Статья опубликована в №10 (июнь) 2014
Разделы: Информационные технологии
Размещена 19.06.2014. Последняя правка: 24.07.2014.
Просмотров - 2891

МОДЕЛЬ ВИДЕОКОНТРОЛЯ И ВЕРИФИКАЦИЯ ОБЪЕКТОВ ОРГАНИЗАЦИИ

Стеценко Дмитрий Андреевич

Волгоградский государственный университет

студент

Научный руководитель Умницын Михаил Юрьевич, ассистент кафедры информационной безопасности Волгоградского государственного униерситета

УДК 004.93'1

ВВЕДЕНИЕ
Не смотря на тенденцию к максимальной автоматизации, современные системы видеоконтроля и верификации объектов, являющихся причиной нарушения, реализуется все еще с привлечением оператора. Нарастание числа ложных тревог приводит к его утомляемости, что в последующем может привести к игнорированию даже чрезвычайных нарушений.

В связи с этим, актуальной в настоящее время представляется разработка модели верификации, основанной на взаимно сопряженных методах адаптивного контроля информационных параметров и характеристик объектов в системах прикладного телевидения, которые обеспечивают независимый автоматизированный контроль разнородных параметров и характеристик объекта причины «нарушения».

ИССЛЕДОВАНИЕ
Как было установлено предыдущим исследованием (ЗАДАЧА ВЕРИФИКАЦИИ ОБЪЕКТОВ ОРГАНИЗАЦИИ СРЕДСТВАМИ ВИДЕОКОНТРОЛЯ), в задачи реальной системы видеоконтроля и верификации входит селекция ограниченного числа параметров и характеристик объекта. Основной методикой решения данного круга задач является установление соответствия между особыми или опорными точками исходного изображения и его эталонными образами в специализированных базах изображений.

Формализуем данный подход с помощью математического аппарата.

Представим видеопоток как множество исходных изображений L={l₁, ..., l_n} где n – число кадров в видеопотоке.

Множество эталонных изображений  R={r₁, ..., r_m}, где m – число анализируемых объектов.

Каждое исходное изображение описывается множеством особых точек
l_i={(xL₁,yL₁), ..., (xL_k,yL_k)}, где (xL_i,yL_i) ­– особая точка изображения, k – число особых точек.

Аналогичным образом описывается каждое эталонное изображение:
R_i={(xR₁,yR₁), ..., (xR_k,yR_k)}

Следует учесть, что возможна ситуация, когда особых точек  на элементах множества исходных изображений не будет выделено, т.е. ` EE ` l_i=`Phi.`

В общем случае, методика сопоставления особых точек изображения (xL_i,yL_i) к точкам эталонного изображению (xR_i,yR_i) включает следующие шаги [2]:

1. Детектирование особых (характерных) точек изображения (xL_i,yL_i);
2. Составление описания опорных точек, т.е. определение их дескриптора;
3. Обучение и заполнение «эталонной» базы данных об опорных точках изображения объекта;
4. Составление описания объектов на изображении (xR_i,yR_i);
5. Поиск связей или расстояния между дескрипторами особых точек на сравниваемых изображениях.
6. Синтез модели преобразования изображений, с помощью которой из одного изображения можно получить другое.

Для определения особых точек будем использовать понятие окрестности. Тогда особой (опорной) точкой изображения будем называть точку p_i, окрестность которой O(p_i) можно отличить от окрестности O′(p_j) любой другой особой точки изображения p_j. Процесс выделения этой точки на кадре называется детектированием, а программа, реализующая данную функцию, − детектором.

Для особой точки, найденной с помощью данного детектора, необходимо рассчитать вектор-дескриптор, описывающий структуру окрестности точки, выделяющей её из остального множества особых точек. При этом дескриптор рассчитывается таким образом, чтобы его значение было инвариантным по отношению к требуемым аффинным преобразованиям изображения.

Дескриптор определяется как:

 d_n=(x_n,1 ,..., x_n,j),

где x_n,j параметры, отвечающие следующим условиям: специфичность, локальность, устойчивость, простота в вычислении и т.д.

Множество дескрипторов определяет модель изображения.

Пусть в точке p изображения I детектором h найдена точечная особенность, и эта точка преобразованием f переводится в точку p' изображения f(I). Пусть также существует достаточно малая окрестность U точки p' такая, что существует точка `barp` ∈U изображения f(I)  в которой детектором h будет найдена точечная особенность. В этом случае точечная особенность в точке p воспроизводима детектором h по отношению к преобразованию f. Из определения следует, что верификация требует анализа пары изображений I и f(I), а также знания преобразования f.

Пусть d₁,…,d_n  – верификационные особенности одного верифицируемого объекта организации, каждая из которых принимает конечные дискретные значения.

Пусть S – множество попыток верификации. При этом каждой попытке s_i∈S можно однозначно сопоставить вектор `vecd`=(d₁,…,d_n), компонентами которого являются текущее значения признаков объекта верификации и вектор `vecd`_эт=(d₁,…,d_n), характеризующий эталон верифицируемого объекта.

Сопоставим попыткам  «1» при удачной верификации и «0» при неудачной. Тогда задачу верификации можно формализовать следующим образом: по некоторому эталону необходимо отнести объект по набору текущих признаков к удачно или неудачно верифицированному. То есть построить отображение f, которое исходя из формальной постановки задачи имеет вид:

∀`vecd`=(d₁,…,d_n) ∈ S, f(`vecd`,`vecd`_эт): s_i→{0,1}.

Таким образом отображение f относит объекты с верификационными признаками (d₁,…,d_n) по некоторому эталонному вектору `vecd`_эт, к классу удачно верифицированных – «1» или неудачно – «0».

Входными данными в описанное модели являются дискретный набор признаков (d₁,…,d_n), где d_i ‒ дескриптор одной характерной точки одного объекта верификации.

Согласно требованиям нормативно-правовой базы в области исследования [2,3] средства видеоконтроля должны разрабатываться с применением модульного подхода. Для этого следует формализовать математическую модель видеоконтроля с учетом функциональных особенностей процесса верификации объектов организации. 

Одним из наиболее удобных и распространён языков функционального моделирования на данный момент является язык используемый в методологии IDEF0, получившей в США статус федерального стандарта. С его помощью моделируемая система представляется как совокупность взаимодействующих работ или функций. Функции системы анализируются независимо от объектов, которыми они оперируют, что позволяет более четко моделировать логику взаимодействия объектов модели.

Разработанная функциональная модель состоит из двух диаграмм: родительской диаграммы и диаграммы, представляющей ее декомпозицию (рисуноки 1 и 2 соответственно).

Рисунок 1. Контекстная диаграмма верхнего уровня

Основной функциональный блок, который определяет систему в качестве единого модуля, детализируется на следующей диаграмме с помощью пяти блоков, соединенных интерфейсными дугами. Эти блоки представляют основные функции возложенные на модель.

Рисунок 2. Дочерняя диаграмма

Декомпозиция основного блока была произведена в соответствии с последовательностью основных действий, выполняемых в процессе верификации объектов организации и установленных в математической модели видеоконтроля. Таким образом, блок, представленный на родительской диаграмме, был разбит на следующие функциональные блоки:

– загрузить изображения (А1);

– детектировать особенности (А2);

– сопоставить дескрипторы эталонного и текущего изображения (А3);

– отфильтровать полученные пары сопоставленных дескрипторов (А4);

– получить результат верификации (А5);

Выделенные функции целесообразно объединить в специальные модули, описание которых содержится в таблице.

Таблица 1. Модули модели верификации

ВЫВОД
Разработанная модель и ее модульное описание позволит разработать архитектуру программного комплекса видеоконтроля и верификации нейтральную относительно аппаратной платформы, что имеет большое значение с точки зрения применимости разработанной модели, так как привязка к какой-либо проприетарной платформе привела бы к ограничению в функциональности и невозможности интеграции с другими решениями в области безопасности. Таким образом спроектированная модель максимально универсальна, а ее компоненты реализованы как автономные относительно своей основной среды модули. 

1. В.Ю. Пименов Вычислительно-эффективный метод поиска нечетких дубликатов в коллекции изображений, Санкт-Петербургский Государственный университет // Электронный ресурс. – Режим доступа: http://romip.ru/romip2009/09_ifm.pdf2. ГОСТ Р 51558-2000 Системы охранные телевизионные. Общие технические требования и методы испытаний
3. Р 78.36.008-99 Рекомендации по комплексному оборудованию банков, пунктов обмена валюты, оружейных и ювелирных магазинов, коммерческих и других фирм и организаций техническими средствами охраны, видеоконтроля и инженерной защиты. Типовые варианты

Рецензии:

19.06.2014, 17:11 Бондаревский Аркадий Самуилович
Рецензия: Работа интересная, полезная и заслуживает быть опубликованной. ВОПРОС: Представляется, что автор смешивает понятия идентификации визуальных образов и их верификации (определения и контроля критериев качества идентификации). ПРЕДЛОЖЕНИЕ (на будущее):Осуществлять верификацию проводимой идентификации, например, методом теории многопараметрических рисков поставщика и потребителя, - определения вероятностей ошибок 1 и 2 рода (между опорными точками и их эталонными образами).

7.07.2014, 17:57 Каменев Александр Юрьевич
Рецензия: Необходимо структурировать статью на соответствующие разделы (введение, основной материал, выводы) согласно требованиям. Чётко выделить вывод, в котором обобщить вклад автора в исследование. После этого рекомендуется к печати.

11.07.2014, 4:14 Назарова Ольга Петровна
Рецензия: Статья интересная, рекомендуется к печати.

21.07.2014, 11:06 Каменев Александр Юрьевич
Рецензия: Вопрос, оставленный в комментарии к другой рецензии, разъяснил в отдельной рецензии (должна появиться после проверки модераторами http://sci-article.ru/stat.php?i=1403107557). Исправляйте. После исправлений - к печати.



Комментарии пользователей:

23.07.2014, 23:55 Закирова Оксана Вячеславовна Отзыв: Обратите внимание на пунктуационное оформление материала.

Оставить комментарий