Содержание к диссертации
Введение
Глава 1. Модели представления нечетких данных и знаний в задачах анализа видеоизображений 13
1.1. Представление и использование пространственно-временных нечетких атрибутов для анализа видеоизображений 13
1.1.1. Использование пространственных атрибутов для анализа видеоизображений 14
1.1.2. Уточнение описания пространственного расположения объектов нечеткими атрибутами 33
1.1.3. Использование темпоральных атрибутов для описания сцен 38
1.2. Нечеткие модели представления знаний для анализа видео изображений 60
1.2.1. Представление информационных атрибутов с помощью нечетких продукций 61
1.2.2. Фреймовое представление нечетких атрибутов 63
1.3. Выводы по первой главе 71
Глава 2. Моделирование двигательных действий объекта на основе методов интеллектуального анализа данных 72
2.1. Основные подходы к использованию методов интеллектуального анализа данных для обработки видеоизображений 72
2.2. Методы и алгоритмы машинного обучения в системах интеллектуального анализа данных 74
2.3. Особенности применения методов интеллектуального анализа данных для обработки видеоизображений 79
2.3.1. Система мониторинга динамических объектов на видео изображениях 81
2.3.2. Методология обнаружения знаний в базах данных 82
2.3.3. Идентификация положения объекта на видеокадре программными средствами интеллектуального анализа данных 85
2.3.3.1. Предобработка данных 90
2.3.3.2. Построение прогнозных моделей 93
2.3.3.3. Оценка эффективности и сравнение моделей 96
2.4. Выводы по второй главе 99
Глава 3. Модель описания сцен по результатам обработки видеоизображений 100
3.1. Алгоритмы локальной обработки видеоизображений для описания положения объекта 100
3.2. Мониторинг статического положения объекта на видеокадре . 104
3.2.1. Алгоритм поиска контрольных точек 107
3.2.2. Анализ сцен с помощью агентов и многоагентных систем . 121
3.2.3. Реализация мониторинга компонентов управления информационными агентами слежения 126
3.2.4. Алгоритм управления фантомом 131
3.3. Мониторинг динамики объекта на видеокадре 135
3.3.1. Означивание лингвистической переменной, описывающей движения объекта 135
3.4. Использование гипер графов специального вида для анализа сложных сцен 147
3.5. Представление графово-гиперграфовой модели описания сцен . 153
3.6. Выводы по третьей главе 156
Заключение 158
Литература 159
Приложения 167
- Уточнение описания пространственного расположения объектов нечеткими атрибутами
- Методы и алгоритмы машинного обучения в системах интеллектуального анализа данных
- Идентификация положения объекта на видеокадре программными средствами интеллектуального анализа данных
- Реализация мониторинга компонентов управления информационными агентами слежения
Введение к работе
Актуальность темы исследования обусловлена стремительным ростом объемов видеоинформации, которая нуждается в оперативном анализе. По прогнозам специалистов, мировой рынок средств видеоаналитики в 2010 году составит 600 млн. долларов.
Особую актуальность данная тема приобретает в связи с участившимися случаями террористических актов. Так, Правительство РФ приняло решение о разработке проекта централизованной системы видеонаблюдения в реальном времени для Московского метрополитена с возможностью автоматического анализа видеоизображений.
Современные средства видеоаналитики должны совмещать в себе высокую эффективность оперативного видеоконтроля, комплексный анализ сцены и расширенные возможности автоматической индексации потока видеоизображений.
Решать подобные задачи возможно с помощью классической теории распознавания образов. Однако современные достижения этой теории не всегда применимы в силу больших затрат вычислительных ресурсов и времени. Поэтому предлагается использовать основные положения теории искусственного интеллекта с выделением характеризующих признаков и получением их значений, достаточных для описания сцен по видео- и фотоизображениям. Это значительно упрощает анализ действий объекта на кадрах видеоизображения. Примером такого подхода является представление объекта в виде фантома и выделение основных точек на теле человека. Предлагаемая модель может служить как воспринимающим аппаратом, так и инструментом моделирования действий человека и дальнейшего анализа.
Основная проблема при создании архива появлений объекта, например, лица человека, в поле зрения видеокамеры состоит, во-первых, в сильной избыточности информации, а во-вторых, в необходимости определения объекта на каждом кадре. Идеально это может делать человек, однако он имеет ограниченные возможности и не в состоянии следить за большим количеством объектов одновременно. А зачастую присутствие человека невозможно. Поэтому требуется помощь компьютера и возникает необходимость в использовании интеллектуальных систем видеонаблюдения.
Характерными особенностями видеоданных являются гигантский объем и высокая размерность, подверженность ошибкам и пропускам, неполнота и неточность. Эти сложности в полной мере учитывают современные методы и алгоритмы интеллектуального анализа данных – междисциплинарного направления исследований по выявлению в больших объемах сырых данных практически полезных и доступных интерпретации знаний, необходимых для принятия качественных решений.
Системы, основанные на знаниях, используются при решении следующих задач обработки видеоизображений:
выделение отдельных смысловых важных фрагментов сцен;
интерпретация символов и сигналов;
анализ переднего и заднего плана видеокадра;
принятие решений в условиях неопределенности.
О важности использования методов интеллектуальной обработки видеоизображений также свидетельствует распространение систем мониторинга «Безопасный город» и разработка и опубликование проекта Федерального закона Российской Федерации «О технических средствах обеспечения противокриминальной защиты объектов и имущества». Закон определяет основные положения технического регулирования в области криминальной безопасности и устанавливает общие требования к техническим средствам обеспечения противокриминальной защиты объектов и имущества.
В соответствии с основными положениями закона, под системой охраны и мониторинга понимается совокупность технических средств, связанных между собой каналами передачи данных, использующих систему для определения параметров пространственно-временного положения подвижных объектов и предназначенных для противодействия преступным посягательствам.
Целью диссертационной работы является разработка и исследование моделей поведения динамических объектов при обработке видеоизображений для решения задач анализа данных и распознавания сцен.
Поставленная цель определяет следующие основные задачи диссертационного исследования:
-
Исследовать и разработать нечеткие модели представления пространственно-временных знаний и данных для задач обработки видеоизображений.
-
Разработать алгоритм распознавания сцен для моделей поведения динамических объектов.
-
Разработать систему распознавания сцен и анализа действий объектов на видеокадре.
-
Реализовать практическое решение задачи интеллектуального анализа данных и распознавания сцен в виде программного комплекса.
Методы исследования основаны на использовании теории нечетких множеств и нечеткой логики, теории графов и гиперграфов, моделей искусственного интеллекта, методов интеллектуального анализа данных.
Достоверность полученных в диссертации результатов подтверждается корректными математическими доказательствами и аналитическими оценками, результатами программного и численного эксперимента на ЭВМ, практическим использованием разработанных в диссертации моделей, методов и алгоритмов.
Основные положения диссертации, выносимые на защиту:
1. Разработка и исследование нечетких моделей представления пространственно-временных данных для задач обработки видеоизображений.
2. Алгоритм распознавания сцен при обработке видеоизображений.
3. Информационная система автоматического распознавания сцен и анализа действий объектов на видеокадре.
4. Модель обобщенного гиперграфа для описания сцен.
5. Результаты экспериментов с использованием методов интеллектуального анализа данных и разработанного программного комплекса.
Научная новизна диссертационной работы:
1. Разработаны и исследованы математические модели для описания положения объектов на видеокадре, отличающиеся от известных использованием нечетких пространственно-временных атрибутов и лингвистических переменных, что позволяет на основе моделирования нечетких рассуждений вырабатывать компетентные решения в условиях неопределенности и сложной пространственно-временной обстановки.
2. Разработаны вычислительные методы и алгоритмы анализа видеокадров, отличающиеся возможностью реализации нечетких процедур поиска и слежения за компонентами объекта, что позволяет оперативно и адекватно формировать сценарии и описания ситуаций в системах анализа видеоизображений.
3. Разработана графово-гиперграфовая модель описания сцен и ситуаций, отличающаяся использованием понятия обобщенного гиперграфа, что позволяет с высокой степенью достоверности имитировать процедуры получения экспертных решений.
4. Разработан программный комплекс «Система мониторинга динамических объектов», предназначенный для анализа видеокадров и распознавания сцен, позволяющий определить требования к основным параметрам и характеристикам таких систем и предложить принципы создания интеллектуальных систем обработки видеоизображений, отличающиеся возможностью принятия решений в условиях неполноты и противоречивости исходной информации.
Практическая значимость.
1. Разработанные модели и методы обработки видеоизображений могут быть использованы для создания систем мониторинга сложных объектов с возможностью анализа видеоизображений.
2. Предложенные принципы создания адаптивной интеллектуальной системы могут быть применены для создания систем принятия решений в сложной пространственно-временной обстановке.
3. Разработанная система распознавания сцен и анализа действий объекта на кадрах видеоизображения, реализованная в виде программного комплекса, может служить инструментом для моделирования действий человека в информационных системах искусственного интеллекта.
Реализация результатов работы.
Диссертация выполнена в соответствии с основным направлением научно-исследовательской работы Технологического института Южного Федерального университета в г. Таганроге «Формальные системы, искусственный интеллект и системы принятия решений».
Основные результаты диссертационной работы использованы при выполнении научно-исследовательских работ, в том числе:
– при выполнении НИР № 15551 «Разработка теории, моделей и методов принятия решений в интегрированных интеллектуальных системах на основе нечетких знаний и смешанного представления атрибутов», при выполнении НИР № 15552 «Разработка теории, моделей и методов, основанных на использовании нечетких ситуационных систем и нечетких классификационных моделей для целей принятия решений в сложной пространственно-временной обстановке», выполняемых на кафедре прикладной информатики Таганрогского технологического института Южного федерального университета в 2006-2010 г.г.;
– при выполнении хоздоговорных НИР, выполняемых Ростовским областным центром новых информационных технологий (РОЦ НИТ) при Южном федеральном университете в 2007-2010 г.г.;
– в учебном процессе кафедры прикладной информатики ТТИ ЮФУ при чтении лекций, проведении практических и лабораторных занятий, а также при выполнении студентами курсовых и дипломных работ.
Использование результатов диссертационной работы подтверждается соответствующими актами.
Апробация работы.
Основные результаты диссертационной работы докладывались и обсуждались на международных научно-технических конференциях и молодежных научных конференциях: «Интеллектуальные системы 2009. Интеллектуальные САПР 2009». (Дивноморск, 2007-2009 г.г.); VIII, IX, X Всероссийских научных конференциях студентов и аспирантов “Техническая кибернетика, радиоэлектроника и системы управления” (Таганрог, 2007, 2008, 2009 г.г.); III Межгосударственной научно-практической конференции “Экономико-организационные проблемы проектирования и применения информационных систем” (Ростов-на-Дону, 2008 г.), XII Всероссийской научной конференции молодых ученых и аспирантов “Новые информационные технологии. Разработка и аспекты применения” (Таганрог, 2009 г.); на ежегодных научно-технических конференциях профессорско-преподавательского состава, аспирантов и сотрудников ТТИ ЮФУ.
Публикации. Результаты диссертации отражены в 10-ти печатных работах, в том числе в 5-ти работах, опубликованных в изданиях, рекомендованных ВАК.
Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, списка использованной литературы (96 наименований) и 3-х приложений. Диссертация содержит 203 страницы машинописного текста, включая 69 рисунков, 15 таблиц, 37 страниц приложений.
Уточнение описания пространственного расположения объектов нечеткими атрибутами
Ограничения на числовые значения параметров позволяют осуществить с помощью функций отображения 7г: X - [0; 1] переход от задания функций принадлежности на предметной шкале к использованию функций принадлежности на универсальной шкале [Берштейн и др., 1990]. Использование нескольких функций отображения позволяет оперировать одними и теми же функциями принадлежности при различных условиях описания сцен. Контроль корректности можно проводить как для самих функций отображения, так и результатов преобразования.
Следует отметить, что модификация является частью нечеткого логического вывода (в нашем случае - формирование описаний сцен), а в некоторых случаях эти требования не обязательны для соблюдения. Например, если для реализации наблюдения доступна не вся предметная шкала, на которой описана управляющая лингвистическая переменная (ЛП).
Однако должно выполняться требование к 0 для непрерывных функций отображения шкал вида у = кх + а. Таким образом, функции вида пх, изображенные на рисунке 1.З., не корректны, т.к. они приводят к зеркальному отображению предметной шкалы при той же последовательности термов.
Чаще всего требуется использование нелинейных функций отображения. В этих случаях с границами отрезков происходят такие же преобразования, как и в том случае, если точки функции отображения, соответствующие границам отрезка — области определения конкретного терма, соединить прямой, как показано на функциях л5, тс6 рисунка 1.3. Внутри же отрезка происходит непрерывное «сжатие» или «расширение» в соответствии с выпуклостью или вогнутостью функции на рассматриваемом отрезке. Для некоторых приложений требуется монотонность функции отображения Ух1,х2 Є Х,х1 х2,л(х1) Ф л(х2).
Немонотонные функции отображения превращают нечеткую систему формирования описаний сцен в нечувствительную к изменению некоторых атрибутов.
Для некоторых задач могут не подойти непрерывные функции отображения. Функции могут осуществлять как полное, так и частичное отображение предметной шкалы. Для функций, осуществляющих частичное отображение, необходимо, чтобы области определения этих функций полностью покрывали предметную шкалу. Приемлем так же следующий подход. Существует базовая функция отображения (fmain) её область определения покрывает всю предметную шкалу и существуют корректирующие функции (fappend) для отдельных участков предметной шкалы. На участках, где определены обе функции отображения, производится согласование значений с доминированием корректирующих функций. Для некоторых приложений может выдвигаться требование монотонности для корректирующих функций. На рисунке 1.4. представлено кусочно-линейное преобразование предметных шкал ЛП /? на примере области определения [0,х1е], \хгъ,хге\ термов в области определения
Использование кусочно-линейных функций л , 7Г2,тг3,лл также может привести к нарушению требований, предъявляемых к функциям принадлежности, приведенным выше. Основная опасность при кусочно-линейном отображении — это возникновение разрыва между областями определения смежных термов. При использовании кусочно-нелинейных функций к функциям, составляющим преобразование шкал, может также выдвигаться требование монотонности. Существует масса приложений, требующих сведение информации от разнотипных источников к единому виду. В этом случае есть необходимость описания единого атрибута одной ЛП с общим множеством термов, но на различных предметных шкалах. В нашем случае расстояние до мобильного объекта можно оценить по площади изображения объекта на видеокадре (шкала 1), непосредственно измерив его (шкала 2) или оценив его по близости к стационарным объектам. Определение 1.1. Составной [Сергеев, 2004а] будем называть ЛП pw, (Tlt T2)(XllX2), G, M, V , определенную на предметных шкалах 7\ и Т2 и непересекающихся подмножествах термов 7\ и Т2, где Xlt Х2 - области определения лингвистической переменной, G - синтаксическая процедура (грамматика), позволяющая оперировать элементами терм-множества на обеих предметных шкалах, М — семантическая процедура, позволяющая превратить каждое новое значение лингвистической переменной, образуемое процедурой G, в нечеткую переменную, V — процедура устранения двойственности или процедура разрешения конфликтов (процедура объединения предметных шкал и терм-множеств). В качестве примера необходимости использования составной ЛП можно привести случай, когда местоположение объекта определяется по изображениям двух видеокамер с непересекающимися секторами обзора. Если объект находится в зоне наблюдения левой видеокамеры, то его местоположение описывается термами 7\ с Т, определенными на предметном множестве Хг с X, правая камера означивает ЛП при помощи термов Т2сГ на предметном множестве Х2 с X, а для принятия решения необходимо учитывать данные от обеих видеокамер в едином представлении. Составная ЛП предназначена для сведения к единому лингвистическому атрибуту данных от нескольких идентичных источников информации. Каждый источник представляется в ЛП своим терм множеством, определенным на собственном предметном множестве.
Методы и алгоритмы машинного обучения в системах интеллектуального анализа данных
При описании сцен трудно обойтись без учета временных факторов восприятия внешней обстановки. Используя временные атрибуты, мы можем привязать события к временной шкале и установить последовательность действий. Разные авторы рассматривают время в многочисленных аспектах: философском (логическом, онтологическом), естественнонаучном (физическом, психологическом) и даже этическом [Домбровский, 2007].
Время, по мнению Б. Домбровского, начало свое «движение» (существование) с момента грехопадения человека, с тех пор, как человек потерял свое бессмертие и осознал конечность своего существования. До этого, в «мире», в котором ничего не менялось, существование времени, по его мнению, не имело смысла. Это ещё раз свидетельствует о субъективном отношении человека ко времени. Для нашего приложения (описания сцен) время существовало всегда и человек не смог бы выполнять скоординированные движения без использования временных факторов. Большинство исследований «времени» опирается на исследование лингвистических структур в устной речи и литературе [Кандрашина, 1989].
Объяснить поведение моделируемых (исследуемых) действий в "настоящем" средствами классической темпоральной логики не представляется возможным. Это можно сделать другими средствами, например, средствами пространственной логики, нечеткими пространственными моделями или средствами специальной темпоральной логики реального времени. И тогда для целей описания сцен классическую темпоральную логику следует разделить (и возможно модифицировать) на темпоральную логику «прошлого» и темпоральную логику «будущего». В дальнейшем темпоральную логику «прошлого» целесообразно использовать для целей совершенствования модели (обучения) и темпоральную логику «будущего» для планирования действий. Чтобы связать эти две логики в единую модель, следует обозначить во временных рассуждениях позицию наблюдателя. Набор темпоральных компонентов некоторой модели, достаточный для обеспечения ее функционирования, назовем темпоральной подсистемой (ТПС).
Некоторые авторы выделяют такие свойства времени как: упорядоченность, возможность определить отношение «раньше/позже» между событиями/процессами, течение времени, универсальность времени, необратимость, нефиксированность будущего и т.д. [Анисов, 2001]. Эти наборы свойств не противоречат нашему интуитивному представлению о времени и позволяют разработчику приложений совмещать отдельные свойства в конкретной темпоральной подсистеме, формальные компоненты любой ТПС можно считать также темпоральной теорией. На рисунках 1.16. и 1.17. представлены примеры взаимосвязи метрической темпоральной теории (ТТ), ТТ «раньше-позже», ТТ «прошлое-настоящее-будущее» и ТТ «было-есть-будет» для двух событий и двух процессов. Как видно из представления темпорального соотношения двух процессов информативно представление границ отрезков в виде событий.
Темпоральные отображения обеспечивают привязку темпоральной теории к временной шкале либо к другим темпоральным теориям. При наличии привязки к временной шкале временная схема является метрической. Временная шкала тоже является темпоральной теорией. Если временная шкала привязки линейная, то ТТ называется линейной, в противоположность циклической ТТ.
Темпоральные отношения могут быть формализованы в конечное множество отношений либо представлять высказывания на естественном языке. Объектами темпоральных отношений могут быть события или процессы. Под событиями будем понимать факт или результат. Событие принято характеризовать одним отсчетом времени (темпором) - временем, когда оно произошло. Процесс принято характеризовать моментом (темпором) начала и окончания и, как следствие, длительностью. Однако, как мы ранее отмечали, не всегда представляется возможным достоверно определить эти моменты времени.
Временные категории «прошлое», «настоящее» и «будущее» присутствуют в лексиконе человека и объясняют или характеризуют как отдельные события и процессы, так и их группы. Следовательно, моделируя деятельность человека, в том числе и двигательные действия, мы на определенном уровне сталкиваемся с необходимостью представления в таких моделях временных соотношений.
В нашем случае обойтись без учета свойств времени нельзя, поскольку мы моделируем действия человека, следовательно, наряду с представлением о «пространстве», используемом человеком в формировании и реализации двигательных навыков, мы должны хотя бы частично смоделировать его (человека) представление о «времени». Для целей описания сцен и реализации таких моделей в технических системах следует рассматривать «внутреннее» и «внешнее» время. «Внешнее» время существует в исследуемых процессах, в проявлениях функционирования технических или программных систем. «Внутреннее» время используется для представления исследуемых процессов в технических и программных компонентах создаваемых систем.
Итак, человек может вспоминать некоторые прошедшие события и хранить в памяти приблизительную последовательность этих событий, а по косвенным признакам некоторых их них (событий) приблизительно определять их временные рамки. Поскольку мы пытаемся формализовать восприятие человеком атрибутов предметной области, то, прежде чем спуститься на инструментальный уровень, мы должны остановится на уровне восприятия человеком времени, как свойства событий и процессов [Сергеев, Целых, 2009с]. И хотя рассмотрение времени, как отдельного процесса, для нас непродуктивно, рассмотрим разработанные для этого формализмы и определим их пригодность для наших приложений.
Идентификация положения объекта на видеокадре программными средствами интеллектуального анализа данных
Набор процедур фреймовой сети должен удовлетворять следующим требованиям: — полнота по отношению к выбранному способу вывода (т.е. конкрет ный способ вывода можно представить последовательностью процедур из данного набора); — внутренняя и внешняя по отношению к фрейму иерархичность процедур (под внутренней иерархичностью понимается разбиение множества процедур на процедуры, относящиеся целиком ко всему фрейму и процедуры, принадлежащие отдельным его элементам, внешняя иерархия процедур соответствует структурной иерархии фреймов во фреймовой сети); - возможность использования одних и тех же процедур различными фреймами; - отсутствие периодов ожидания процедур, т.е. одна процедура при передаче управления другой процедуре сохраняет необходимую для себя информацию и становится неактивной и может использоваться другим фреймом; — возможность восстановить последовательность выполнения процедур в процессе объяснения результатов логического вывода; — возможность унифицировать процедуры для дальнейшего исследования свойств полученной базы знаний [Гаврилова, Хорошевский, 2001]. При реализации описания мы построили модель функционирования фреймовой сети типа: "реальная ситуация (сцена) — последовательность видеокадров — описание ситуации (сцены) —реагирование". Информационные признаки - атрибуты текущей ситуации, изначально принимают нечеткие значения (например, из-за неточности определения положения объектов по видеокадрам), либо преобразуются к нечеткому виду. Для каждого терма у і Є Г(/?) лингвистической переменной /? определяется степень принадлежности значения соответствующей числовой переменной соответствующему нечеткому множеству.
В базе знаний хранятся модели описания эталонных ситуаций (сцен). При отыскании наиболее подходящего описания эталонной ситуации используются специальные меры близости. В качестве меры близости может использоваться степень нечеткого равенства [Берштейн и др., 1990].
Предположим, что г = %,52, .-,sn — значение текущей ситуации, характеризующее состояние объекта на момент принятия решения, 5\ = s ,s, ...,5 - одна из эталонных ситуаций, тогда степень нечеткого равенства fJ.(Slt Sf ) и нечетких ситуаций 5 г и 5.Р определяется выражением:
Интервал (l —teq,teq), называется интервалом неопределенности, с "центром" в точке 0.5 интервала [0,1] и включает в себя степени принадлежности "плохо определенных" в данной ситуации признаков. Степень близости двух значений одного и того же признака с хотя бы одним плохо определенным значением игнорируется. Первый недостаток такого способа определения степени равенства нечетких ситуаций заключается в том, что конкретные числовые значения атрибутов при попадании в зону индифферентности, образованную проекцией интервала (l — teq, teq) универсальной шкалы на предметную шкалу при помощи обратного преобразования через функцию отображения предметной шкалы на универсальную, в конечном счете, игнорируется при описании сцены. Такие проблемы возникают при отсутствии возможности доопределить или уточнить значения признаков. Для случая результирующего описания на основании плохо определенных значений признаков необходимо оценить качество или уверенность в предполагаемом решении как следствие плохоопределенности ситуации или расплывчатости ситуации. Мерой определенности текущей ситуации может выступать значение (S) = \1 - \i (sitSteq J V (1 - у. (Si,Si_teJ), где St ,S1_t - ситуации константы, представляющие границы интервала неопределенности, т.е. ситуации, у которых степени принадлежности всех термов лингвистических переменных равны teq и 1 — teq соответственно. Вычисленная таким образом мера определенности должна учитываться при поиске решения и достоверность предлагаемых пользователю решений должна быть не выше T}{S{).
Второй недостаток заключается в том, что значения всех признаков равноправно участвуют при определении нечеткого равенства все зависимости от фактической степени влияния информационных признаков на значения управляющих признаков. Для решения этой проблемы необходимо ввести для каждого информационного признака меры влияния определенности его значения на результирующее описание.
Атрибуты текущей ситуации (сцены) могут принимать числовые, лингвистические нечисловые, лингвистические числовые и нечеткие значения. Для числового значения признака по функциям принадлежности определяется степень принадлежности данного числового значения каждому терму лингвистической переменной. Для лингвистического нечислового значения, которое представляет собой имя одного из термов лингвистической переменной или дополнительных термов за значение функции принадлежности указанного терма принимается некоторая, заранее заданная, величина (обычно "1"), а функции принадлежности других термов принимаются близкими к "О". Задание значений атрибутов в виде нечетких множеств используется при корректировке базы знаний, обучении системы, в экспертных системах, предназначенных для предварительной обработки данных экспертного опроса, или в случае ввода значений от аналоговых датчиков [Берштейн и др., 1990].
Реализация мониторинга компонентов управления информационными агентами слежения
На начальной фазе мониторинга объекта решается задача первоначального размещения агентов. Распознавать изменение положения тела предлагается на основе анализа кадров видеоизображения. Причем расстояние между видеокадрами выбирается в зависимости от скорости предыдущих перемещений наблюдаемых элементов видеоизображения.
Агенты, используемые при мониторинге объекта, представлены на рисунке 3.15. Структура агентов правой и левой частей тела аналогична. При решении задачи поиска реального компонента объекта (РКО) будем различать две структуры: первая является РКО, вторая — агентом слежения (АС).
Агентом слежения может быть любой искусственный объект, самодвижущийся или движущийся под воздействием внешних факторов в пределах видеокадра. Реальный компонент объекта непрерывно меняет свое положение в пространстве. Агент слежения имеет возможность получить информацию о местоположении РКО в плоскости, поперечной оси наибольшего перемещения по изменению координаты граничных точек. Перемещение РКО по оси наибольшего смещения определяется по изменению размера РКО. Получение информации о реальном компоненте объекта затруднено тем, что даже при равномерном и прямолинейном движении возможно некоторое изменение формы контура цели. Такая проблема возникает, если наблюдение за агентом слежения осуществляется с помощью видеокамер или других приборов, позволяющих воспроизводить форму наблюдаемого объекта. Форма изображения АС может меняться из-за изменения интенсивности освещения АС, изменения направления освещения АС, вращения АС, изменения прозрачности среды.
На агенте слежения имеются, кроме средств получения информации об РКО, средства реализации возможных описаний. Предполагается, что скорость перемещения РКО в одном из направлений на порядок выше, чем в направлении, перпендикулярном направлению максимального перемещения, и на изменение направления движения необходимо некоторое время, требуемое на преодоление инерции. Целью агентов слежения является перемещение маркеров по контуру РКО. При реализации системы просматриваются несколько автономных процессов. Эти процессы эффективно реализуются с помощью программных агентов.
На рисунке 3.16. представлен алгоритм управления агентами слежения. Миссией агента является слежение за компонентами объекта. Среда агента — адресное пространство видеокадра. Рецепторы агента - контрольные интервалы, расположенные вокруг наблюдаемой части объекта. Агент имеет два типа эффекторов. Одни обеспечивают перемещение самого агента в пространстве видеокадра и перемещение контрольных интервалов, другие сообщают данные о расположении компонентов объекта.
Перед запуском агента слежения осуществляется процедура инициализации, заключающаяся в локализации агента. По окончании его взаимодействия с областью видеокадра происходит его общение с агентом планировщиком и передача данных о расположении компонента объекта и потере компонента. Кроме этого агент предоставляет данные о расположении компонента объекта другим агентам слежения. Размещение і-го положения фантома на контрольных точках Для анализа кадра мы будем размещать маркеры по месту локализации агентов слежения и производить замену изображения объекта упрощенным макетом - фантомом (рисунок 3.17.). Места примерного расположения маркеров - кисти рук, плечевые и локтевые суставы, корпус, суставы ног, ступни ног. взаимосвязанных между собой. К ним относятся: предплечья, запястья, корпус, голени, бедра. В модели применяется два типа фантомов. Первый используется для визуализаций в процессе работы (например, посредством когнитивной 130 графики). Второй тип фантома не визуализируется, а используется для классификации положения объекта. Связь осуществляется непосредственно при размещении мешей внутри сцены. Меши присоединены к нодам, внутренним объектам объекта (огра), причем ноды наследуются последовательно друг от друга по удалению от корпуса. Это позволяет обеспечить эффект взаимосвязанных конечностей.
Похожие диссертации на Разработка и исследование моделей поведения динамических объектов на основе интеллектуального анализа видеопотоков данных
