Введение

Вопросы безопасности в нашем, быстро развивающемся обществе, становятся всё более актуальными. Ключевым инструментом для обеспечения безопасности всегда являлось видеонаблюдение. Оно используется для контроля ситуации и предотвращения возможных угроз. Однако, в последнее время, системы видео-безопасности, называемые традиционными, стали сильно уступать автоматизированным. В современные системы видеонаблюдения активно начали внедрять технологии искусственного интеллекта (ИИ), который позволяет с более высокой эффективностью обнаруживать возможные угрозы, тем самым повышая безопасность.

Немаловажным преимуществом видео-систем, построенных на базе ИИ является устранение “человеческого фактора” – повысится точность обнаружения подозрительных объектов и скорость реагирования на возможную опасность. Это особенно важно для объектов с большим скоплением людей и критической инфраструктуры, где обрабатываются большие объёмы данных.

Основной задачей этого реферата является исследование современных технологий автоматизации в системах видеонаблюдения, изучение основных их компонентов и оценка их влияния на безопасность. Будут рассматриваться интеллектуальные алгоритмы обработки изображений, системы анализа видео-данных на основе ИИ, а также интеграция с другими системами обеспечения безопасности.

1. Основные компоненты автоматизированных систем видеонаблюдения.

1. Интеллектуальные алгоритмы обработки изображений

Автоматическая обработка изображений является важнейшим направлением в области систем видеонаблюдения с использованием ИИ. Она включает в себя создание роботизированных комплексов, которые осуществляют распознавание объектов.

Наиболее эффективными инструментами для распознавания образов являются системы, построенные на обученных нейронных сетях и нечёткой логике. В системах технического зрения крайне важно наличие нескольких методов, решающих одну и ту же задачу разными способами. У них должны быть высокие показатели по достоверности и быстроте идентификации.

В процессе распознавания изображений одним из важнейших этапов является предварительная обработка изображения, так как от неё зависит качество данных, поступающих в нейронную сеть. Это сложный процесс, состоящий из большого количества шагов.

Алгоритм предварительной и нечёткой обработки можно представить в виде последовательности: получение изображения при помощи камеры -> преобразование цветного изображения в необходимую цветовую палитру (обычно в оттенках серого цвета) -> нечёткая обработка изображения.

Для того, чтобы преобразовать изображение в оттенки серого, необходимо для каждой точки выделить интенсивность красного, зелёного и синего цветов и затем осуществить трансформацию по формуле:

Новый цвет = 0.255 Красного + 0.255 Зелёного + 0.255 Синего

В среде MATLAB есть метод для такой обработки изображений - «rgb2gray».

После преобразования цветов изображения в градацию серого, необходимо преобразовать его чёрно-белое.

Целью предварительной обработки является последующая бинаризация, то есть процесс преобразования изображения, состоящего из градации одного цвета в бинарное изображение, т.е. изображение, в котором каждый пиксель может иметь только два цвета, изображения.

В настоящее время существует огромное количество возможных методов бинаризации изображений. Суть их работы проста – они сравнивают яркость каждого текущего пикселя и пороговым значением яркости – если яркость пикселя превышает пороговое значение – пиксель преобразуется в белый, в противном случае - в чёрный.

Полученное изображение передаётся искусственному интеллекту.