3. Основные задачи построения систем охранной сигнализации с распознаванием образов

Разработка эффективных систем распознавания образов в на­стоящее время представляет собой задачу исключительной значи­мости. Подобные системы нашли широкое распространение в ряде отраслей науки и техники.

Создание более помехоустойчивых ТСО нового поколения также сопряжено с решением задач распознавания, ибо задача по­вышения тактических характеристик вновь разрабатываемых изде­лий приводит к задаче классификации сигналов, порождаемых дви­жением человека и животных на основе анализа "тонкой" структуры сигнала, или по другому - к задаче распознавания образов.

Распознавание представляет собой задачу получения и пере­работки входной информации, в качестве которой рассматриваются некоторые параметры и признаки распознаваемых образов, в вы­ходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ.

Проектирование систем распознавания - достаточно сложный итеративный процесс, реализация которого сопряжена с построени­ем уточняющейся математической или физической модели системы. Первая итерация может быть названа априорной (исходной). На ее основе первоначально объекты разбиваются на классы, т.е. состав­ляется априорный алфавит классов и разрабатывается априорный словарь признаков. Описание классов на языке признаков позволяет найти в некотором смысле наилучшие границы классов в априорном признаковом пространстве, а после выбора алгоритма распознава­ния решить следующую центральную задачу, составляющую суще­ство проблемы распознавания - определение рабочего алфавита классов и словаря признаков, которые в условиях ресурсных ограни­чений обеспечивают наибольшую эффективность решений, прини­маемых системой управления на основании результатов распозна­вания.

Уточненная модель системы распознавания служит основой для нахождения новых границ между классами, для возможной кор­ректировки алфавита классов и словаря признаков. Этот процесс итеративный, однако, как правило, нескольких итераций оказывается достаточно для окончательного решения вопроса о структуре разра­батываемой системы распознавания.

Создание ТСО на основе реализации принципа автоматическо­го распознавания образов представляет собой довольно сложную за­дачу, которая может быть сведена к следующей классификации:

• объект - "человек", т.е. нарушитель;

• объект ~ "не человек", т.е. помеха.

Сложность решения этой задачи связана прежде всего с большим многообразием животного мира и, кроме того, с возможно­стью применения нарушителем ухищренных способов преодоления рубежа. Успешное решение задачи определяется информативно­стью регистрируемых сигналов, вызываемых человеком и животны­ми, уровнем совершенства первичных преобразователей и аппара­туры обработки информации.

Учитывая большое количество публикаций, посвященных про­блеме распознавания образов, появившихся за последние годы, не­обходимо рассмотреть классификацию системы распознавания с целью определения места ТСО в общей классификации систем рас­познавания. '

Любая классификация основывается на определенных клас­сификационных принципах. Сточки зрения общности классификации систем распознавания целесообразно рассматривать в качестве классификационного принципа свойства информации, используемой в процессе распознавания. Схема классификации систем распозна­вания показана на рис. 7.15.

Системы распознавания могут быть разделены на простые и сложные в зависимости от того, физически однородная или неодно­родная информация используется для описания распознаваемых объектов, имеют ли признаки, на языке которых произведено описа­ние алфавита классов, единую или различную физическую природу.

Если в качестве принципа классификации избрать количество первоначальной априорной информации о распознаваемых объек­тах, то системы распознавания могут быть разделены на системы без обучения, обучающиеся и самообучающиеся.

В системах без обучения первоначальной априорной инфор­мации достаточно для определения словаря признаков, описания каждого класса на языке признаков и определения разделяющих границ (решающих правил распознавания классов).

В самообучающихся системах первоначальной априорной ин­формации достаточно лишь для определения словаря признаков, но не достаточно для проведения классификации объектов. Самообу­чение происходит на стадии формирования системы, которая, ис­пользуя набор заданных правил, сама вырабатывает классифика­цию при предъявлении ей исходной совокупности объектов, задан­ных значениями своих признаков.

В обучающихся системах первоначальной априорной инфор­мации достаточно для построения априорного словаря признаков, но не достаточно для описания классов на языке признаков.

Процедура обучения происходит на стадии формирования системы распознавания. Источником информации о распознаваемых объектах является совокупность результатов независимых наблю­дений (выборочных значений), составляющих обучающие выборки. Обучение является неотъемлемой частью процесса распознавания и имеет своей конечной целью формирование эталонных описаний классов. Цель процедуры обучения - определение разделяющих границ классов, т.е. определение решающих правил, по которым предъявляемая системе распознавания контрольная (экзаменаци­онная) выборка может быть отнесена к соответствующему классу.

Недостаточное количество априорной информации о характе­ре воздействия человека и животного, а также нестационарность и случайность процессов, которые представляют собой сигналы, реги­стрируемые различными СО, приводит решение задачи помехо­устойчивости на основе распознавания сигналов от человека и жи­вотных к задаче обучения.

Учитывая характер информации о признаках, лежащих в осно­ве системы распознавания, все признаки, определяющие отличие распознаваемых объектов, можно подразделить на детерминиро­ванные, вероятностные, логические и структурные. В зависимости от того, на языке каких признаков производится описание этих объектов или, иначе, в зависимости от того, какой алгоритм распознавания реализован, системы могут быть подразделены на детерминирован­ные, вероятностные, логические и структурные.

В детерминированных системах для построения алгоритмов распознавания используются ''геометрические" меры близости, ос­нованные на измерении расстояний между распознаваемыми объек­тами и эталонами классов. Примером подобных систем является распознавание монет в игровых автоматах.

В основе алгоритмов распознавания вероятностных систем используются методы, основанные на теории статистических реше­ний. Наиболее подходящее решающее правило выбирается из имеющегося в теории статистических решений широкого ассорти­мента вероятностных критериев: байессовского, Неймана-Пирсона, минимаксного, максимума апостериорной вероятности, максимума правдоподобия и др.

Решающее значение для выбора метода распознавания имеет вид априорной неопределенности, для которого используется обу­чение. Если в результате предварительного анализа наблюдаемой совокупности выборочных значений оказывается возможным уста­новить вид закона их распределения, то априорная неопределен­ность относится лишь к параметрам этого распределения, так что целью обучения в этом случае становится получение оценок этих параметров. Подобная априорная неопределенность носит название параметрической, а методы распознавания, применяемые в этих условиях, именуются параметрическими.

В наиболее общем случае отсутствия априорных сведений не только о параметрах, но и о самом виде закона распределения наблю­даемой совокупности выборочных значений априорная неопределен­ность носит название непараметрической, а сами методы распознава­ния, применяемые в этих условиях, именуются непараметрическими.

Целью обучения, которое в отличие от параметрического обу­чения представляет собой несравненно более сложную задачу, в этом случае является получение оценок плотностей вероятностей.

Главные усилия при непараметрическом оценивании направ­лены обычно на поиск минимальных допущений, которые позволили бы построить оценку плотности, сходящуюся к истинной в каком- либо вероятностном смысле.

В настоящее время при непараметрическом оценивании в ос­новном используются гистограммный метод, метод Парзена, разло­жение по базисным функциям, метод полиномов Смирнова, метод локального оценивания по К-ближайшим соседям.

Применение логических методов распознавания необходимо тогда, когда существенны не только количественные соотношения между величинами, характеризующими классифицируемые объекты, но и связывающие их логические зависимости. При распознавании образов эти методы используются в случаях, когда отсутствуют сведения о количественном распознавании признаков по пространст­венным, временным, весовым, энергетическим или каким-либо дру­гим интервалам в соответствующем признаковом пространстве, а имеются лишь детерминированные логические связи между рас­сматриваемыми объектами и их признаками. Примерами задач, для решения которых требуется применение методов алгебры логики, являются прогноз погоды, геологическая разведка и т.д.

В настоящее время в качестве объектов распознавания вид­ное место занимают двумерные и трехмерные изображения. Это связано как с появлением новых технических средств получения информации, обеспечивающих представление полученных данных в виде изображений, так и с развитием и совершенствованием тео­рии распознавания образов. Например, данные аэрофотосъёмки, данные дистанционного зондирования посредством съемки со спут­ников и т.д.

Трудности, возникающие при решении задач распознавания изображений, привели к разработке нового метода распознавания - структурного, получившего также название лингвистического, или синтаксического. Его особенность заключается в том, что априорны­ми описаниями классов являются структурные описания - нормаль­ные конструкции, при получении которых последовательно произво­дится описание структуры объекта и учета отношений, существую­щих между отдельными элементами этой структуры. Традиционно в качестве признаков используются при этом коэффициенты разло­жения в ряды по ортогональным функциям (в частности, ряда Фурье, полиномов Эрмита, Лежандра, Чебышева, разложения Карунена- Лоэва и т.д.). Возможно использование в качестве признаков и неко­торых характерных элементов экспериментальных кривых (точки максимума, минимума и др.).

Ранее было распространено применение следующих отличи­тельных признаков человека и животного (которые использовались в методах автоматической системы распознавания при создании ТСО для охраны протяженных рубежей):

• ориентация профиля объекта (вертикальная, горизонтальная);

• отличия в биодинамике движения;

• наличие предметов вооружения, а также предметов в одежде и обуви (у людей), характеризующихся ферромагнитными свойствами.

Учитывая многообразие животных, а также возможность ис­пользования нарушителем ухищренных способов преодоления ру­бежа охраны (без оружия, ползком, на корточках и т.д.), каждый из названных и не названных признаков носит вероятностный характер. Таким образом, возможными путями решения задачи распознавания образов в ТСО являются обучающиеся системы, использующие ве­

роятностные, логические, а также структурные методы. Для более сложных систем возможны и другие методы, основанные на комби­нировании вероятностных, логических и структурных методов.

Проблемы распознавания человека сквозь призму создания ТСО распознающего типа и соответствующие методики определе­ния вероятностей обнаружения нарушителя рассмотрены в специ­альной литературе.

Выводы

1. Целями комбинирования СО являются:

• подбор необходимой гаммы СО, позволяющих блокировать все вероятные пути и способы перемещения человека-нарушителя и допускающих при этом совместную работу;

• снижение вероятности ложных тревог при обеспечении за­данной вероятности обнаружения.

2. СО объединяют (комбинируют) на уровне:

• логических сигналов (сигналы «Тревога» с выходов СО);

• аналоговых сигналов, снимаемых со входов пороговых уст­ройств СО;

• оценок параметров человека-нарушителя.

3. Учет индивидуальных особенностей СО позволяет значи­тельно (в разы) улучшить характеристики КСО по сравнению с тра­диционными схемами обработки И, ИЛИ, К из N.

4. Применение обработки сигналов со входов пороговых уст­ройств СО позволяет улучшить параметры КСО в 20-800 раз.

5. Формирование на выходе отдельного СО не сигнала трево­ги, а оценки - насколько в данный момент времени вероятнее нали­чие воздействий от нарушителя по сравнению с помеховым воздей­ствием, позволяет легко наращивать КСО, заменять в нем отдель­ные СО и обеспечивает устойчивость работы при отказе части СО.

6. Создание ТСО нового поколения, в том числе более поме­хоустойчивых, приводит к задаче классификации сигналов или по другому - к задаче распознавания образов.