СОВРЕМЕННОЕ ПРИМЕНЕНИЕ КОМПЬЮТЕРНОГО ЗРЕНИЯ В СИСТЕМАХ ВИДЕО БЕЗОПАСНОСТИ

Аннотация. Данная статья освещает современный подход к вопросам применения технологий компьютерного зрения в системах видео безопасности.

Abstract. Current article talks about contemporary approaches in field of usage and applications computer vision technologies in video surveillance systems.

Ключевые слова: машинное обучение, компьютерное зрение, искусственный интеллект.

Keywords: machine learning, computer vision, artificial inelegance.

Задачи по распознаванию лиц имеют столь же давнюю историю, что и проблема компьютерного зрения (computer vision). Данная область исследований имеет серьезную практическую перспективу и вызывает большой научно-практический интерес. Несмотря на то, что другие методы идентификации (отпечатки пальцев или сканирование радужной оболочки), возможно, более точны, распознавание лиц всегда было в центре внимания ученых в силу своей «неагрессивности» по отношению к пользователям. Этот метод опознания личности для человека естественен и реализуется на интуитивном уровне [1].

На сегодняшний день, несмотря на быстрый рост развития технологий, связанных с распознаванием лиц, все равно в вопросах принятия решений присутствует человеческий фактор. Если успешный опыт по идентификации можно использовать в системах управления и контроля доступом (СКУД), то применение системы при отслеживании потока людей в реальном времени имеет некоторые ограничения и требует дополнительного вмешательства обслуживающего персонала с одной стороны, но приходит на помощь, дополнительно акцентируя внимание на различные возникающие чрезвычайные ситуации, с другой стороны.

Встает вопрос о том, для чего люди скрывают свои лица, и стоит ли уделить особое внимание человеку, который скрыл свое лицо? Но зачастую операторы службы безопасности теряют бдительность на 45% уже через 20 минут от начала рабочего дня (примерная зависимость концентрации внимания от времени приведена на рисунке 1). Поэтому для более тщательного контроля необходимо разработать алгоритм, позволяющий распознавать тип маскировки и присваивать степень потенциальной опасности. Используя данные технологии и опыт, накопленный за последние 70 лет, можно сказать, что системы видеонаблюдения со встроенной в них аналитикой являются перспективным направлением развития биометрических технологий. На сегодняшний день данная работа будет являться логическим дополнением к существующим системам охранного видеонаблюдения [3].

Для реализации данного комплекса, алгоритм будет использовать методы машинного обучения, тренируясь на изначально подготовленной выборке, затем выборка будет дополняться и редактироваться для совершенствования и развития модели и увеличения точности определения типа маскировки.

Рисунок 1. Зависимость концентрации внимания от времени

Задача разработки АПК будет ставиться от противного, а что, если мы не смогли распознать лицо человека в следствии таких факторов, как наличие маскирующих элементов. Мы можем задать вопрос с какой целью человек скрывает свое лицо. Если в этот момент времени в кадре количество людей больше 10, то такая система поможет обратить внимание сотрудникам безопасности на данную личность. К дополнительным применениям можно отнести также функции кнопки экстренного вызова помощи, анализируя поведение потенциального преступника и сотрудника салона, система самостоятельно вызовет охрану, и предупредит остальных клиентов о возникающей угрозе.

Рисунок 2.

Представленная выше блок-схема наглядно отображает основные принципы работы АПК для распознавания людей в масках. В основе данного комплекса находятся три основных блока:

1. Блок регистрации изображения (БРИ)
2. Блок подготовки данных (БПД)
3. Блок обучения системы (БОС)

Между данными блоками осуществляется передача данных в различном виде. Результатом работы данного блока является решение о том, представляет ли человек потенциальную опасность или нет. Также, дополнительно, для осуществления работоспособности всей системы, используется база данных различных типов маскировки.

Блок регистрации изображений

На данном этапе на вход системы поступают изображения с видеокамеры. Видеопоток разделяется на отдельные статичные кадры. Программный датчик движения определяет положение человека в кадре и выделяет зону положения его лица, затем полученные изображения (рисунок 3) передаются в следующий блок – Блок обучения системы (БОС)

Рисунок 3. Формат изображения на выходе из БРИ

Блок обучения системы

Статический набор изображений проходит через программный предобработчик, изображения нормируются по размеру, затем изображения передаются на вход нейросети, которая выделяет вектор признаков, происходит сравнение с обученной заранее базой данных различных типов маскировки. На выходе БОС мы получаем решение для операциониста с определенной долей «уверенности».

Блок подготовки данных

Данный блок используется для создания и хранений базы данных изображений различных типов маскировки. Собирая различные изображения, мы создаем классификатор, который в последствии распределяет новые фотографии и присваивает им определенный «лейблы» в зависимости от их принадлежности к одному из классов. В данной работе мы рассматриваем 3 различных типа маскировки и дополнительный класс – лицо без маскировки. Ниже представлены яркие представители каждого из классов.

Рисунок 4. Типичные представители трех видов маскировки

Для удобства хранения обучающей выборки и последующем ее редактировании создана база данных (БД), в которой будут храниться существующие записи. База данных представляет собой определенным образом структурированную совокупность данных, совместно хранящихся и обрабатывающихся в соответствии с некоторыми правилами. Поскольку исследования изображений лица предполагает рутинную работу и обработку результатов большого количества данных, разрабатываемая БД позволит значительно упростить работу.

В будущем планируется произвести подробный расчет вероятностных характеристик всех блоков системы. Необходимо определить вероятность правильного решения для классификатора и алгоритма распознавания типа маскировки (блок подготовки данных и блок обучения системы соответственно). Также необходимо увеличить точность распознавания человека в кадре и выделения его лица до уровня не более 95 %.

Список литературы:

1. Колпаков А. В., Мавзютов А. А., Чекунков С. Г., Спиридонов И. Н. Применение технологий биометрической верификации на пунктах пропуска через государственную границу // Физика и радиоэлектроника в медицине и экологии – ФРЭМЭ'2016 : доклады XII Междунар. науч. конференции с науч. Молодёжной сессией, Владимир-Суздаль, 05-07 июля 2016 г. Кн. 2. Владимир : ВлГУ, 2016. С. 57-59.
2. Weiser, M. The Computer for the 21st Century / M. Weiser. // Scientific American. – 1991. – 3. – С. 66-76.