Обоснование внедрения системы распознавания лиц человека в потоке в комплексную систему обеспечения безопасности г

СОДЕРЖАНИЕ
ВВЕДЕНИЕ	
1. Теория распознавания образов.	
1.1. Распознавание образов	
1.2 Распознавание лиц		
1.3. Требование к системе 
2. Практическое применение системы	
2.1. Комплексные системы безопасности	
2.2. Проект «Безопасный город»	
2.3 Аналоги	
2.4. Предложение по внедрению	
2.5. Картирование территории г. Вологды   	
3.Оценка стоимости системы безопасности территории г. Вологды   	
3.1. Система видеонаблюдения и видеозаписи	
3.2. Расчет затрат на разработку ПО для распознавания лиц	
3.3 Расчет эксплуатационных затрат	
4. Патентные исследования	
Заключение	
          Приложения	
      Перечень сокращений, условных обозначений, символов, единиц, терминов	
1.Общие данные об объекте исследования	
2. Информационная ситуация по РФ.	
2.1. Динамика регистрации по годам	
2.2 Анализ правообладателей	
2.3 Научно-техническая документация	
2.4 Оценка технического уровня	
Заключение	
Приложение А.А	
Приложение А.Б	
Приложение А.В	

Введение
Актуальность темы.
      В последнее время в связи с обострившейся политической ситуацией вопросы безопасности городов, предприятия и территорий в целом, становятся как никогда актуальными. Обеспечение безопасности в 21 веке базируется на новейших технологиях и одними из самых сложных из них являются технологии распознавания лиц. О важности этой проблемы говорит тот факт, что исследования по распознаванию образов, анализу изображений и речи включены в перечень приоритетных направлений развития науки и техники и критических технологий федерального уровня.
      Задача идентификации и распознавания лиц – это одна из первых практических задач, которая стимулировала становление и развитие теории распознавания и идентификации объектов, а также является одной из основных систем комплекса безопасности. В данном случае, конкретно
– система распознавания лиц в потоке людей. Для решения задачи распознавания лиц используются различные методики, среди которых можно выделить подходы, основанные на нейронных сетях, на разложении Кархунена–Лоэва, на алгебраических моментах, линиях одинаковой интенсивности, эластичных (деформируемых) эталонах сравнения.
      Анализ методов выделения сюжетной части изображения показал, что для решения данной задачи эффективно использовать искусственные нейронные сети, в связи с тем, что они обеспечивают возможность получения классификатора, хорошо моделирующего сложную функцию распределения изображений лиц, тем самым, увеличивая точность решения по сравнению с остальными методами [1].
      Однако одного этого элемента недостаточно для того, чтобы обеспечить всестороннюю защиту охраняемого объекта. Для этого стоит прибегнуть виду систем безопасности, именуемыми
– комплексными, включающие в себя широкий спектр систем обеспечения контроля, наблюдения и предотвращения чрезвычайных ситуаций. К тому же системы безопасности должны быть качественными и эффективными, соответствовать установленным стандартам и, желательно, быть простыми в обслуживании.
      Целью данной работы является обоснование внедрения системы распознавания лиц человека в потоке в комплексную систему обеспечения безопасности г. Вологды.
Основные задачи магистерской диссертационной работы:
      1. Составление описания систем распознавания видео изображений, включающий в себя обзор систем, основанных на методике нейронных сетей.
2. Составление описания комплексных систем обеспечения безопасности.
3. Предложение описания алгоритма системы комплексной безопасности территории ТГУ.
4. Оценка территории г. Вологды    с выявлением
предполагаемых точек, с которых возможен несанкционированный доступ.

1.Теория распознавания образов
1.1. Распознавание образов
      Распознавание образов — это отнесение исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных[15].
      Под образом будем понимать наименование области в пространстве признаков, в которой отображается множество объектов или явлений материального мира. Признак – количественное описание того или иного свойства исследуемого предмета или явления[6].
      Пространство признаков — это N-мерное пространство, определенное для данной задачи распознавания, где N – фиксированное число измеряемых признаков для любых объектов. Вектор из пространства признаков x, соответствующий объекту задачи распознавания это N-мерный вектор с компонентами (x_1,x_2,…,x_N), которые являются значениями признаков для данного объекта.
      Другими словами, распознавание образов можно определить, как отнесение исходных данных к определенному классу с помощью выделение существенных признаков или свойств, характеризующих эти данные, из общей массы несущественных деталей[2].
      Чаще всего исходным материалом служит полученное с камеры изображение. Задачу можно сформулировать как получение векторов признаков для каждого класса на рассматриваемом изображении. Процесс можно рассматривать как процесс кодирования, заключающийся в присвоении значения каждому признаку из пространства признаков для каждого класса[13].
Ниже приведены некоторые методы распознавания образов:
1.1.1. Фильтрация
      Далее будут описаны методы, позволяющие выделить на изображениях интересующие области, без их анализа. Большая часть этих методов применяет какое-то единое преобразование ко всем точкам изображения. В общем случае под фильтрацией изображения понимают операцию, результатом которой будет изображение, которое получили по заданным правилам из начального изображение с таким же размером. На уровне фильтрации анализ изображения не производится, но точки, которые проходят фильтрацию, можно рассматривать как области с особыми характеристиками.
   Оценка качества фильтра производится по:
  1) Способности фильтра удалять помехи с изображения
2)       Способности фильтра сохранять на изображении все мелкие детали и контуры форм. а) Бинаризация по порогу, выбор области гистограммы.
      Это самое просто преобразование. Довольно часто можно встретить идеальные задачи, в которых применение такого преобразования окажется достаточно. Допустим, необходимо автоматически распознать предметы на белом листе бумаги (рисунок 1).
  









                          а)                                                                             б)
Рисунок 1 - Распознавание объектов, расположенных на чистом листе белой бумаги: а) до распознавания б) после распознавания


 
      Выбор порога, по которому происходит бинаризация, как правило определяет процесс бинаризации. В данном случае, изображение было бинаризовано по среднему цвету. Обычно бинаризация осуществляется с помощью алгоритма, который адаптивно выбирает порог. Таким алгоритмом может быть выбор математического ожидания или медианы. Ну или можем ориентироваться на наибольший пик гистограммы (рисунок 2)








Рисунок 2 – Наибольший пик гистограммы.

      Бинаризация дает очень интересные результаты если работать с гистограммами, особенно в ситуации, когда мы распознаем не КЗС изображение, а в HSB. Можно к примеру, выделить интересующие цвета. На этом принципе можно построить как детектор метки, так и детектор кожи человека. (Рисунок 3)

а)	б)
Рисунок 3 – Метод бинаризации по порогу примененный к фотографии человека: а) до распознавания б) после распознавания
      б) Частотная фильтрация: Фурье-анализ, Фильтр нижних частот (ФНЧ), Фильтр верхних частот (ФВЧ)
      Такие методы фильтрации и обработки сигналов прекрасно применяются во множестве задач теории распознавания образов. Для радиолокации классическим методом будет являться преобразование Фурье (конкретнее – Быстрое преобразование Фурье). В целом метод частотной фильтрации основывается на модификации сигнала путем применения к изображению двумерного преобразования Фурье, но об этом далее. Суть преобразования Фурье в том, что оно позволяет представить практически любой набор данных или же функцию в виде комбинации тригонометрических функций – синуса и косинуса, а это, в свою очередь, позволяет выявить периодические компоненты в данных и далее оценить их вклад в структуру исходных формы функции или данных. Как правило существует три основные формы преобразования Фурье: интегральное преобразование Фурье, ряды Фурье и дискретное преобразование Фурье. Интегральное преобразование Фурье переводит одну комплексную функцию в другую или вещественную функцию в пару вещественных функций. Основным принципом частотной фильтрации будет являться фон и крупноразмерные объекты, которые соответствуют низким частотам. Однако существует одно из немногих исключение, при которых используется одномерное преобразование Фурье, — компрессия изображений. Обычно для анализа изображений одномерного преобразования не хватает, и в таком случае необходимо использовать более ресурсо?мкое двумерное преобразование (рисунок 4).
???1 ???1
1	?2???? ???? +????  

?????? =

???? ?????? ??
??=1 ?? =1

??	??

Рисунок 4 – Формула дискретного преобразование Фурье для двумерного массива чисел
      Но в действительности его мало кто рассчитывает, как правило, куда проще и быстрее использовать св?ртку интересующей области с уже готовым фильтром, заточенным на высокие (ФВЧ) или низкие(ФНЧ) частоты. Метод этот, конечно, не позволит сделать анализ спектра, но в конкретной задаче видеоаналитики обычно нужен не столько сам анализ, как его результат.
      Св?ртка функций — это операция, применяющаяся в функциональном анализе. По определению, св?ртка — это математическая операция, примен?нная к двум функциям f и g, порождающая третью функцию, которая иногда может рассматриваться как модифицированная версия одной из первоначальных. По сути, эту операцию можно рассматривать как особый вид интегрального преобразования.
      Самыми простыми примерами, реализующими подч?ркивание низких частот, являются фильтр Гаусса, а для высоких частот - Фильтр Габора.
      Фильтр Гаусса — электронный фильтр, чьей импульсной переходной функцией является функция Гаусса. Фильтр Гаусса он спроектирован таким образом, чтобы не иметь перерегулирования в переходной функции и максимизировать постоянную времени. Такое поведение тесно связано с тем, что фильтр Гаусса имеет минимально возможную групповую задержку.
      Фильтр Гаусса как правило используется только в цифровом виде для обработки двумерных изображений с целью снижения уровня помех. Однако при изменении частоты дискретного сигнала он дает сильное размытие изображения.
      Фильтр Габора — линейный электронный фильтр, импульсная переходная характеристика которого определяется в виде гармонической функции, помноженной на гауссиан. При цифровой обработке изображений этот фильтр применяется для распознавания границ объектов.
      Из-за свойства соответствия св?ртки в частотной области умножению во временной области, преобразование Фурье импульсной передаточной характеристики фильтра Габора является св?рткой преобразований Фурье гармонической функции и гауссиана.
   Для каждой точки изображения выбирается окно и перемножается с фильтром того же размера. Результатом такой св?ртки является новое значение точки. При 
реализации ФНЧ и ФВЧ получаются изображения, отображенные на рисунке 5:

   Рисунок 5 – Изображения, получающиеся при реализации методов ФНИ и ФВЧ. в) Фильтры, основанные на порядковых статистиках
      Такие фильтры как правило представляют собой пространственные фильтры, для вычисления результата которых требуется предварительное упорядочивание значение пикселей, которое находятся внутри области обработки.
   * одними из самых популярных фильтров данного видя являются:
   * медианный фильтр;
   * фильтр, основанный на вычислении максимумов и минимумов;
   * фильтр средней точки;
   * фильтр усредненного среднего.
      Рассказать о данных фильтрах проще всего на примере медианного, так как он является достаточно популярным в практической деятельности.
Суть данного фильтра заключается в замене значения в точке изображения на медиану значений яркости в окне фильтрации этой точки в размере окна, m*n.
?? ??, ??  = ?????????0,5 ???1