Совершенствование математических методов обеспечения безопасности на основе анализа видеоряда в реальном времени

Цель исследования. В настоящее время математические методы анализа видеоряда представляют собой структурированную совокупность подходов к распознаванию изображений на основе разности свечения различных областей изображений. Множество данных значений описываются с применением математических зависимостей, однако существующие подходы работают только для стандартных изображений, полученных при обработке видеоданных. Целью настоящего исследования является разработка нового подхода к анализу изображений, полученных, в том числе, с применением терагерцевого излучения, имеющего специфические характеристики, как физические, так и математические.

Методы. В настоящем исследовании применялись следующие теоретические и эмпирические научные методы: анализ (проведен анализ существующих на сегодняшний день известных математических методов обработки изображений с целью распознания образов); синтез (предложен принципиально новый подход к системам безопасности, представляющий собой единую систему, состоящую из отдельных взаимосвязанных подсистем); моделирование (разработана информационная модель системы безопасности на базе СКУД с применением системы анализа и распознавания потенциально опасных предметов на основе видеопотока в реальном времени); математизация (система анализа изображений описана языком математических законов и формул).

Результаты. В результате исследования на основе анализа современных материалов, в перспективе предлагается концепция системы обеспечения безопасности на основе анализа видеоряда в реальном времени с применением перспективных технологий сканирования объектов. В качестве основного новшества предлагается усовершенствованный метод анализа изображений Виолы-Джонса с применением дополнительного множества, характеризующего признаковое пространство объектов в терагерцевом диапазоне излучения.

Заключение. Применение технологий высокочастотного сканирования с интеллектуальными системами распознавания образов объектов в режиме реального времени позволит в существенной мере снизить риски проникновения злоумышленников на охраняемые объекты, а также повысить безопасность граждан при сравнительно малых затратах на разработку и внедрение модернизированных систем безопасности.

1. Tiwari S., Singh A., Shukla V. Statistical moments based noise classification using feed forward back propagation neural network // Int. J. of Computer Applications. 2011. Vol. 18, № 2. P. 36-40.

2. Нейрокомпьютеры. От программной к аппаратной реализации / М. А. Аляутдинов, А. И. Галушкин, П. А. Казанцев, Г. П. Остапенко. М., 2016. 152 c.

3. Беллман Р., Дрейфус С. Прикладные задачи динамического программирования. М.: Главная редакция физико-математической литературы издательства «Наука», 2016. 458 c.

4. Бродецкий Г.Л. Системный анализ в логистике. Выбор при многих критериях. М.: Academia, 2015. 224 c.

5. Буй Тхи Тху Чанг, Фан Нгок Хоанг, Спицын В.Г. Распознавание лиц на основе применения метода Виолы–Джонса, Вейвлет-преобразования и метода главных компонент // Известия Томского политехнического университета. 2012. Т. 319, № 6. С. 54–59.

6. Khan H, Yener B. Learning Filter Widths of Spectral Decompositions with Wavelets// Proc. of the NIPS Conf. 2018. P. 4601–4612.

7. Никитин А. А., Лиманова Н. И. Процесс распознавания изображения нейронной сетью // Молодой ученый. 2020. № 47 (337). С. 23-25.

8. Рекурсивный алгоритм формирования структурированных множеств информационных блоков для повышения скорости выполнения процедур определения их источника / М.О. Таныгин, Х.Я.А. Алшаиа, В.П. Добрица, О.Г. Добросердов // Известия Юго-Западного государственного университета. 2021. Т. 25, № 2. С. 51-64. https://doi.org/10.21869/2223-1560-2021-25-2-51-64.

9. Трофимова Е. А., Плотников С. В., Гилев Д. В. Математические методы анализа / под общ. ред. Е. А . Трофимовой. Екатеринбург: Издательство Уральского университета, 2015. 272 с.

10. Конарев Д. И., Гуламов А. А. Синтез архитектуры нейронной сети для распознавания образов морских судов // Известия Юго-Западного государственного университета. 2020; 24(1): 130-143. https://doi.org/10.21869/2223-1560-2020-24-1-130-143.

11. Вдовин В.М., Суркова Л.Е., Валентинов В.А. Теория систем и системный анализ. М.: Дашков и К, 2013. 644 c.

12. Numerical Removal of Water-Vapor Effects from Hz-TDS Measurements: Withawat Withayachumnankul, Bernd M. Fischer, Samuel P. Mickan, Member, IEEE, and Derek Abbott, Fellow, IEEE; Oct, 2007.

13. Архипов А. Е. Фильтрация сложных сигналов на основе двухуровневой нечетко-логической модели // Известия Юго-Западного государственного университета. 2023. Т. 27, № 2. С. 140-154. https://doi.org/10.21869/2223-1560-2023-27-2-140-154.

14. T-Ray Imaging: Daniel M. Mittleman, Rune H. Jacobsen, and Martin C. Nuss, Member // IEEE; IEEE JOURNAL OF SELECTED TOPICS IN QUANTUM ELECTRONICS. September 1996. Vol. 2, № 3.

15. Агафонов В.А. Системный анализ в стратегическом управлении. М.: Русайнс, 2016. 48 c.

16. Белов П.Г. Управление рисками, системный анализ и моделирование: в 3 ч. Люберцы: Юрайт, 2016. Ч. 1. 211 c.

17. Способ реализации адаптации робота к изменениям режима контактного взаимодействия с использованием глубоких полносвязных нейронных сетей / С.И. Савин, Л.Ю. Ворочаева, А.В. Мальчиков, А.М. Салихзянов, Э.М. Заляев // Известия ЮгоЗападного государственного университета. 2020; 24(1): 206-214. https://doi.org/10.21869/2223-1560-2020-24-1-206-214.