DECOMPOSITION OF IMAGES RECOGNITION IN SECURITY SYSTEMS

Research article
DOI:
https://doi.org/10.23670/IRJ.2017.65.038
Issue: № 11 (65), 2017
Published:
2017/11/18
PDF

Зайцева И.Н.

ORCID: 0000-0003-3415-2099, кандидат педагогических наук, Елецкий государственный университет им. И.А. Бунина, г. Елец

ДЕКОМПОЗИЦИЯ РАСПОЗНАВАНИЯ ОБРАЗОВ В СИСТЕМАХ ОХРАННОГО ТЕЛЕВИДЕНИЯ

Аннотация

Рассмотрена упрощенная схема декомпозиции распознавания видеоизображений в системах охранного телевидения. Предложен алгоритм распознавания образов в одноуровневой интерактивной системе охранного телевидения на основе информационного критерия – дивергенции Кульбака. Проиллюстрировано основное свойство дивергенции, произведен расчёт  зависимости дивергенции от различных значений выборочных параметров. Приведенная формальная строгость информационного критерия вместе с тем допускает простоту аппаратурной реализации.

Ключевые слова: телевидение, распознавание, образ, декомпозиция, видеоизображение, объект, алгоритм, обработка.

Zaitseva I.N.

ORCID: 0000-0003-3415-2099, PhD in Pedagogy, Yelets State Ivan Bunin University, Yelets

DECOMPOSITION OF IMAGES RECOGNITION IN SECURITY SYSTEMS

Abstract

A simplified scheme for the decomposition of video image recognition in CCTV systems is considered. An algorithm for pattern recognition in a single-level interactive CCTV system based on an information criterion – Kulbak divergence is proposed. The basic property of the divergence is illustrated; the dependence of the divergence on different values of the sampling parameters is calculated. The above formal strictness of the information criterion at the same time allows for the simplicity of the hardware implementation.

Keywords: television, recognition, image, decomposition, video, object, algorithm, processing.

Современный этап развития систем охранного телевидения (ОТВ) характеризуется возрастанием объема регистрируемой видеоинформации и скорости ее обработки в аналоговых и цифровых формах. Это предъявляет повышенные требования к заданному качеству представления, передачи по системам связи, хранению и восстановлению видеоизображений объектов наблюдения. При этом разработка систем распознавания образов в современных системах ОТВ становится все более актуальной и важной задачей в особенности для решения задач мониторинга – распознавание лиц, номерных знаков автотранспорта, слежение за объектами, обнаружение появления новых и пропадания установленных объектов на охраняемых территориях и др.

Распознавание образов - это классификация объектов по нескольким категориям или классам. Объекты называются образами.

Образ, класс - классификационная группировка в системе классификации, объединяющая (выделяющая) определенную группу объектов по некоторому признаку [1].

Общий алгоритм распознавания образов (рис. 1) включает следующие этапы [2]: захват кадра; предварительная обработка (предобработка); локализация объекта; распознавание объекта.

30-01-2018 15-59-36

Рис.1 – Общий алгоритм распознавания образов

 

На первом этапе происходит разделение видеопоследовательности на кадры (сцены) для дальнейшей обработки.

На этапе предобработки происходит коррекция освещенности полученного изображения, устранение смазывания, бинаризация.

При выполнении этапа 3 под локализацией (детекцией, обнаружением) понимают анализ изображения с целью обнаружения объекта и определения его координат. Детекция объекта является частным случаем распознавания, но при этом решается задача двухклассовой классификации, где один класс - «объект», второй - «не объект».

На последнем этапе область, содержащую объект, необходимо распознать, то есть отнести ее к одному из множества классов. Например, идентифицировать детектированное лицо или распознавать символы в детектированном номерном знаке транспортного средства.

Упрощенная интерактивная система распознавания образов ОТВ (рис. 2) включает в себя технические устройства видеонаблюдения, устройства распознавания элементов видеоизображения и оператора, принимающего решение о тревоге при нарушениях в обзорном пространстве охраняемой территории. В общем случае система распознавания может быть многоуровневой, в которой результаты распознавания, полученные на одном уровне, используются как исходные данные на следующем более высоком уровне. Порядок разбиение схемы принятия решения в интерактивных системах ОТВ называется декомпозицией и связан с моментами включения оператора в процесс распознавания.

30-01-2018 16-01-05

Рис. 2 – Упрощенная структурная схема распознавания в системах ОТВ

 

В основу построения алгоритма построчного распознавания аномалий в структуре регистрируемых видеосигналов положен принцип сравнения статистических параметров скользящих выборок оцифрованных сигналов текущего и эталонного изображений объектов охраняемой территории. При этом должно быть обеспечено геометрическое согласование координат  исходного (эталонного) и регистрируемого изображений.

Для построчного распознавания аномалий в структуре регистрируемых видеосигналов возможно использование статистического подхода на основе информационной меры различения – дивергенцию Кульбака [3-5].

Дивергенция представляет собой меру «расстояния» или несходства между двумя классами. Её используют для ранжировки признаков и оценки эффективности разделения классов [3, С. 311].

Средняя информация для различения образов i, j с плотностями распределения 30-01-2018 16-02-35 и 30-01-2018 16-03-19 может быть определена с помощью статистической меры расхождения (дивергенцией Кульбака) [6, С. 16]:

30-01-2018 16-04-02   (1)

где 30-01-2018 16-05-15 – вектор наблюдаемых отсчетов.

Для одномерных нормальных плотностей распределения  30-01-2018 16-06-00  построчных выборок изображений дивергенция (1) преобразуется к виду:

30-01-2018 16-07-07   (2)

где n – объем выборки.

Дивергенция (2) обладает следующими весьма полезными для построения системы распознавания свойствами [3, С. 314]:

30-01-2018 16-08-14   (3)

Для иллюстрации основного свойства дивергенции на рис. 3 приведены рассчитанные по формуле (2) зависимости дивергенции от значения отношений  30-01-2018 16-09-11

30-01-2018 16-10-11

Рис. 3 – Зависимость дивергенции от различных значений выборочных параметров

 

При распознавании в процессе вычисления дивергенции с помощью скользящих выборок объемом n неизбежно появление случайных выбросов  отсчетов, как при построчном считывании эталонного изображения, так и в структуре сигналов текущих строк видеокамеры. При этом редкие, но большие случайные выбросы сигналов делают скользящее выборочное среднее mi,j в (2) непригодным в качестве математического ожидания. Тогда, при нечетном 30-01-2018 16-12-42, средний член вариационного ряда 30-01-2018 16-13-47 медиана:

30-01-2018 16-16-31

В качестве оценки математического ожидания, может быть принято [7, С. 236]: 30-01-2018 16-17-19   (4)

При этом медиана менее чувствительна к выбросам считываемых отсчетов сигналов 30-01-2018 16-18-49, чем скользящее выборочное среднее. Кроме того, при различном значении дисперсий 30-01-2018 16-18-57 скользящих выборок включение в алгоритм медианы предпочтительнее, и выигрыш от ее применения может быть весьма значительным [7, С. 237].

На рис. 4 приведена структурная схема, поясняющая алгоритм распознавания аномалий изображений в системе ОТВ. Система распознавания представляет программно-аппаратный комплекс, который в основном состоит из программного обеспечения, компьютера и видеокамеры.

30-01-2018 16-23-42

Рис. 4 – Структурная схема алгоритма распознавания аномалий изображений в системах ОТВ

 

Обработка данных текущих и эталонных видеоизображений производится по строкам. При этом в каждой строке вычисляются скользящие значения дивергенции 30-01-2018 16-24-33. В конце каждой строки определяется наибольшее значение дивергенции:

30-01-2018 16-24-42  (5)

Полученные максимальные значения дивергенции по строкам суммируются и сравниваются с установленным порогом. При превышении суммарного аномального значения дивергенции вырабатывается сигнал распознавания для оператора и включения монитора для просмотра поля изображения. Если суммарные аномальные значения дивергенции не превышают установленного порога, то происходит обработка изображения следующего кадра при выключенном мониторе.

Декомпозиция в интерактивном режиме распознавания также предполагает:

  • детализацию того или иного участка на видеоизображении, относящегося к конкретному элементу охраняемой территории (ворота, окна, двери, козырьки крыш, переходы, щиты, элементы вентиляционных шахт, крышки люков и др.)
  • подключение в процесс распознавания оператора при формировании тревожных сигналов от автомата распознавания.

Таким образом, главными преимуществами приведенного метода распознавания является его относительно простая реализация, возможность использовать пространственные сигналы, представленные в виде цифровых матриц. При этом возможно реализовывать алгоритмы с высокой степенью помехозащищенности. Кроме того, декомпозиция распознавания образов в системах ОТВ освобождает оператора от длительного и утомительного просмотра (в особенности неподвижных) изображений и, вместе с тем, позволяет повысить эффективность видеоконтроля охраняемого объекта.

Список литературы / References

  1. Журавлёв Ю.И. Распознавание, классификация, прогноз. Математические методы и их применение. Вып. 2. / Ю.И. Журавлёв. - М.: Наука, 1989. - 302 с.
  2. Иванов Ю.С. Алгоритмы распознавания подвижных объектов для интеллектуальных систем охранного видеонаблюдения: дис. … канд. тех. наук: 05.13.01: защищена 29.04.2015: утв. 15.10.2015 /Иванов Юрий Сергеевич.- Хабаровск, 2015. - 167 с.
  3. Ту Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес; пер. с англ. И. Б. Гуревича; под ред. Ю. И. Журавлева. – М.: Мир, 1978. – 411 с.
  4. Фомин Я.А. Статистическая теория распознавания образов / Я.А. Фомин, Г.Р. Тарловский. - М.: Радио и связь, 1986. - 264 с.
  5. Галушкин А.И. Синтез многослойных систем распознавания образов / А.И. Галушкин. - М.: Энергия,1974. - 368 с.
  6. Кульбак С. Теория информации и статистика / С. Кульбак; пер. с англ. Д. И. Гордеева, А. В. Прохорова; под ред. А. Н. Колмогорова. – М.: Наука, 1967. – 408 с.
  7. Катковник В. Я. Линейные оценки и стохастические задачи оптимизации. Метод параметрических операторов усреднения / В. Я. Катковник. – М.: Наука, 1976 . – 487 с.
  8. Тельный А. В. Инженерно-техническая защита информации. Системы охранного телевидения: учебное пособие / А. В. Тельный; под ред. проф. М. Ю. Монахова. ‒ Владимир: Изд-во ВлГУ, 2013. – 144 с.
  9. Никитин Р.В. Метод и алгоритмы стилизации изображения в системах охранного телевидения/ Р.В. Никитин // Изв. СПБГЭТУ «ЛЭТИ». Сер. Радиоэлектроника. - 2006. — Вып. 5 - С.42-48
  10. Глезер В. Д. Зрение и мышление /В. Д. Глезер, Ин-т физиологии им. И.П. Павлова Рос. акад. наук . – 2-е изд., испр. и доп . – СПб. : Наука, 1993. – 283 с.

Список литературы на английском языке / References in English

  1. Zhuravljov Ju.I. Raspoznavanie, klassifikacija, prognoz. Matematicheskie metody i ih primenenie. Vyp. 2. [Recognition, classification, prediction. Mathematical methods and their application. Vol. 2.] / Ju.I. Zhuravljov. -: Nauka, 1989. - 302 p. [in Russian]
  2. Ivanov Ju.S. Algoritmy raspoznavanija podvizhnyh ob#ektov dlja intellektual'nyh sistem ohrannogo videonabljudenija [Algorithms of recognition of mobile objects for the intellectual systems of security video surveillance]: dis. … of  PhD in Engineering: 05.13.01: defence of the thesis 29.2015: approved 15.10.2015 / Ivanov Jurij Sergeevich.- Habarovsk, 2015. - 167 p. [in Russian]
  3. Tu Dzh. Principy raspoznavanija obrazov [ Pattern recognition principles] / Dzh. Tu, R. Gonsales; per. s angl. I. B. Gurevicha; pod red. Ju. I. Zhuravleva. – M.: Mir, 1978. – 411 p. [in Russian]
  4. Fomin Ja.A. Statisticheskaja teorija raspoznavanija obrazov [Statistical theory of pattern recognition]/ Ja.A. Fomin, G.R. Tarlovskij. -: Radio i svjaz', 1986. - 264 p. [in Russian]
  5. Galushkin A.I. Sintez mnogoslojnyh sistem raspoznavanija obrazov [Synthesis of multilayer systems pattern recognition]/A.I. Galushkin. -: Jenergija,1974. - 368 p. [in Russian]
  6. Kul'bak S. Teorija informacii i statistika [Information theory and statistics] / S. Kul'bak; per. s angl. D. I. Gordeeva, A. V. Prohorova; pod red. A. N. Kolmogorova. – M.: Nauka, 1967. – 408 [in Russian]
  7. Katkovnik V. Ja. Linejnye ocenki i stohasticheskie zadachi optimizacii. Metod parametricheskih operatorov usrednenija [Linear estimation and stochastic optimization problems. The method of parametric averaging operators]/ V. Ja. Katkovnik. – M.: Nauka, 1976. – 487 [in Russian]
  8. Tel'nyj A. V. Inzhenerno-tehnicheskaja zashhita informacii. Sistemy ohrannogo televidenija: uchebnoe posobie [Engineering and technical protection of information. System closed circuit television: a training manual]/ A. V. Tel'nyj; pod red.prof. M. Ju. Monahova. ‒ Vladimir: Izd-vo VlGU, 2013. – 144 [in Russian]
  9. Nikitin R.V. Metod i algoritmy stilizacii izobrazhenija v sistemah ohrannogo televidenija [Method and algorithms of stylization of the image in the systems of security television] / R.V. Nikitin // Izv. SPBGJeTU «LJeTI». Ser. Radiojelektronika. - 2006. — Vyp. 5 - P. 42-48 [in Russian]
  10. Glezer V. D. Zrenie i myshlenie [ Sight and thinking ]/ V. D. Glezer, In-t fiziologii im. I.P. Pavlova Ros. akad. nauk . – 2-e izd., ispr. i dop . – SPb. : Nauka, 1993. – 283 [in Russian]