ПРОЕКТИРОВАНИЕ СИСТЕМЫ КЛАССИФИКАЦИИ ЛИЦ ДЛЯ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ "УМНОГО ДОМА" - Студенческий научный форум

XII Международная студенческая научная конференция Студенческий научный форум - 2020

ПРОЕКТИРОВАНИЕ СИСТЕМЫ КЛАССИФИКАЦИИ ЛИЦ ДЛЯ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ "УМНОГО ДОМА"

Исмоилов Мунир Шакарбекович 1, Безумнов Д.Н. 1
1Московский Технический Университет Связи и Информатики
 Комментарии
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF

В статье мы рассматриваем надежную систему безопасности, основанную на методах распознавания лиц . В частности, мы предполагаем разработку этой системы для предоставления доступа в дом аутентифицированных пользователей.

Введение

Системы безопасности предприятий – это совокупность взаимоувязанных организационных мероприятий (мер, способов) и технических средств, объединенных каналами связи, и обеспечивающих поддержание безопасного состояния объекта, обнаружение и ликвидацию максимально полного перечня (комплекса) угроз жизни, здоровью, среде обитания, имуществу и информации.

Распознавание лиц (Face Recognition - англ.) - это одни из наиболее перспективных методов биометрической бесконтактной идентификации человека по лицу.

Первые системы распознавания лиц были реализованы как программы устанавливаемые на компьютер. В наше время технология распознавания лиц наиболее часто используется в системах видеонаблюдения, контроля доступа, на разнообразных мобильных и облачных платформах. Журнал Массачусетского технологического института - MIT Technology Review включил технологию распознавания лиц в список 10 прорывных технологий 2017 года[1].

Одна из первых таких автоматизированных систем распознавания лиц была описана в [4], которой маркированные точки (позиция глаз, ушей, носа) были использованы для построения вектора признаков (расстояние между точками, угол между ними). Само распознавание выполняло вычисления по нахождению евклидового расстояния между признак-векторами входного и эталонного изображениями. Такой метод устойчив к изменениям света, но не мог достаточно точно определять маркированные точки.

Эксперименты на большом наборе данных показали, что одних геометрических признаков недостаточно для распознавания лиц. Метод Eigenfaces, описанный в [5], использовал целостный подход к распознаванию лиц. Основным подходом этого метода является сжатие информации исходного изображения без существенных потерь информативности с помощью метода главных компонент (PCA — Principle Component Analysis). Для того чтобы избежать многомерности, стали описывать признаки только окрестностей изображения, эти признаки должны быть более устойчивы к преградам, свету и малому размеру образца. Ктакималгоритмамотносятся: Gabor Wavelets, Discrete Cosinus Transform, Local Binary Patterns.

Преимущества использования распознавания лиц в системах безопасности умного дома:

1) Высокие показатели точности. Большинство программ распознавания лиц, используемых в замках для умного дома, могут точно определить, соответствует ли лицо, пытающееся получить доступ к дому, базе данных людей, которым было разрешено войти. Тем не менее, некоторые программы более точны, чем другие, особенно когда дело доходит до обнаружения лиц с разных точек зрения и распознавания лиц разных национальностей.

2) Автоматизация. Как только вы настроите свою систему безопасности «умный дом» и предоставите доступ людям, которых вы хотите разрешить войти в ваш дом, система автоматически пропустит этих людей, когда обнаружит совпадение. Вам не нужно отвечать на звонок в дверь или отвечать на запрос на вход.

3) Умная интеграция. Инструменты распознавания лиц могут быть легко интегрированы в существующие системы с помощью SDK или API.

Целью работы является тестирование алгоритмов распознавания лиц из видеопотока на точность и время работы и их реализация.

Этапы распознавания лица из видеопотока

Детектирование лица;

Отслеживание лица;

Выравнивание лица;

Распознавание лица.

Используемые средства для выполнения работы

Язык программирования Python. Он не связан с какой-либо одной операционной системой или машиной. Этот язык поддерживает основные парадигмы программирования, которые нужны для выполнения данной работы (ООП, Функциональное программирование, Процедурное программирование).

2. Библиотека NumPy — это расширение языка Python, добавляющее поддержку больших многомерных массивов и матриц, вместе с большой библиотекой высокоуровневых математических функций для операций с этими массивами[3]

3. OpenCV – библиотека алгоритмов обработки изображений, компьютерного зрения, а так же численных алгоритмов общего назначения. Исходный код библиотеки доступен (за исключением отдельных небольших модулей) и распространяется под открытой лицензией BSD.

Методы распознавания лиц (EigenFaces, FisherFaces, LBPH);

Алгоритм Лукаса-Канаде для отслеживания лиц;

Алгоритм Виолы-Джонса для детектирования лиц.

4. Библиотека Dlib Библиотека алгоритмов машинного обучения и разных дополнительных вспомогательных инструментов. Из этой библиотеки используется готовая обученная модель AAM (Active Appearance Model) для нахождения лицевых точек.

5. Библиотека OpenFace Открытая библиотека для распознавания лиц, использующая глубокую сверточную нейронную сеть, которая основана на технологии FaceNet.

Охранное видеонаблюдение

За последние годы видеонаблюдение стало неотъемлемой функцией комплексной системы безопасности объекта, поскольку современное видеонаблюдение позволяет не только наблюдать и записывать видео, но и программировать реакцию всей системы безопасности при возникновении тревоги.

Охранная система видеонаблюдения предназначена для визуального наблюдения за охраняемым объектом с помощью видеокамер. Охранное видеонаблюдение позволяет следить одновременно за одним или несколькими объектами. Камеры видеонаблюдения можно установить как внутри помещения, так и снаружи. Задача охранного видеонаблюдения состоит в наглядном представлении видеоинформации об оперативной обстановке на контролируемом объекте.

Видеонаблюдение зарождалось как охранная замкнутая система, предназначенная только для решения вопросов безопасности. Ограничения аналогового видеонаблюдения не позволяли использовать оборудование как-то иначе. Интеграция видеонаблюдения с цифровыми системами открыла возможность автоматизировано получать различные данные, анализируя последовательность изображений.

Важность трудно переоценить: в обычном случае после 12 минут непрерывного наблюдения оператор начинает пропускать до 45% событий. И до 95% потенциально тревожных событий будет пропущено уже после 22 минут непрерывного наблюдения (по результатам исследования IMS Research, 2002).

Появились сложные алгоритмы анализа видео: подсчет посетителей, подсчет конверсии, статистика кассовых операций и многое другое. В этой системе исчезает оператор наблюдения – мы оставляем компьютеру возможность «смотреть» и делать выводы.

Типовые задачи с распознаванием лиц

Как показывает практика, не бывает одинаковых объектов, и задачи возникают совершенно различные, но все же попробуем выделить типовые:

Организация контроля доступа с помощью распознавания лиц

Поиск человека в «чистой зоне»

Поиск человека в толпе

Поиск человека в толпе, которого нет в базе данных

Маркетинговые исследования

Самый простой пример интеллектуального видеонаблюдения-это обнаружение движения. Не так важно, есть ли встроенный детектор в самой камере-если вы установите на свой компьютер, например, серверное программное обеспечение ivideon, то детектор движения будет использоваться программным обеспечением. Один детектор может заменить сразу нескольких операторов видеонаблюдения. И уже в 2000-х годах стали появляться первые системы видеоаналитики, способные распознавать объекты и события в кадре.Самый простой пример интеллектуального видеонаблюдения-это обнаружение движения. Не так важно, есть ли встроенный детектор в самой камере – если вы установите на свой компьютер, например, серверное программное обеспечение ivideon, то детектор движения будет использоваться программным обеспечением. Один детектор может заменить сразу нескольких операторов видеонаблюдения. И уже в 2000-х годах стали появляться первые системы видеоаналитики, способные распознавать объекты и события в кадре[5].

Определить человека по фото с точки зрения компьютера означает две очень разные задачи: во‑первых, найти лицо на снимке (если оно там есть), во‑вторых, вычленить из изображения те особенности, которые отличают этого человека от других людей из базы данных[3].

Интегральное представление изображения

Для выполнения каких-либо действий с данными используется интегральное представление изображений в методе Виолы-Джонса. Интегральное представление позволяет быстро вычислить полную яркость произвольного прямоугольника на заданном изображении, и независимо от того, что это за прямоугольник, время вычисления остается постоянным. Интегральное представление изображения - это матрица, которая имеет тот же размер, что и исходное изображение. Каждый его элемент хранит сумму интенсивностей всех пикселей, расположенных слева и выше этого элемента. Элементы матрицы вычисляются по следующей формуле:

, (1)

где I(i, j) — яркость пикселя исходного изображения. Каждый элемент матрицы L(x,y) представляет собой сумму пикселей в прямоугольнике от (0,0) до (x,y), т.е. значение каждого пикселя (x,y) равно сумме значений всех пикселов левее и выше данного пикселя (x,y). Расчет матрицы занимает линейное время, пропорциональное числу пикселей в изображении, поэтому интегральное изображение просчитывается за один проход.

Расчет матрицы возможен по формуле:

L(x,y) = I(x,y)– L(x− 1,y− 1)+ L(x ,y− 1)+ L(x −1,y) (2)

Алгоритм распознавания лицо с видео наблюдение.

Рис.1 (Алгоритм распознавания лицо с видео наблюдение.)

Заключение

Преимущества использования технологий нейроаналитики в современных системах видеонаблюдения не вызывают сомнений. Аналитика на базе нейронных обеспечивает более высокую точность распознавания по сравнению с обычными детекторами в традиционных системах видеонаблюдения (VMS). При этом стоимость использования нейросети будет неуклонно снижаться вместе с наращиванием объема производства и сокращением себестоимости компонентов систем (прежде всего, мощных графических ускорителей).

Список используемых источников

Технология распознавания лиц — новая эра в видеоаналитике, системах видеонаблюдения и контроля доступа URL: https://securityrussia.com/blog/face-recognition.html (Дата обращения 07.01.2020)

Система безопасность URL: http://dialog-e.ru/solutions/security-system/ (Дата обращения 05.01.2020)

NumPy URL: https://pythonworld.ru/numpy (Дата обращения 10.01.2020)

Распознавание лиц при помощи видеонаблюдения — автоматизированная безопасность. Типовые задачи с распознаванием лиц URL: https://lab-music.ru/raspoznavanie-lic-pri-pomoshchi-videonablyudeniya-avtomatizirovannaya/

Видеоаналитика: распознавание лиц, детектор очередей, поиск объектов на видео.

Face Recognition with OpenCV URL: https://docs.opencv.org/2.4/modules/contrib/doc/facerec/facerec_tutorial.html (Датаобращения 15.03.2016)

Dlib. URL: http://dlib.net/4

Просмотров работы: 18