Любая деятельность, направленная на поддержание безопасности различного рода мест массового присутствия людей (ММПЛ) тесно взаимосвязана с получением, хранением, накоплением и обработкой различного рода информации. К необходимым мероприятиям по обеспечению безопасности в подобных местах относятся: видеоконтроль обстановки с использованием систем видеонаблюдения в реальном времени, а также различные инженерно-технические средства с применением современных информационно-коммуникационных технологий.
Особое значение данная задача приобретает в связи с многочисленными массовыми мероприятиями, проводимыми в последние годы на территории нашей страны (Зимняя Олимпиада в Сочи, летняя Универсиада в Казани, чемпионаты мира по различным видам спорта, форумы, фестивали-ли и т.д.), которые вызывают интерес и высокие притоки граждан иностранных государств.
Большое количество научных исследований в области интеллектуальной обработки видеоизображений, резкий спад стоимости цифровых видеокамер, а также рост производительности вычислительных систем позволяют внедрить системы видеонаблюдения (CCTV) во все сферы обеспечения безопасности как частных территорий, так и публичных мест. [1]
В отличии от обычных систем видеонаблюдения системы интеллектуальной видеоаналитики, как правило, снабжаются различными функциями для интеллектуального анализа видеопотока с возможностью распознавания чрезвычайных ситуаций, которые могут быть связаны с движением потоков людей или транспортных средств.
Одной из актуальных и наиболее сложных задач анализа и обработки видеопотока является проблема выделения и распознавания объектов, динамически изменяющихся во времени (перемещающихся). Проявление различного рода помех на изображениях могут затруднять распознавание динамических объектов. Главная задача таких сложных систем – это умение выявлять движущиеся объекты, и информировать оператора о сложившийся в поле зрения камеры ситуации, а в некоторых случаях предпринять какие-либо действия, заранее запрограммированные и заложенные в память системы аналитики.
Построение подобной системы является сложным технологическим процессом, включающим различные информационно-коммуникационные модули, такие как модуль получения цифрового изображения, модуль обработки с целью выявления значимой информации и отсеиванием шума и модуль распознавания объектов. Наилучшим образом с такой комплексной задачей справляются интеллектуальные самообучающиеся системы, в основе функционирования которых лежат алгоритмы искусственных нейронных сетей.
Видеопоток изображений полученных с камеры видеонаблюдения является последовательностью изображений наблюдаемой сцены . Для идентификации движущихся объектов необходимо выделить множество динамических объектов , произвести распознавание каждого и определить траекторию движения и параметры движения и сравнить полученные результаты с допустимыми значениями для данного объекта . Далее на основе полученных результатов определить имеется ли угроза чрезвычайной ситуации и принять соответствующие меры. Одним из основных требований к подобным системам является достижение минимально возможного количества ошибок первого рода (ложная тревога).
В общем виде задача интеллектуальной видеоаналитики содержит четыре этапа: [2]
- Этап выделения переднего плана в видеопотоке, который состоит из последовательно сменяющих себя кадров-изображений. На этом этапе необходимо сегментировать изображение на неподвижную часть – фон, и подвижную часть.
- Этап определения и классификации динамических (движущихся) объектов, таких как автомобили, люди, животные и т.д. Этап подразумевает не только идентификацию каждого объекта, но и отслеживание траектории их движения на всем времени нахождения их в кадре видеокамеры.
- Этап определения подмножеств параметров движения для каждого из распознанных объектов.
- Этап распознавания и анализа действий объекта, а именно сравнение параметров, полученных на предыдущем этапе с заранее определенными и допустимыми значениями. На основании этого сравнения выносится решение об информировании оператора о чрезвычайном происшествии.
Этапы один-три относятся к задачам низкого уровня, а этап четыре к задаче высокого уровня. Каждый из этапов характеризуется своей сложностью, имеет ряд особенностей и нюансов присущих только ему, чем объясняется большое количество научных исследований в данной теме.
Этап выделения переднего плана является очень важной приоритетной задачей, которая влияет на дальнейшее качество всей системы распознавания. [3] Правильное отделение первого плана от фона позволяет значительно сократить объем вычислений за счет того, что обрабатываются не все пиксели изображения, а лишь те, которые относятся к движущимся объектам. Для построения переднего плана чаще всего применяются методы, в основе которых лежат алгоритмы вычитания фона, вероятностные методы, методы временной разности и методы оптического потока, а также методы, основанные на применении аппарата искусственных нейронных сетей. [4]
На втором этапе происходит сегментация изображения. Зоны изображения, которые признаны фоновыми отсекаются, и система работает непосредственно с динамическими участками. На этом этапе система классифицирует объекты благодаря различным интеллектуальным алгоритмам классификации. Важным аспектом этого этапа является отслеживание траектории движения объектов интереса, этот процесс называется трекингом. Трекинг объектов интереса происходит путем последовательного анализа кадров видео. При первой классификации динамического объекта, ему назначается специальный маркер идентификации, который привязывается к конкретному признаку, например, центру массы, или его контуру. Далее изменение положения этого маркера на последовательности изображений позволяет получить данные для третьего этапа, например, скорость его перемещения или направление.
На четвертом этапе производится анализ поведения объекта, характер его движения и сравнение его поведения с базой эталонов. В идеале интеллектуальная система должна определять аномалии в движениях объекта, например, человек выбивается из общего потока людей, траектория движения искривлена и т.д. На основании этого сравнения и должно приниматься решение об информировании оператора о чрезвычайной ситуации. Для выявления асоциального поведения проводится анализ трекинга объектов, выявление уровня неравномерного движения, скорости и т.д., в результате чего на основе собранной статистики формируется решение о нестандартном поведении.
Повышения эффективности систем интеллектуального видеонаблюдения можно достичь путем комбинирования описанных выше алгоритмов с аппаратом искусственных нейронных сетей (ИНС). Данный класс программ идеально подходит для решения задач классификации и интеллектуального анализа данных, а самое главное, может быть эффективно интегрирован во все этапы видеоаналитики. Последние исследования показывают высокую эффективность данных алгоритмов при моделировании «компьютерного» зрения, в том числе и в задачах видеоаналитики.
В современном мире у интеллектуальной видеоаналитики огромный спектр применения: идентификация лиц, идентификация транспортных средств, контроль скорости передвижения, классификация объектов, обеспечение безопасности людей в местах массового пребывания и т.д. Описанные в статье методы являются базовыми принципами для построения абсолютно любой системы интеллектуального видеонаблюдения. Однако для повышения эффективности таких систем требуется комбинировать различные программные и аппаратные комплексы, и подбирать наиболее удачные сочетания. Далее в рамках научной деятельности планируется создание экспериментального комплекса видеоаналитики, в основе которого будут лежать алгоритмы искусственных нейронных сетей.
ИСПОЛЬЗОВАННЫЕ ИСТОЧНИКИ
- Анштедт Т. Видеоаналитика: Мифы и реальность / Т. Анштедт, И. Келлер, Х. Лутц. – М.: Секьюрити Фокус, 2012. – 176 c.
- Токарев В.Л. Построение системы видеоаналитики / В.Л. Токарев, Д.А. Абрамов // Известия ТулГУ. Технические науки. – 2013. – Вып. 9. – Ч.1 – С. 270-276.
- Вагнер В.И. Способы определения характера движения объектов в системах видеонаблюдения / В.И. Вагнер, А.В. Вагнер, А.А. Тропченко // Международный научно-исследовательский журнал. International Research Journal. – Екатеринбург: 2016. – №11 (53). – Ч.4. – С. 38-42.
- Лукьяница А., Шишкин Р. Цифровая обработка видеоизображений / Москва: «Ай -Эс -Эс», 2009. 518 с
