Журнал "Системы Безопасности" № 1‘2018

A L L - O V E R - I P n w w w . a l l - o v e r - i p . r u 66 О дно из важнейших направлений внедре- ний, где будут особенно полезны нейрон- ные сети – это решение задач видеоаналитики для "Безопасного города". Уже сегодня суще- ствуют алгоритмы, работающие на глубоких нейронных сетях (распознавание лица, челове- ка и др.), которые можно вживить на чип на борту камеры. Глубокие нейронные сети – что это? Обычные полносвязные сети существовали с давних времен. В 1988 г. были придуманы кон- волюционные (сверточные) сети, а отдельно от них в 2006 г. – глубокие сети. Революция в машинном зрении случилась в 2011 г., когда были собраны в первом виде глу- бокие сети для задач машинного зрения и про- шла первая волна публикаций о глубоких свер- точных нейронных сетях в распознавании изоб- ражений. Ключевые плюсы таких сетей: 1. Для обучения глубокой нейронной сети нужно очень много данных, и она не страдает эффектом насыщения из-за огромного числа обучаемых параметров, проблемы Underfitting и Overfitting более-менее решаемы. 2. Глубокие конволюционные нейросети учиты- вают специфику изображений как объекта рас- познавания и, даже не зная каких-то ракурсов, могут распознать объект в совершенно неизвестной для себя обстановке. 3. Могут учиться без учителя. Для этого требу- ется больший объем данных и процесс обуче- ния длится значительно дольше, но уже появи- лись новые прорывные подходы в данной обла- сти. У нейронных сетей есть и минусы: 1. Нужны огромные вычислительные мощности для обучения на больших объемах данных. 2. Необходимо дорогое "железо" с большим количеством видеокарт для обработки всего нескольких каналов на один сервер в режиме реального времени. Рывок в качестве распознавания лиц Начиная с 2015 г. на всех общедоступных базах был совершен значительный рывок в распознавании, и можно утверждать, что лучшие российские системы распознавания лиц являются и лучшими в мире – три рос- сийские компании входят в топ-5 по базе NIST. Если раньше можно было распознать лицо только во фронтальном ракурсе, то сейчас это возможно сделать практически во всех ракурсах. Распознавание объектов вместо моделирования фона Классические системы распознавания построены на предварительных предполо- жениях: моделирование фона, разделение Foreground и Background (неподвижный фон и движущиеся объекты на нем). Но это противоречит восприятию человека, так как человек и без признака движения может легко определить людей, находящихся в его поле зрения. Сейчас происходит переход от предположений о сцене именно к распозна- ванию отдельных объектов и используются не признаки движения, а только факт нали- чия объекта типа "человек на сцене". Сего- дня вероятность распознавания силуэта человека уже очень хорошая – ошибки 1-го и 2-го рода составляют порядка 1% на дан- ных среднего и высокого качества. Реидентификация с помощью нейронных сетей Задача реидентификации может быть решена во многих спектрах. Первый (очевидный, но редко запрашиваемый заказчиком) – это передача человека или друго- го объекта видеонаблюдения от одной камеры к другой, когда его нужно подхватить с тем же ID, с которым он двигался до этого. Раньше эта зада- ча в определенной степени решалась, но если человек на одной камере был в одном ракурсе, а на следующей – уже в новом, то не все алго- ритмы идентификации хорошо справлялись. Второй – поиск человека или другого объекта в базе данных по описанию, сформированному оператором, или фотографии. Сейчас подход к реидентификации построен на генерации Deep ID для объекта (человека, авто- мобиля и др.) с последующим сравнением шаб- лона с шаблонами других объектов (контраст- ные, цветовые признаки и т.д.). Более того, можно рассматривать образ человека как лицо при распознавании – то есть шаблоны внешне- го вида людей загружаются в базу данных и после конкретного события, если нужно про- бить образ человека по базе данных, по нему строится Deep ID, сравнивается с шаблонами, и выдаются все вхождения человека, но не по лицу, а по внешнему виду. Этот спектр задач идентификации сильно вырос и уже стал по- настоящему умным. Контроль техники безопасности на производстве Возросли запросы на автоматические систе- мы промышленной безопасности в части ношения средств индивидуальной защиты. Вероятно, это связано с большими штрафа- ми, накладываемыми на те предприятия, которые не обеспечивают ношение СИЗ на производстве. Оператору же системы видеонаблюдения отследить факт отсут- ствия СИЗ довольно сложно. Глубокие нейронные сети справляются и с такой задачей – по каждому типу унифор- мы систему придется доучить, но результаты февраль – март 2018 www.secuteck.ru Борис Вишняков Начальник лаборатории анализа динамических сцен ФГУП "ГосНИИАС" Плюсы и минусы глубоких нейронных сетей Нейронные сети для задач промышленности и безопасности Встраиваемые системы машинного зрения нового поколения Нейронные сети в последнее время набирают все большую популярность, и интерес к их использованию растет как среди производителей, так и у заказчиков. Рассмот- рим, как встраиваемые системы машинного зрения нового поколения на основе глу- боких нейронных сетей могут быть применены в реальных проектах для задач про- мышленности и безопасности