Аникин Дмитрий Владимирович.
Заместитель Генерального директора по научной части
Научно-технический центр «Дозор»
Международного общественного фонда «Правопорядок-Центр».

Обзор методов анализа видеоинформации на примере математического обеспечения АПК

   Интеллектуализация информационных моделей в классе видеомониторинговых охранных систем

   Практической основой данного сообщения являются базовые модели видеомониторинговых охранных систем АПКД , находящиеся в рабочей эксплуатации.

   Среди множества технических средств и решений в области обеспечения безопасности наиболее перспективным направлением является развитие систем видеомониторингового типа. На настоящей момент времени сложилась такая ситуация, что если системы охранной, пожарной сигнализации, ограничения доступа и т.п. полностью обрабатывают тот, весьма незначительный, объем информации, который поступает с охраняемого объекта, то все без исключения системы видеомониторинга могут самостоятельно, без участия оператора, обработать лишь незначительную часть приходящей в систему информации.
    Проблема избытка информации и недостаточности традиционных методов анализа для ее обработки и будет в ближайшие годы определять направления развития систем видеомониторингового типа. Таким образом, закончилась пора экстенсивного развития видеосистем, когда наращивание их мощности шло за счет увеличения количества камер, их эксплуатационных характеристик, улучшения параметров используемого в системе компьютера. Пришло время искать новые способы обработки и анализа видеоинформации.

   Существенной особенностью всех описанных ниже алгоритмов является тот факт, что перед разработчиками стояла задача создания таких алгоритмов и методов, которые могут быть реализованы на стандартном компьютере типа Р-2. Такое ограничение, хотя и не позволяет реализовать многие весьма перспективные методы анализа, в частности сложные модели искусственного интеллекта и нейронных сетей, тем не менее, является оправданным экономической ситуацией, сложившейся в России.

В данной работе представлены:

  некоторые реализации видеофильтров, которые могут работать как по отдельности, так и совместно по одной зоне охраны;

  описание алгоритмов отслеживания траекторий наблюдаемого объекта и принятия решений о «санкционированности/несанкционированости» контролируемой обстановки;

  описание алгоритмов автоматического изменения чувствительности зон видеонаблюдения в зависимости от изменения времени суток, погодных условий или специфических условий конкретного наблюдаемого объекта, а также на основе анализа статистических данных (самонастройка системы).

1. Некоторые исходные понятия для задачи фильтрации

   Информация с охраняемого объекта, аккумулируемая системой видеомониторинга, позволяет с заданной степенью точности формировать совокупность апостериорных эмпирических оценок работы системы. Анализ тревожных ситуаций и реакций системы позволил сформировать и реализовать на практике ряд математических фильтров, а также принципы и способы самонастройки системы.

   Фильтрация видеоизображений есть процесс анализа видеособытий (видеокадров, последовательностей видеокадров) с целью разбиения их на классы тревожных событий и необъектовых (шумовых, тривиальных) изменений. В более общей постановке задачи область значения видеофильтра может быть любым конечным или счетным множеством. Так в задаче об определении номеров областью значения видеофильтра является множество численно-буквенных последовательностей размерности N.

   Зона охраны видеокамеры представляет собой геометрическую область зоны обзора. В стандартной реализации системы видеомониторинга такая зона ограничена прямоугольником (не обязательно правильным). Функциональное назначение зоны охраны - это ограничение области, в которой видеокамера реагирует на изменения параметров видеоизображения. В АПК «Дозор» для каждой видеокамеры устанавливается до 30-ти зон охраны.

   По сути своей установка зоны охраны есть первая итерация в процессе фильтрации видеоизображений, отсекающая любого рода возмущения в зоне видимости, не имеющие точек пересечения с зоной охраны.

   События в зоне охраны в результате дискретизации отображаются в совокупность пикселей анализируемого изображения. Каждой зоне сопоставляется набор параметров (D х_пор; D у_пор), где:

D х_пор - характеризует изменение яркости одного пикселя зоны;

D у_пор - [%] характеризует долю пикселей в зоне, изменение яркости которых превышает D х_пор;

Данный набор параметров задает обобщенные пороги "срабатывания зон".

2. Видеофильтры.

Метод видеоанализа с «боковым зрением»

   Для каждой зоны охраны формируется зона (совокупность зон), находящаяся в идентичных условиях освещенности и выполняющая компенсационные функции. Сравнение изображений в основной и компенсирующей зонах позволяет отсечь шум и свести к минимуму ложные срабатывания. При этом фиксация события происходит в том случае, если изменение параметров изображения превосходит, а в компенсирующей зоне не превосходит, предварительно установленные уровни.

   Суть метода заключается в одновременном анализе двух геометрических зон видеокадра (зона А и зона В), в результате которого принимается решение о регистрации события.

   Считается, что зона А или В сработала, если значение D y превышает пороговое D y_пор.

   Определим функцию Р срабатывания зоны как 0 для D y? D y_пор и 1 в обратном случае.

   Пусть А – событие первой зоны.

   В – событие второй зоны.

   Если P(A)*(1-P(B)) = 1, то событие, зарегистрированное в зоне А, является не шумовым и фиксируется.

   Зoна А геометрически размещается в видеокадре так, чтобы охватить интересующий нас охраняемый объект, а зона В размещается в том месте кадра, где шумовые изменения максимально идентичны зоне А. В этом случае в процессе инсталляции системы мониторинга необходимо получать такие значения {D х_A; D у_A}, {D х_B; D у_B}, которые уравнивают шумовые пороги срабатывания в кадре для зон А и В в отсутствие преднамеренного нарушения в зоне А (при этом, как правило, порог срабатывания для зоны В устанавливается ниже, чем для зоны А). Это наиболее общий случай, позволяющий гибко настраивать систему.

   Принятие решения о расположении зоны В относительно зоны А это процесс, который, к сожалению, почти невозможно формализовать.

Метод групп

   Более сложным, но и более действенным, чем метод двух зон является метод групп, состоящий в следующем.

   Серия пар зон АВ, А₁В₁...А_KВ_K формирует видеогруппу, которой соответствует последовательность F, F₁, ... F_K, t_K,K-1, Т, где к I N, t_K,K-1 - интервал времени между событиями А_K-1В_K-1, А_KВ_K и F_K = 1, если имело место срабатывание для пары А_KВ_K и 0 в обратном случае. По последовательности {F} можно сделать вывод о траектории объекта по зонам и в том случае, если последовательность {F} совпадает с какой-либо из предустановленных, считается, что произошло тревожное событие. Это дает возможность рассматривать безопасность охраняемого объекта в терминах «санкционированных/несанкционированных» траекторий.

   Включение в видеосистему группового фильтра позволяет простыми вычислительными ресурсами (Булева Алгебра) принципиально усилить процесс выделения нетривиальных событий на открытых площадках. При этом если использовать метод групп в качестве следующего по иерархии за методом «бокового зрения», то изменчивость среды, связанная с погодными проявлениями, принципиально не влияет на каноническое представление о перемещениях нарушителя, что позволяет своевременно активизировать соответствующие меры пресечения.

Метод видеоанализа - «волна»

   Суть метода волны состоит в следующем. Зона А, представляющая собой прямоугольник, делиться на n равных прямоугольных подзон а₁, а₂ ... а_n-1, а_n.

   Считается, что в зоне А присутствует движущийся объект, если для двух последовательных снимков зафиксированные видеокамерой возмущения, превосходящие заданные пороги чувствительности, произошли в некотором подмножестве последовательных подзон а_k,а_k+1... а_k+m для первого снимка и а_i,а_i+1 ... а_i+р - для второго (при этом должны соблюдаться условия i? k, n>m, р>1). Таким образом, если зона А располагается на дороге, то проходящее автотранспортное средство, пересекая последовательно подзоны, генерирует событие, которое фиксируется в виде снимка на диске, а любые другие события, вызвавшие возмущение в одной или нескольких непоследовательных подзонах, либо не удовлетворяющие хотя бы одному из условий 1? р, n>m, р>1, системой не фиксируются.

   При соответствующем расположении и ориентации видеокамер данный способ существенно расширяет возможности системы видеомониторинга, обеспечивая достаточно точное определение скорости интересующего объекта и его размеров.

   Существенной модернизацией данного способа является разработанная методика, позволяющая системе видеомониторинга определять и не реагировать на возмущения, вызываемые тенью движущегося предмета. Видеокамера фиксирует первичное возмущение в зоне А, но если в течение времени, не превосходящего D t₂, происходит аналогичное по траектории и скорости распространения, но меньшее по яркости, возмущение, то фиксации события не происходит. При обнаружении же фиксируемого объекта использование этого фильтра позволяет заметно улучшить соотношение сигнал/шум, непосредственно указывая на то, что мы имеем дело с нетривиальным событием, которое является для системы проявлением экстремального характера.

   Например, фильтр позволяет не только регистрировать автомобили, проезжающие со скоростью до 200 км/ч по неосвещенной автодороге, но и определять их габариты (грузовой/легковой), несмотря на блики фар, а также скорость движения с точностью до 5 км/ч.

3. Иерархия видеофильтров 

  Фильтрация видеособытий может быть реализована как многоступенчатый итерационный процесс, имеющий своим результатом отнесение видеособытия к одному из априорно заданных подклассов.

   При применении многоступенчатой фильтрации видеособытие обрабатывается с помощью первого видеофильтра и если результатом обработки будет решение о том, что событие принадлежит классу тревожных (одному из подклассов нетривиальных событий, возможно без определения конкретного подкласса), оно обрабатывается следующим фильтром, иначе процесс обработки считается законченным.

   В практических реализациях систем видеомониторингового типа, построение иерархии видеофильтров строится по принципу быстродействия. То есть на первом этапе обработка видеоизображения производится самым быстродействующим и, как следствие, самым грубым и примитивным фильтром. Такая концепция предполагает соответствующую настройку параметров видеофильтров, обеспечивающую требуемое отношение между количеством ошибок первого, второго рода.

   Авторам данной статьи не приходилось сталкиваться с системами видеомониторинга, реализующими в иерархической последовательности более трех видеофильтров, однако, даже при таком ограничении, задача установки иерархии и настройки куда тоньше, чем кажется на первый взгляд. Принимая во внимание тот факт, что аргументом любого фильтра является даже не видеоизображение, которое можно записать в виде массива значений, а трудно формализуемая видеоинформация, задача определения коэффициента корреляции между произвольными видеофильтрами весьма сложна.

4. Способы самонастройки системы

   Самонастройка системы может осуществляться по следующим направлениям.

   Предустановка зависимостей чувствительности зон от времени. Для объектов, в охраняемых зонах которых события должны заведомо происходить по определенному графику (например, видеомониторинг городских улиц в дневное и ночное время, входа в здание в выходные дни и будни, в обеденный перерыв, начало и окончание работы и т.п.), возможна автоматическая корректировка порогов чувствительности в соответствии со временем суток, днем недели. Кроме того, при корректировке чувствительности зон можно учитывать условия освещения в охраняемых зонах в различное время суток и в зависимости от времени года. Зависимость чувствительности от времени может устанавливаться оператором как для системы в целом, так и индивидуально для каждой наблюдаемой зоны.

   Статистический анализ числа событий в зоне за определенный период в зависимости от времени суток, дня недели и т.д. На основе данных статистического анализа получаются оценки математического ожидания, и среднеквадратичных отклонений плотности событий в данной зоне для заданного интервала времени суток. В случае если число событий отличается от среднего для данного интервала времени суток больше, чем на величину среднеквадратичного отклонения, система может, соответственно, повысить или понизить чувствительность соответствующей зоны. При этом шаг приращения порога чувствительности и пределы его изменения могут варьироваться либо оператором, либо автоматически, в результате обучения и самообучения системы.

Заключение

   На основании опыта эксплуатации АПК «Дозор» и первых шагов в реализации экспертного подхода при создании конкретных информационных фильтров на ряде объектов в г. Москве и различных регионах России можно выделить следующие результаты и выводы:

  найденные, к настоящему времени, технические решения, включающие процедуру параметрической самонастройки и пороговых методов принятия решения, образуют базовую совокупность систем для интеллектуализации на концептуальном уровне;

  для решения проблемы дальнейшей интеллектуализации видеомониторинговых систем с помощью формальных компьютерных комплексов необходимо решение ряда прикладных и фундаментальных проблем, что позволяет реализовать потенциально достижимый уровень качества за счет применения новых информационных технологий и методов современной теории искусственного интеллекта.