Информационная система видеоконтроля кассовых операций

В то же время вычислительные (компьютерные, симулятивные, имитационные) эксперименты с моделями объектов позволяют тщательно и достаточно глубоко изучать объект недоступно чисто теоретическим подходам (это преимущество эксперимента).При цифровой обработке изображений решается широкий круг задач:- регистрация изображения и преобразования в цифровую форму;- сжатие изображения и кодирования;- передача изображения каналом связи;- декодирование и коррекция (при необходимости) изображение (фильтрация)- дешифровки изображения (выделение признаков объектов мониторинга).Из-за несовершенства систем регистрации записанное изображение является искаженной копией оригинала. Основными причинами искажений, приводящих к ухудшению четкости, является ограниченная разрешающая способность системы регистрации, расфокусировка, наличие искажений за счет влияния среды (атмосферы), движение камеры по отношению к объекту, регистрируется, и тому подобное. Устранение или ослабление искажений с целью повышения резкости относится к задача восстановления изображений.Проведем анализ освещенности объекта, показанного нарисунке 14. На некотором отдалении от объекта распределение энергии от источника светового излучения, отраженного от объекта, по пространственным координатам ипо длинам волн  описывается с помощью функцииНаибольшее значение светочувствительности ограничен предельной величиной фоторегистрирующих среды,Геометрические размеры изображения ограничены характеристиками формирующей системы и параметрами фоторегистрирующих среды. Будем считать, что все изображения отличные от нуля в прямоугольной области: L xx L x,L yy L y.(2)Человеческое зрение и средства фоторегистрация имеют спектральную чувствительность, описывается функциейu (l ). Например, как известно, человеческий глаз имеет чувствительность к свету в диапазоне волн отlmin = 0,35 мкм до lmax = 0,78 мкм. При этом функция спектральной чувствительности достигает своего максимума примерно всередине этого диапазона и приходит к его краям.Каждое средство фоторегистрация имеет индивидуальную характеристику спектральной чувствительности, обусловленное физикой прибора. Существует большое количество фото и видеодатчиков в ультрафиолетовом и инфракрасном диапазонах, широко использующихся, например, при спектрозональных съемках поверхностиЗемли из космического пространства.Как при наблюдении объекта человеком, так и при использовании фото- и видеодатчиков наблюдаемое изображение является результатом усреднения функциипо диапазонам длин волн, описываемых весовой функцией и может быть описано посредством описывается выражения:Посредством функцииf (x, y ) описывает обрабатываемое изображение. Таким образом, изображение представляется в виде функции, заданной двумя пространственными переменными, заданными в ограниченной области прямоугольной форме.Рассмотрим работу с двумерными линейными системами.Известным является понятие оптической системы, в которой осуществляется преобразование изображений в соответствии с определенными правилами, определеннымичерез совокупность взаимосвязанных оптических устройств.С математической точки зрения, под системой понимать правилоЧто ставит в соответствие входной функции исходную функцию. различают одномерные1D и двумерные 2D -системы.Одномерные системы осуществляют преобразование функции одной переменной:Согласно двумерные системы осуществляют преобразование функции двух переменных:g(x, y)= L [f (x, y)].Оптические системы по сути является двумерными, но в некоторых случаях могут одномерные.Рассмотрим 2D-линейную систему, на вход подаётся сигнал, заданный дельта-функцией. Реагирование системы на воздействие сигнала дельта-функции будет различным для разных систем, что предполагает импульсный отклик и рассматривается в качестве характеристики 2D-системы. Системарассматривается как пространственно-инвариантная, если значение ее импульсного отклика определяется значением разности координат входнойи выходной (x, n)плоскостей. Для оптической системы,показанной на рисунке 9, это означает, что при перемещении точечного источника во входной (предметной) области изображения этого предмета в плоскости наблюдения также менять положение, но сохраняет форму.Используя функцию импульсного отклика, можно записать уравнение, связывающее изображения на входе и выходе2D-линейно оптической системы. Для этого входной сигналf (x, y) подадим на вход 2D - системы с характеристикой h(x, n). поскольку операция L линейная и операция интеграции в фигурных скобках (11) также линейная, их можно поменять местами и записать:g(x, y)º L ∫∫ f (x, n)L {d (x - x, y- h)}dxdh.(12)DУчитывая, что по определениюL{d (x -x, y- m)}º h(x -x, y-h),(13)окончательно получим выражение, устанавливает свя связь между изображениями во входной и выходной плоскостях линейной системы:g(x, y)=∫∫ f (x, n)h(x - x, y- h)dxdh.(14)Уравнение (14) называется интегралом свертки. Из этого уравнения следует, что, зная импульсный отклик оптической системы, можно рассчитать исходное изображение с входным. Техническое задание, которое необходимо решить в обработке изображений, - это введение оптических изображений в память компьютера и вывода (визуализация) изображений. В современных компьютерах задача визуализации решен. Для этого используются цветные дисплеи и другая техника отображения информации (проекторы, планшеты).Введение изображений в память компьютера осуществляется с помощью матричных приемников излучения (МПО). МПО переводит оптический распределение яркости изображения в электрические импульсы и далее в цифровойвид. В силу того, что изображения являются функцией двух пространственных переменных, а электрические сигналы являются функциями одной временной переменной, то при преобразовании используется алгоритм развертки.Так, при проведениисъемок посредством видеокамер изображения считываются построчно. При этом в пределах каждой строки зависимость яркости от пространственной координаты хблизкак пропорциональной зависимости амплитуды электрического сигнала от времени t. между строкамипроизводится практически мгновенно. При использовании МПВ наблюдение изображений производится через экран с множеством прозрачных ячеек. Число таких ячеек для является очень великим и составляет величину порядка1024 х 1024 и более.Исходное изображение, как уже отмечалось, является функцией двух непрерывных аргументов. В то же время, цифровая памяти пять компьютера способна хранить только массивы данных. Поэтому введение изображения в компьютер неизбежно связанный с дискретизацией изображений по пространственным координатам и по яркости.Дискретизации изображений.Рассмотрим непрерывное изображениеf(x,y)как функцию двух пространственных переменныхx и y на ограниченной прямоугольной областиНаиболее эффективными алгоритмами распознавания объектов, попадающих в поле зрения видеокамер, являются [23]:Метод Гибкого сравнения на графах;Метод использования нейросетей;Марковские модели.Сравнение на графах.Программа сравнения на графах представляет объекты, отсканированные с помощью системы видеонаблюдения, в виде графов, имеющих определенные вершины и грани. Сутью метода является проведение эластичных изменений при сопоставлении ребер, одно из которых выступает в качестве эталонного, а другое деформируются с целью оптимальной подгонки к оригиналу. В различных алгоритмах графы могут иметь прямоугольную структуру, где ключевые точки привязаны к двухмерным координатам, или обладать трехмерной структурой неравномерных многоугольников вершины которых связаны с основными параметрами исследуемого объекта.Недостатки данного метода связаны с довольно существенной сложностьютехнологии распознания и, как следствие, высокими требованиями, предъявляемыми к вычислительным мощностям обслуживающей техники. Технология запоминания новых эталонов является низкотехнологичной. Кроме того, имеется прямая зависимость скоростиработы системы с объема базы данных. Рекомендуется использование для систем распознавания, объем которых составляет не более 500 эталонов.Метод нейронных сетей.Современное программное обеспечение использует свыше десятка разновидностей алгоритмов нейронных сетей. Наиболее распространенными и эффективными являются многослойные прецептронные сети. Их использование позволяет проводить не только классификацию полученных изображений, но и осуществлять обучение сети в автоматическом режиме в соответствии с заложенным алгоритмом. Наибольшую эффективность в распознании продемонстрировала сеть ConvolutionalNeuralNetwork.Однако, популярность этого метода не слишком высока, что связано со сложностью обслуживания. Добавление эталонного образца в базу довольно длительная процедура, требующая от 1 часа до нескольких дней. Кроме того, неправильная оптимизация алгоритма выбора может привести к критическому сбою по всей системе, и СКУД либо станет всех пропускать, либо блокирует вход.Марковские модели относятся к группе статистических алгоритмов распознавания. Довольно эффективным и скоростным методом для средних объемов данных. Однако, существует ряд определенных трудностей в обучении, при вводе в базу данных новой модели необходимо отметить несколько десятков ключевых параметров, некоторые из которых являются уникальными.ЗаключениеНа сегодняшний день технологии обработки видеоинформации внедряются во многие прикладные области. Одной из главных прикладных областей использования технологий работы с видеоизображениями являются системы видеонаблюдения, которые в настоящее время устанавливаются повсеместно на объекты различного назначения. В рамках данной работы проведено изучение алгоритмов распознавания лиц с использованием видеокамер, посредством алгоритмов нейронных сетей.Проведено рассмотрение областей применения и основных принципов программной реализации систем искусственного интеллекта. Проведена классификация нейронных сетей, рассмотрены особенности использования генетических алгоритмов. Рассмотрены особенности использования нейронных сетей для распознавания видеопотока с камер видеонаблюдения. Список использованных источниковОписание структуры нейронных сетей. [Электронный ресурс]. Режим доступа: https://yandex.ru/turbo/s/mining-cryptocurrency.ru/nejronnye-seti/Описание генетических алгоритмов. [Электронный ресурс]. Режим доступа: http://lazysmart.ru/iskusstvenny-j-intellekst/geneticheskie-algoritmy-ili-kak-uchebn/Искусственный интеллект в банковской деятельности. [Электронный ресурс]. Режим доступа: https://raexpert.ru/researches/banks/bank_ai2018Интеллектуальные системы банковской отрасли. [Электронный ресурс]. Режим доступа: http://maxsustextizim.uz/projects/intellektualnye-sistemy-dlya-bankovskoj-otrasli/Искусственный интеллект в Сбербанке. [Электронный ресурс]. Режим доступа: https://www.tadviser.ru/index.php/%D0% A1%D1%82%D0%B0%D1%82%D1%8C%D1Болотова Л. С., Сорокин А. Б. Многокритериальная оптимизация / Болотова Л.С., Сорокин А.Б. - Москва : МИРЭА, 2015. – 263с.Бураков Д. П., Гарина М. И. Теория принятия решений: методы оптимизации и многокритериального выбора : учебное пособие / Д. П. Бураков, М. И. Гарина. - Санкт-Петербург : ФГБОУ ВО ПГУПС, 2017. - 65 с. Холопкина Л.В., Кремер О.Б. Методы оптимизации. Компьютерные технологии: учебное пособие / Л. В. Холопкина, О.Б. Кремер. - Воронеж: Воронежский государственный технический университет, 2016. - 146 с.Корнеенко В. П. Методы многокритериального оценивания объектов с многоуровневой структурой показателей эффективности: монография / В. П. Корнеенко. - Москва: МАКС Пресс, 2018. - 292 с.Зак Ю. А. Прикладные задачи многокритериальной оптимизации / Ю.А. Зак. - Москва : Экономика, 2014. - 455 с. Соловьев С. В. Методы оптимизации. Примеры и задачи. - Хабаровск : Изд-во ТОГУ, 2017. – 162Гайдук А.Р. Теория автоматического управления в примерах и задачах с решениями в MATLAB / Гайдук А.Р., Беляев В.Е., Пьявченко Т.А. – СПб.: Лань, 2011. – 464с.Шукаев Д. Н. Прикладные методы оптимизации: учебник / Д. Н. Шукаев. - Москва : ИД "Академия естествознания", 2017. - 211 с