Полная версия

Главная arrow БЖД arrow Мониторинг, моделирование и прогнозирование опасных природных явлений и чрезвычайных ситуаций -

  • Увеличить шрифт
  • Уменьшить шрифт


<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>

Совершенствование механизмов оценки эффективности информирования и оповещения населения в местах массового пребывания людей на основе алгоритмов технического зрения

О.И. Орлов, И.В. Костерин, О.И. Цеценевская

ФГВОУ ВО Ивановская пожарно-спасательная академия ГПС МЧС России

Актуальность выполнения работы обусловлена необходимостью обеспечения населения качественной общественно значимой информацией в сфере безопасности жизнедеятельности, повышения уровня популяризации в обществе основ культуры безопасности жизнедеятельности.

Целью создания программно-аппаратного комплекса является совершенствование системы информационного обеспечения путем разработки программно-аппаратного комплекса для оценки эффективности информирования и оповещения населения в местах массового пребывания людей.

Разрабатываемый комплекс может быть реализован как одиночное устройство, так и в качестве составляющей распределённой сети видеонаблюдения. Комплекс обеспечивает поддержку процессоров IntelCore i7/i5/i3, ОЗУ до 4 Гб, видео формата FullHD 1080р и интерфейса SuperSpeed USB 3.0, позволяет использовать разные видеокамеры, от простейших web-камер до IP-видеокамер высокой четкости. Энергопотребление собранной системы не превышает 30 Вт, а её толщина составляет 26 мм.

Также описываемый комплекс может использоваться в составе распределённой сети видеонаблюдения, состоящей из видеокамер, управляемых клиентским приложением, которые обеспечивают передачу информации в базу данных серверного приложения.Таким образом, наблюдатель может в любой момент получить полную статистику видеонаблюдения при помощи веб-приложения.

При этом одним из приоритетных направлений визуального информирования выступает опосредованная реклама (в виде наглядной социальной рекламы-билборды, плакаты, информационные стенды и табло).

Предлагаемая система анализа аудитории состоит из следующих компонент: IP-камера видеонаблюдения (предпочтительное разрешение от 720р до 4К), набор алгоритмов технического зрения (выделение лиц, выделение пешеходов,трекинг выделенной области, локальное распознавание, классификация по полу, возрасту, расе), инфраструктура для обработки результатов и передачи данных в облачное хранилище, интерфейс доступа к статистическим отсчетам для конечного потребителя.

Комплекс позволит точно подсчитать количество обнаруженных объектов. За счет высокоэффективных алгоритмов распознавания и интеллектуального алгоритма трекинга данный комплекс распознает лица людей даже при большом угле поворота, а также исключает ошибочное детектирование людей при пересечении их траекторий или пересечении траектории зрителя с препятствием.

Для достижения поставленной цели необходимо решить следующие задачи:

  • • Разработать технические требования к программно-аппаратному комплексу, к перечню и объему решаемых задач.
  • • Разработать специализированное программное обеспечение, реализующее задачи программно-аппаратного комплекса.
  • • Провести апробацию программного обеспечения по отработке функциональных задач программно-аппаратного комплекса.
  • • Провести комплексирование и создание опытного образца программноаппаратного комплекса.
  • • Провести опытную эксплуатацию опытного образца программно-аппаратного комплекса в тестовой зоне.
  • • Доработать специализированное программное обеспечение программноаппаратного комплекса по результатам опытной эксплуатации.
  • • Провести внедрение опытного образца программно-аппаратного комплекса.

Для организации полностью автоматической системы, распознавание пола используется совместно с алгоритмом выделения лиц, который отбирает кандидатов для анализа. От качества работы алгоритма выделения лиц во многом зависит итоговый результат всей системы, поскольку неточности при определении местоположения лица на изображении могут привести к принятию ошибочного решения на этапе распознавания. Для решения задачи выделения лиц на изображении нами использовался алгоритм на базе бустинга. Далее выделенные фрагменты подвергались предобработке для приведения их к единому разрешению и яркостным характеристикам. На последнем этапе выделенные и обработанные фрагменты подавались на вход классификатора, который принимал решение об их принадлежности к одному из двух классов («мужчины», «женщины»).

Описанный комплекс позволит точно подсчитать количество обнаруженных объектов. За счет высокоэффективных алгоритмов распознавания и интеллектуального алгоритма трекинга данный комплекс распознает лица людей даже при большом угле поворота, а также исключает ошибочное детектирование людей при пересечении их траекторий или пересечении траектории зрителя с препятствием.

Обработка видеоданных с помощью комплекса в режиме реального времени позволят проводить статистический анализ аудитории и разрабатывать рекомендации по месту установки средств визуализации и типу информации, размещаемой подразделениями МЧС России в целях информирования населения.

Литература

  • 1. А.Лукьяница,А. Шишкин,«Цифровая обработка видеоизображений».- М.:«Ай- Эс-Эс Пресс», 2009.
  • 2. Потапов А.С. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания.-СПб.: Политехника.- 2007.
  • 3. Kriegman D., Yang М.Н., Ahuja N. Detecting faces in images: A survey // IEEE Transactions on Pattern Analysis and Machine Intelligence, V. 24, № 1, P. 34-58,2002.
  • 4. Viola R,Jones M. Rapid object detection using a boosted cascade of simple features // Proc. Int.Conf.on Computer Vision and Pattern Recognition, V.l, P.511-518,2001.
  • 5. S. Baker, I. Matthews. Lucas-Kanade 20 Years On: A Unifying Framework. International Journal of Computer Vision, Vol. 56, Issue 3. Feb-Mar, 2004.
  • 6. B. Lucas, T. Kanade.An iterative image registration technique with an application to stereo vision. Proceedings of the International Joint Conference on Artificial Intelligence, pages 674-679,1981.
  • 7. G. Bradski, A. Kaehler,“Learning OpenCV”, O’Reilly Media, Inc., 2008.
  • 8. Makinen E., Raisamo R. An experimental comparison of gender classification methods // Pattern Recognition Letters 29, № 10, P. 1544-1556, 2008.
 
<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>