WWW.PDF.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Разные материалы
 

«УДК 004.896 АВТОМАТИЗИРОВАННОЕ РАСПОЗНАВАНИЕ НЕТИПИЧНОГО ПОВЕДЕНИЯ НА ОСНОВЕ ВИЗУАЛЬНООПТИЧЕСКОГО МОНИТОРИНГА КАК ОДНА ИЗ ПРОБЛЕМ КОМПЬЮТЕРНОГО ЗРЕНИЯ М.А. Цуканов Старооскольский ...»

4041

УДК 004.896

АВТОМАТИЗИРОВАННОЕ

РАСПОЗНАВАНИЕ НЕТИПИЧНОГО

ПОВЕДЕНИЯ НА ОСНОВЕ ВИЗУАЛЬНООПТИЧЕСКОГО МОНИТОРИНГА

КАК ОДНА ИЗ ПРОБЛЕМ

КОМПЬЮТЕРНОГО ЗРЕНИЯ

М.А. Цуканов

Старооскольский технологический институт (филиал) НИТУ «МИСиС»

Россия, 309516, Белгородская область, Старый Оскол, мкр. Макаренко, 42 E-mail: tsukanov_m_a@mail.ru О.П. Ульянова Старооскольский технологический институт (филиал) НИТУ «МИСиС»

Россия, 309516, Белгородская область, г. Старый Оскол, мкр. Макаренко, 42 E-mail: ulianov032223@mail.ru Ключевые слова: компьютерное зрение, видеонаблюдение, искусственный интеллект, нейронные сети, скелетизация Аннотация: В статье рассматривается проблематика компьютерного зрения и основные задачи, которые могут быть решены на его основе. В качестве примера рассматривается возможность реализации распознавания нетипичного поведения человека на производстве с помощью автоматизированного нейросетевого анализа данных систем видеонаблюдения.

1. Введение Область компьютерного зрения может быть охарактеризована как молодая, разнообразная и динамично развивающаяся. И хотя существуют более ранние работы, можно сказать, что только с конца 1970-х началось интенсивное изучение этой проблемы, когда компьютеры смогли управлять обработкой больших наборов данных, таких как изображения.


Однако эти исследования обычно начинались с других областей, и, следовательно, нет стандартной формулировки проблемы компьютерного зрения. Также, и это даже более важно, нет стандартной формулировки того, как должна решаться проблема компьютерного зрения. Вместо этого существует масса методов для решения различных строго определенных задач компьютерного зрения, где методы часто зависят от задач и редко могут быть обобщены для широкого круга применения. Многие из методов и приложений все еще находятся в стадии фундаментальных исследований, но все большее число их находит применение в коммерческих продуктах. Там они часто составляют часть большей системы, которая может решать сложные задачи (например, в области медицинских изображений или измерения и контроля качества в процессах

XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ

ВСПУ-2014 Москва 16-19 июня 2014 г.

изготовления). В большинстве практических применений компьютерного зрения компьютеры предварительно запрограммированны для решения отдельных задач, но методы, основанные на знаниях, становятся все более общими [1].

Компьютерное зрение сейчас находится в особой точке своего развития. Не так давно для получения хорошего цветного изображения нужно было потратить не один десяток тысяч долларов, сейчас для этого достаточно и нескольких сотни долларов.

Сравнительно недавно цветной принтер имелся лишь в некоторых исследовательских лабораториях, сейчас его используют повсеместно. Таким образом, проводить серьезные исследования и решать многие повседневные задачи теперь можно с помощью методов компьютерного зрения. Сегодняшние знания по геометрии и физики зрения и, что еще важнее, умение их применять в нужном направлении значительно развились.

Сейчас уже возможно решение задач, интересующих множество людей. Но еще не решена ни одна из действительно сложных задач.

Компьютерное зрение применяется довольно широко как в относительно старых областях (например, управление мобильными роботами, промышленные средства наблюдения, военные приложения), так и в сравнительно новых (взаимодействие человек-компьютер, поиск изображения в цифровых библиотеках, анализ медицинских изображений и реалистичная передача смоделированных сцен в компьютерной графике.

2. Задачи и функции компьютерного зрения

2.1. Задачи компьютерного зрения Каждая из областей применения компьютерного зрения, описанных выше, связана с рядом задач; более или менее хорошо определенные проблемы измерения или обработки могут быть решены с использованием множества методов. Некоторые примеры типичных задач компьютерного зрения представлены ниже:

1) Распознавание – классическая задача в компьютерном зрении, обработке изображений и машинном зрении, которая заключается в определении, содержат ли видеоданные некоторый характерный объект, особенность или активность. Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в компьютерном зрении в общем случае: случайные объекты в случайных ситуациях.

Существующие методы решения этой задачи эффективны только для отдельных объектов, таких как простые геометрические объекты (например, многогранники), человеческие лица, печатные или рукописные символы, автомобили и только в определенных условиях, обычно это определенное освещение, фон и положение объекта относительно камеры.

В литературе описано различное множество проблем распознавания:

Распознавание: один или несколько предварительно заданных или изученных объектов или классов объектов могут быть распознаны, обычно вместе с их двухмерным положением на изображении или трехмерным положением в сцене.

Идентификация: распознается индивидуальный экземпляр объекта. Примеры: идентификация определенного человеческого лица или отпечатка пальцев, или автомобиля.

Обнаружение: видеоданные проверяются на наличие определенного условия. Например, обнаружение возможных неправильных клеток или тканей в медицинских изображениях. Обнаружение, основанное на относительно простых и быстрых вычислениях, иногда используется для нахождения небольших участков в анализиXII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ ВСПУ-2014 Москва 16-19 июня 2014 г.

руемом изображении, которые затем анализируются с помощью приемов, более требовательных к ресурсам, для получения правильной интерпретации.

Существует несколько специализированных задач, основанных на распознавании, например:

Поиск изображений по содержанию - нахождение всех изображений в большом наборе изображений, которые имеют определенное содержание. Отбор изображений может быть произведен различными путями, например в терминах схожести с конкретным изображением (найдите мне все изображения похожие на данное изображение), или в терминах высокоуровневых критериев поиска, вводимых как текстовые данные (найдите мне все изображения, на которых изображено много домов, которые сделаны зимой и на которых нет машин).

Оценка положения – определение положения или ориентации определенного объекта относительно камеры. Примером применения этой техники может быть содействие руке робота в извлечении объектов с ленты конвейера на линии сборки.

Оптическое распознавание знаков - распознавание символов на изображениях печатного или рукописного текста, обычно для перевода в текстовый формат, наиболее удобный для редактирования или индексации (например, ASCII) [2].

2) Движение. Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения скорости каждой точки изображения или 3D сцены. Примерами таких задач являются:

Определение трехмерного движения камеры.

Слежение, то есть следование за перемещениями объекта (например, машин или людей).

3) Восстановление сцены. Даны два или более изображения сцены или видеоданные. Восстановление сцены имеет задачей воссоздать трехмерную модель изображения. В простейшем случае моделью может быть набор точек трехмерного пространства.

Более сложные методы воспроизводят полную трехмерную модель.

4) Восстановление изображений - это удаление шума (шум датчика, размытость движущегося объекта и т. д.). Наиболее простым подходом к решению этой задачи являются различные типы фильтров, таких как фильтры нижних или средних частот. Более сложные методы используют представления того, как должны выглядеть те или иные участки изображения, и на основе этого их изменение.

Более высокий уровень удаления шумов достигается в ходе первоначального анализа видеоданных на наличие различных структур, таких как линии или границы, а затем управления процессом фильтрации на основе этих данных.

2.2. Основные функции системы компьютерного зрения Реализация систем компьютерного зрения сильно зависит от области их применения, аппаратной платформы и требований по производительности.





Некоторые системы являются автономными и решают специфические проблемы детектирования и измерения, тогда как другие системы составляют подсистемы более крупных систем, которые уже могут содержать подсистемы контроля механических манипуляторов (роботы), информационные базы данных (поиск похожих изображений), интерфейсы человекмашина (компьютерные игры) и т.д. Однако существуют функции, типичные для многих систем компьютерного зрения:

1) Получение изображений. Цифровые изображения поступают от одного или нескольких датчиков изображения, которые помимо различных типов светочувствительных камер включают датчики расстояния, радары, ультразвуковые камеры и т. д. В зависимости от типа датчика получаемые данные могут быть обычным 2D изображением, 3D изображением или последовательностью изображений. Значения пикселей

XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ

ВСПУ-2014 Москва 16-19 июня 2014 г.

обычно соответствуют интенсивности света в одной или нескольких спектральных полосах (цветные или изображения в оттенках серого), но могут быть связаны с различными физическими измерениями (глубина, поглощение или отражение звуковых или электромагнитных волн) или ядерным магнитным резонансом.

2) Предварительная обработка. Перед тем, как методы компьютерного зрения могут быть применены к видеоданным с тем, чтобы извлечь определенную долю информации, необходимо обработать видеоданные для того, чтобы они удовлетворяли некоторым условиям, в зависимости от используемого метода. Примерами являются:

Повторная выборка с тем, чтобы убедиться, что координатная система изображения верна.

Удаление шума с тем, чтобы удалить искажения, вносимые датчиком.

Улучшение контрастности для того, чтобы нужная информация могла быть обнаружена.

Масштабирование для лучшего различения структур на изображении.

3. Выделение деталей. Детали изображения различного уровня сложности выделяются из видеоданных. Типичными примерами таких деталей являются:

Линии, границы и кромки.

Локализованные точки интереса, такие как углы, капли или точки: более сложные детали могут относиться к структуре, форме или движению.

4. Детектирование/сегментация. На определенном этапе обработки принимается решение о том, какие точки или участки изображения являются важными для дальнейшей обработки. Примерами являются:

Выделение определенного набора интересующих точек.

Сегментация одного или нескольких участков изображения, которые содержат характерный объект.

5. Высокоуровневая обработка. На этом шаге входные данные обычно представляют небольшой набор данных, например набор точек или участок изображения, в котором предположительно находится определенный объект. Примерами являются:

Проверка того, что данные удовлетворяют условиям, зависящим от метода и применения.

Оценка характерных параметров, таких как положение, размер объекта.

Классификация обнаруженного объекта по различным категориям.

3. Интеллектуализация систем видеонаблюдения как одна из задач компьютерного зрения

3.1. Современные проблемы анализа видеоизображения В настоящее время активно расширяются области применения компьютерного зрения в рамках систем видеонаблюдения: от мониторинга за покупателями в супермаркетах до распознавания преступных и террористических угроз в местах массового скопления людей. Множество современных предприятий, как крупных промышленных гигантов, так и предприятий мелкого и среднего бизнеса, используют системы видеонаблюдения в целях безопасности и наблюдения за сотрудниками.

Анализ видеоматериала осуществляется, в основном, оператором-человеком, на монитор которого выводится изображение с нескольких камер наблюдения. Но человек не всегда точно может определить нетипичное поведение объекта, за которым производится наблюдение, в силу своей утомляемости, вероятности того, что он может отвлечься, и из-за других субъективных факторов.

XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ

ВСПУ-2014 Москва 16-19 июня 2014 г.

В современных системах видеонаблюдения таких, как «Mobotix» [3], «Синезис»

[4], прилагается ряд функций, которые позволяют осуществлять регистрацию объекта наблюдения в следующих ситуациях: пересечение объектом линии в выбранном направлении, движение объекта в зоне, переход объекта из одной зоны в другую, пребывание объекта в зоне больше позволенного времени. Это снижает требования к вниманию оператора за счет автоматического оповещения о нарушениях границ зоны и возникновении отклонений от траекторий движения. Однако существует ряд областей, например регистрация преступных действий или наблюдение за работниками, где попрежнему требуется высокая степень внимания оператора, поскольку важным является не только пребывание объекта в зоне или контроль траектории его движения, но и анализ его поведения.

3.2. Архитектура интеллектуальной системы видеонаблюдения для определения нетипичного поведения работника В качестве области применения нами рассматривается нормирование трудовых операций на основе визуального наблюдения за работниками, труд которых оценивается не сдельно, а по времени, где трудно определить фактическое время работы. Задачей является создание интеллектуальной надстройки над системой видеонаблюдения осуществляющей функцию выявления нетипичного поведения (непроизводственных действий) объекта наблюдения (рабочего). Структура системы с такой функцией строится на основе распределенной схемы размещения камер видеонаблюдения, фиксирующих действия объектов наблюдения (рабочих), выполняющих некие действия (рис. 1).

Рис. 1. Структура системы видеонаблюдения.

Видеоинформация централизовано собирается на сервере-видеорегистраторе, где и происходит анализ.

В качестве основного инструмента анализа видеоизображения возможно использование нейронных сетей. Так, например, распознавание аномального поведения человека на основе анализа его эмоционального состояния с использованием нейронной сети типа персептрон описано в [5].

В настоящей работе предлагается рассмотреть комплексную методику видеоанализа с использованием искусственных нейронных сетей и графовых методов.

Применение графовых методов обусловлено необходимостью предварительной обработки видео с целью выделения на ней активной области, где непосредственно присутствует человек, представленный в виде взаимосвязанного графа-скелета и выполняющий действия.

Граф рассматривается как совокупность характерных точек (рис. 2), изменение положения которых однозначно характеризует выполнение некоторой операции или действия. Каждая характерная точка описывается тремя координатами и скоростью их из

–  –  –

менения во времени. От этих данных зависит количество входов нейронной сети, осуществляющей определение нетипичного поведения.

Рис. 2. Выделение характерных точек.

Нейронная сеть имеет двухслойную структуру. Сети первого уровня отслеживают положение характерной точки на основе трех координат (Xi, Yi, Zi) и скорости их изменения ( vi ). Второй слой идентифицирует действие по совокупности положений характерных точек.

Рис. 3. Структура нейронной сети определения нетипичного поведения человека.

Обучение нейронных сетей проводится в автономном режиме. Подаются все вариативные изменения положений характерных точек с целью определения последовательности повторяющихся действий, характеризующих недопустимое поведение. Далее эти зависимости представляется в виде графа переходов.

Соответствие этому графу (с достаточной долей погрешности) определяется как нетипичное поведение.

XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ

ВСПУ-2014 Москва 16-19 июня 2014 г.

4. Заключение Предложенное решение, основанное на распознавании нетипичного поведения и контроле действий, позволит вовремя выявлять отклоняющееся поведение человека в различных ситуациях (производство или места массового скопления людей, как то вокзалы, больницы и др.). Возрастающая необходимость автоматизированного и автоматического анализа различного рода изображений и видео актуализирует дальнейшие исследования в рамках данной проблематики. Требует дальнейшего изучения вопрос выбора алгоритма предварительной подготовки (скелетизации) изображения и видео.

Так же необходимо исследовать применение других алгоритмов распознавания как альтернативы нейросетевой методики.

Список литературы

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.

2. Местецкий Л. М. Математические методы распознавания образов. М.: МГУ, 2004. С. 42-44.

3. Система видеонаблюдения «Синезис»: http://synesis.ru

4. Система видеонаблюдения “Mobotix”: http://www.mobotix.com

5. Князев Б. А., Гапанюк Ю. Е. Распознавание аномального поведения человека по его эмоциональному состоянию и уровню напряженности с использованием экспертных правил // Инженерный вестник МГТУ им. Н.Э. Баумана. 2013. № 3.

–  –  –





Похожие работы:

«КАК СОЗДАВАТЬ ГУМАНИТАРНЫЕ ТЕХНОЛОГИИ В ПСИХОЛОГИИ А.Н. Елизаров Московский государственный гуманитарный университет имени М.А. Шолохова, psychologia@yandex.ru В статье описывается алгоритм создания гуманитарных технологий в психологии. Алгоритм предполагает: 1) выявление и систематизацию элементов гуманитарного знания, соответствующих...»

«Виртуальная Энциклопедия находится на стадии редактирования Абахов Александр Возраст: 10 лет Г. Москва Александр – один из лучших учеников начальной Ломоносовской школы. Яркая личность, отличный ученик. Усердие, стремление проявить себя во всех видах деятельности, интеллектуальные способности и желание их развивать, любознательность – эт...»

«УПРАВЛЕНЧЕСКОЕ ВзАИмОдЕйСТВИЕ РУКОВОдИТЕЛЕй КАК ОБЪЕКТ СОцИАЛьНОПСИхОЛОгИЧЕСКОгО ИзУЧЕНИя (ПО мАТЕРИАЛАм зАРУБЕЖНых ИССЛЕдОВАНИй) С.ю. флоровский1 Управленческое взаимодействие руководителей организации сравнительно недавно ст...»

«Лариса Павлиновна Баданина Психология познавательных процессов Издательский текст http://www.litres.ru/pages/biblio_book/?art=3260435 Психология познавательных процессов: Флинта; М.; 201...»

«ИССЛЕДОВАНИЯ ПРОСТР АНСТВЕННО-ВРЕМЕННОЙ ОРГ АНИЗАЦИИ ЧЕЛОВЕКА В ПСИХОЛОГИИ: О РЕЗОНАНСНОЙ ПРИРОДЕ ПРОЯВЛЕНИЯ ПСИХИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА Русланов Д.В., Краузе Т.М. Межрегиональная академия управления персоналом (г. Харьков) П...»

«СИТУАЦИОННЫЕ ЗАДАЧИ ДЛЯ САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ по дисциплине СУДЕБНО-ПСИХОЛОГИЧЕСКАЯ ЭКСПЕРТИЗА 1. Подэкспертная К., 19 лет, поехала навестить своего жениха, который служил в одной из воинских частей Подмосковья. В ожидании попутного транспорта она познакомилась с четырьмя молодыми людьми, котор...»

«Попова Анна Владиславовна ДИНАМИКА И ФАКТОРЫ СОЦИАЛЬНО-ПСИХОЛОГИЧЕСКОЙ АДАПТАЦИИ ПОЖИЛЫХ ЛЮДЕЙ В СОВРЕМЕННЫХ ДОМАХ-ИНТЕРНАТАХ Специальность 19.00.05 – социальная психология Автореферат на соискан...»

«Религиозная философия Священник Вячеслав Санин ПРОБЛЕМА БОГОПОЗНАНИЯ В СРЕДНЕВЕКОВОЙ ФИЛОСОФИИ: МОИСЕЙ МАЙМОНИД И ФОМА АКВИНСКИЙ В статье рассматриваются вопросы средневековой гносеологии, в частности — богопознания, и связанные с этим...»

«Инна Витальевна Васильева Общий психологический практикум. Наблюдение. Учебное пособие Текст предоставлен издательством http://www.litres.ru/pages/biblio_book/?art=6603003 О...»

«Бызова Лариса Васильевна ВЛИЯНИЕ ГЕНДЕРНОЙ ИДЕНТИЧНОСТИ НА СОЦИАЛЬНО-ПСИХОЛОГИЧЕСКУЮ АДАПТАЦИЮ ЖЕНЩИН Специальность 19.00.05 – социальная психология АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата психологическ...»








 
2017 www.pdf.knigi-x.ru - «Бесплатная электронная библиотека - разные матриалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.