Т. Черемисин, Д. В. Пашков, С. Ю. Ушаков // Известия Транссиба / Омский гос. ун-т путей сообщения. - Омск. - 2014. -№ 3 (19). - С. 87 - 91.
References
1. Gapanovich V. A., Epifancev S. N., Ovsejchuk V. A. Jenergeticheskaja strategija i jelektrif-ikacija rossijskih zheleznyh dorog (Energy Strategy and the electrification of the Russian railways). Moscow: Jeko-Press Publ., 2012, 196 p.
2. Methods of analysis and forecasting of energy resources consumption for train traction / Approved by decree of JSC «Russian Railways» at 26.12.2014, № 512.
3. Instructions on technical regulation of electrical energy and fuel consumption by locomotives for traction CT-2564 / Approved by decree of MPS USSR at 20.05.1967. Moscow: «Transport», 1968. 48 p.
4. Regulations on planning and rationing of fuel and energy resources for train traction in JSC «Russian Railways» / Approved by decree of JSC «Russian Railways» at 17.09.2007, № 1808р.
5. Haaf Stefan, Kessner Martin PatentRU2011154039 C2, 14.05.2010.
6. Cheremisin V. T., Ushakov S. Y., Kashtanov A. L. Global automatic electric power measuring system for rolling stock [Edinaya avtomatizirovannaya sistema ucheta elektroenergii na el-ektropodvizhnom sostave (EASUE EPS) postoyannogo toka]. Izvestiia Transsiba - The Trans-Siberian Bulletin, 2013, no. 3 (15), pp. 108 - 114.
7. Cheremisin V. T., Pashkov D. V., Ushakov S. Y. Automated monitoring of energy efficiency operation of the electric rolling stock of JSC «Russian Railways» [ Avtomatizirovannyiy monitoring energeticheskoy effektivnosti rabotyi elektropodvizhnogo sostava OAO «RZhD»]. Izvestiia Transsiba - The Trans-Siberian Bulletin, 2014, no. 3 (19), pp. 87 - 91.
УДК 004.932
Н. Д. Зачатейский, А. А. Аржанников, Е. А. Альтман
СОВЕРШЕНСТВОВАНИЕ МЕТОДА «ВЫДЕЛЕНИЯ ФОНА» ДЛЯ НАХОЖДЕНИЯ ПОДВИЖНЫХ ОБЪЕКТОВ НА ЖЕЛЕЗНОДОРОЖНОМ ПЕРЕЕЗДЕ С ПОМОЩЬЮ КОМПЬЮТЕРНОГО ЗРЕНИЯ
В статье описаны подходы по извлечению из видеоряда областей, относящихся к подвижным объектам, которые могут являться причиной возникновения опасной ситуации на железнодорожном переезде. Предлагаемый подход позволит улучшить качество выделения подвижного объекта, что даст возможность сократить время обработки изображения для идентификации подвижных объектов, с целью определения степени риска. Для оценки качества алгоритмов было проведено моделирование в разработанном программном продукте.
74 ИЗВЕСТИЯ Транссиба № 1(21) 2015
= = _
Современный уровень развития цифровых способов обработки видеоинформации открывает широкие перспективы в развитии направления науки и техники, называемого компьютерным зрением. Основными задачами, решаемыми техническими средствами, являются выявление и анализ из видеоданных (или последовательности графических изображений) требуемых объектов, их положение и поведение с целью классификации или организации безопасности наблюдаемого объекта.
В данном случае наблюдаемым объектом является железнодорожный переезд, оборудованный устройствами видеонаблюдения. Исходя из того, что переезд как часть железной дороги является зоной повышенной опасности, и несмотря на использование мер обеспечения безопасности (сигналы светофоров, шлагбаумы, автоматические заграждения и т. д.), существует вероятность возникновения ситуаций, связанных с угрозой жизни и здоровью людей. Своевременный анализ обстановки на переезде позволяет организовать заблаговременное предупреждение участников движения или устройств обеспечения безопасности переезда. Для обеспечения более полного и, возможно, раннего информирования предлагается использовать алгоритмы компьютерного зрения. Получение данных из видеоряда о положении и перемещении присутствующих на переезде объектов и прогнозирование их дальнейших передвижений будет способствовать снижению вероятности возникновения опасной ситуации, уменьшению уровня удельного расхода электроэнергии [1], повышая тем самым качество и эффективность железнодорожных перевозок. В статье описаны алгоритмы компьютерного зрения, позволяющие получить область видеоряда, содержащую в себе движение с целью дальнейшего анализа на предмет наличия некого признака - нахождение в опасной зоне, опасная скорость движения в опасном направлении, принадлежность подвижного объекта к группе способных повлиять на работоспособность переезда или жизнь и здоровье людей.
В области компьютерного зрения в настоящее время создано достаточно большое количество алгоритмов обработки видеоинформации, из которых основными являются алгоритмы поиска движения и алгоритмы извлечения блоков информации (детекторы лиц, цвета, шаблонов и т. п.). Задача выделения движения (подвижных объектов) может являться промежуточным этапом в каскаде алгоритма анализа видео, так как ее решение позволяет выделить участки, содержащие в себе некое действие, требующее дальнейшей идентификации (например, идентификации личности, классификации подвижного объекта, или же анализа параметров движения - направление, скорость и др.). Приведем основной подход к решению данной задачи.
Для обнаружения движения существует известный метод выделения фона (Background subtraction) [2], который основывается на понятии «заднего» (Background) и «переднего» (Foreground) фона. В начале анализа видеоряда первое изображение (первый кадр видеоряда) принимается за задний фон. В памяти сохраняются параметры всех пикселей данного кадра. Для всех последующих кадров выполняется операция сравнения параметров каждого из пикселей. Все отличающиеся по параметрам пиксели считаются передним фоном. В случае если изображение не изменилось, передний план будет условно равен 0, иначе - отличен от 0. По полученным значениям можно судить о наличии движения и его параметрах.
В матричном представлении алгоритм выглядит следующим образом (формулы (1) и
(2)):
M
P P
J 1 1 i
12
P
1m
PP
PP
P
P
- M 1
P P
1 1 i
12
P
1m
P P
P P
n1
P
P
= R 1
P P
J 1 1 I
12
P
1m
P P
P P
-L „1 „1
P
P
л [...]=л 1
р 1 \Р1
р 11 р1 1 р 22
р11 р 1т
Р2 т
\Р1 1 Р 1 1 Р 1 1
п1 п1 пт
где Рпт - набор значений, описывающий пиксель (массив, длина которого определяется количеством цветовых каналов изображения); М, М, Р и Р - матрицы, описывающие исходное изображение (задний фон), вычитаемое значение (текущий кадр), разницу кадров и абсолютную разницу кадров (передний фон)
К сожалению, данный метод имеет ряд недостатков.
Во-первых, неоднозначным является выбор так называемой точки отсчета - области изображения, которую можно считать задним планом. При движении камеры в пространстве меняется положение заднего плана на кадре. В методе выделения фона точкой отсчета является первый кадр. В результате на видеоряд накладывается требование - он должен быть записан с неподвижной камеры. В остальных случаях данный метод не пригоден, поскольку каждый последующий кадр будет оцениваться данным методом как полностью изменившийся. Это приводит к невозможности правильной качественной или количественной оценки движения.
Во-вторых, перманентное изменение положения объекта, находящегося на изображении в момент захвата точки отсчета, приводит к возникновению ошибочного обнаружения подвижного объекта.
Говоря о движении на видеоряде, нужно сказать и о том, что изменение положения объекта определяется по расстоянию от точки отсчета до любой другой точки изображения переднего плана, сохранившей свои параметры. Точки переднего плана группируются по отдельным объектам, или телам изображений.
Задача выделения тела на изображении является одной из самых сложных. Связано это со сложностью получения универсального алгоритма из-за особенностей видеоряда и самого тела. Интересующие объекты могут не иметь ярко выраженных признаков, могут сливаться с фоном, быть зашумлены или частично спрятаны за преградой, которая может быть представлена таким же объектом.
В самом простом случае требуется обнаружить не подвижные объекты, а области, содержащие «перемещение», чтобы подвергнуть их дальнейшей обработке: поиску шаблонов, лиц, определению положения и тенденции движения объекта. При использовании метода выделения фона получают области, отличные от фона. Для выделения этих областей применяются, например, алгоритмы выделения контуров объекта [3]. К сожалению, и у этого подхода есть недостатки:
если объект имеет преграду, разделяющую его на несколько частей (человек или автомобиль, движущийся за перилами, невысоким прозрачным забором или преграждаемый линиями электропередач), контурный анализ в общем виде выделит несколько областей;
если объекты в процессе движения пересекаются, то их области движения тоже пересекаются, поэтому контурный анализ без дополнительной обработки распознает такие объекты как один большой объект;
если объект сливается с фоном, то в некоторых областях изображения разница между фоном и участками текущего кадра будет «близка к 0», в результате область движения может разбиться на несколько частей (например, если этот участок разбивает исходный объект на две части).
Для устранения или снижения влияния описанных выше недостатков предлагается следующий подход. Будем находить разницу между соседними кадрами (предыдущим и текущим кадрами), а не между первым и текущим. Это поможет избежать проблем, связанных с
76 ИЗВЕСТИЯ Транссиба № 1(21) 2015
= = _
перманентными изменениями изображения, а также неспособности алгоритма работать после изменения положения камеры. При нахождении разницы между текущим и предыдущим кадрами алгоритм ведет себя некорректно только в момент перемещения камеры. В случае нахождения разницы первого и текущего кадров алгоритм некорректен как во время, так и после перемещения камеры. Примеры приведены на рисунках 1 и 2.
а б в
Рисунок 1 - Результаты работы алгоритмов при неподвижной камере с шумом: а - исходное изображение;
б - передний план; в - разница соседних кадров
Рисунок 2 - Результаты работы алгоритмов: а - первый кадр; б - г - перемещение камеры, д - ж - извлечение объекта; г, ж - исходное изображение; в, е - передний план; б, д - разница соседних кадров
а
б
в
г
е
д
ж
Как видно из рисунка 2, алгоритм извлечения фона не способен обработать кардинальные изменения первого кадра, в то время как алгоритм сравнения соседних кадров не учитывает начальных условий. Из-за отсутствия явного движения изображения на рисунке 2, г, ж практически не содержат полезной информации.
Таким образом, алгоритм получения требуемой информации, базирующийся на распознавании движения за счет разницы соседних кадров, может быть представлен схемой, изображенной на рисунке 3.
Рисунок 3 - Схема алгоритма распознавания движения
Как видно из рисунка 3, основным результатом выполнения алгоритма является получение и обработка области интереса ROI (Region Of Interests) [4]. Под ROI понимается участок изображения, в котором может содержаться полезная в анализируемом кадре информация. Использование ROI значительно сокращает время работы с кадром, так как дальнейшей обработке подвергаются не все пиксели, а только попадающие в ROI. Получение ROI, его анализ, расположение и прогноз движения объекта внутри ROI позволят определить, может ли создать подвижный объект опасную ситуацию на железнодорожном переезде.
Примером подобных объектов в случае с железнодорожным переездом может являться человек. Для сравнения качества получения ROI была создана программная реализация данного алгоритма и метода извлечения фона на языке программирования Java с использованием библиотеки OpenCV [5] в среде разработки Eclipse. В качестве сравниваемых параметров были выбраны геометрические размеры полученных ROI (в пикселях), в особенности площадь, так как этот показатель определяет количество информации, поступающее на следующий этап обработки. Эталонное значение было выбрано исходя их минимальной площади прямоугольника, описывающего контуры наблюдаемого человека. Полученные результаты обнаружения подвижного объекта представлены в таблице и на рисунке 4.
Из обобщенных результатов моделирования видно, что
при изменении фона и перемещении камеры алгоритм более адекватно обрабатывает перманентные изменения видеоряда по сравнению с методом выделения фона (рисунок 2, б - г);
в случае с извлечением объекта алгоритм сравнения соседних кадров не воспринимает его область как постоянно требующую обработки (рисунок 2, д - ж);
78 ИЗВЕСТИЯ Транссиба № 1(21) 2015
= = _
ROI, полученные при помощи сравнения соседних кадров, больше соответствуют границам подвижного объекта (см. таблицу 1, рисунок 4).
Результаты работы алгоритмов выявления подвижных объектов
Название параметра Ширина ROI, Pixels Высота ROI, Pixels Площадь ROI, Pixels
Эталон Bö 1B2 14560
Выделение фона 125 277 34525
Сравнение соседних кадров 106 1B7 19B22
а б
Рисунок 4 - ROI, полученные по алгоритмам обнаружения движения: а - алгоритм выделения фона; б - алгоритм сравнения соседних кадров (пунктиром в обоих случаях выделен эталонный ROI)
Очевидными недостатками приведенного подхода обнаружения движения являются следующее:
возможность анализа только полностью подвижных объектов. При прекращении движения части объекта она становится «невидимой» для алгоритма и поэтому не будет учтена при получении ROI. Это может привести к ошибке распознавания или определения положения объекта. В случае с железнодорожным переездом предполагается, что объекты будут анализироваться с расстояния, значительно большего, чем сами объекты, а значит, погрешность из-за «неполноты движения» будет сравнительно мала. Например, если человек движется, то движением его руки можно пренебречь. Некоторые из наблюдаемых объектов (автомобили) не способны к «неполному движению»;
ухудшение входных данных для алгоритмов контурного анализа. Вследствие анализа только соседних кадров контур подвижного объекта может получиться разорванным ввиду малых изменений между кадрами, т. е. нет явной разницы между ними, а значит, объект не будет воспринят как одно целое. Для такой ситуации рекомендуется прибегнуть к искусственному объединению соседних контуров с целью получения общего ROI.
Таким образом, можно утверждать, что применение алгоритма поиска движения при помощи сравнения соседних кадров позволяет с большей точностью анализировать подвижные объекты по сравнению с алгоритмом, представленным в источнике [2], который был взят за основу при проведении данного исследования, так как значение площади полученного ROI ближе к эталонному значению. Рассмотренный подход, конечно, имеет недостатки, но в случае анализа ситуации на железнодорожном переезде позволяет
прибегнуть к использованию подвижных камер наблюдения, увеличив тем самым зону наблюдения;
анализировать объекты «целиком», игнорируя «неполные» перемещения; анализировать положения части «разбитого» объекта, полученного после контурного анализа, на предмет нахождения в опасной зоне - ведь даже если часть автомобиля или человека оказалась на железнодорожном переезде, то этот момент должен быть обработан.
Полученные ROI могут быть использованы для дальнейшего анализа [6] с целью получения достаточной информации для принятия решения по текущей ситуации на переезде.
Список литературы
1. Ананьева, Н. Г. Снижение удельного расхода электроэнергии на тягу поездов при внедрении устройств контроля ситуации на железнодорожном переезде [Текст] / Н. Г. Ананьева // Омский научный вестник / Омский гос. техн. ун-т. - Омск. - 2010. - № 1 (87). -С.158 - 160.
2. Bouwmans, T. Handbook on «Background modeling and foreground detection for video surveillance: traditional and recent approaches, implementations, benchmarking and evaluation». CRC Press, Taylor and Francis Group. June 2014.
3. Фурман, Я. А. Введение в контурный анализ. Приложения к обработке изображений и сигналов [Текст] / Я. А. Фурман. - М.: Физматлит, 2003. - 592 с.
4. Brinkmann, R. The art and science of digital compositing // Morgan kaufmann. - 1999. -184 p.
5. Bradski, G. Learning OpenCV: Computer vision with the OpenCV library / O'Reilly Media. Inc., 2008.
6. Parker, J. R. Algorithms for image processing and computer vision // John Wiley & Sons, 2010.
References
1. Ananeva N. G. Reduction in specific energy consumption for traction in the implementation of monitoring devices situation at a railway crossing [Snizhenie udel'nogo rashoda jelektrojenergii na tjagu poezdov pri vnedrenii ustrojstv kontrolja situacii na zheleznodorozhnom pereezde]. Omsk: Omskii nauchnyi vestnik - Omsk Scientific Bulletin, 2010, pp. 158 - 160.
2. Bouwmans, T. Handbook on «Background modeling and foreground detection for video surveillance: traditional and recent approaches, implementations, benchmarking and evaluation», CRC Press, Taylor and Francis Group, June 2014.
3. Furman Ja. A. Vvedenie v konturnyj analiz. Prilozhenija k obrabotke izobrazhenij i signalov (Introduction to contour analysis and its applications to image and signal processing). Moscow: Fizmatlit, 2003, 592 p.
4. Brinkmann, R. The art and science of digital compositing. Morgan kaufmann. - 1999. -184 p.
5. Bradski, G. Learning OpenCV: Computer vision with the OpenCV library / O'Reilly Media, Inc., 2008.
6. Parker, J. R. Algorithms for image processing and computer vision. - John Wiley & Sons, 2010.
УДК 004.93
А. Е. Сулавко, А. В. Еременко, Е. А. Левитская
РАЗГРАНИЧЕНИЕ ДОСТУПА К ИНФОРМАЦИИ НА ОСНОВЕ СКРЫТОГО МОНИТОРИНГА ПОЛЬЗОВАТЕЛЕЙ КОМПЬЮТЕРНЫХ СИСТЕМ: ПОРТРЕТ НЕЛОЯЛЬНОГО СОТРУДНИКА1
Работа посвящена проверке истинности гипотезы о том, что информация о действиях пользователя в компьютерной системе, полученная на основе скрытого мониторинга стандартных периферийных устройств, позволит своевременно распознать нелояльное поведение и предотвратить реализацию внутрен-
1 Работа выполнена при финансовой поддержке РФФИ (грант №14-37-50536).
80 ИЗВЕСТИЯ Транссиба № 1(21) 2015
= = _
