Рис. 8 График по методу Fisherfaces

Как видно из графиков первые два метода имеют значительный разброс параметра K1 - коэффициента уверенности и практически одинаковую плотность распределения верно и неверно распознанных лиц.

Рис. 9 График по методу LBPHfaces

И если в первом методе прослеживается некоторый минимум K1 при разрешении R1 = 60…130, то во втором методе выявить зависимость K1 от разрешения R1 не удается. Третий график для метода LBPHfaces имеет явную зависимость коэффициента уверенности от разрешения R1. Минимум находится при разрешении выше 160 и ниже 240, и, что очень важно, качество распознавания в этом диапазоне доходит до 100%, так как отсутствуют неверно распознанные лица. Следует также отметить, что на всех графиках при разрешении ниже R1 =60 отмечается 100% неверно распознанные лица, т.е. минимальное разрешение R1min , выше которого появляются верно распознанные лица, у разных методов примерно одинаковое:

- Eigen - 63x63

- Fisher - 65x65

- LBPH - 60x60

Соответственно, можно выбрать для дальнейших исследований минимальный нижний порог по разрешению R1min = 65х65. Максимальное разрешение R1max выбрать сложнее, так как слишком маленькое значение может отсеять ряд верно распознавшихся лиц, а слишком большое значение может уменьшить скорость обработки кадра и соответственно увеличить время этой же обработки. Из первых двух графиков нельзя обоснованно определить R1max. Однако на графике последнего метода видно, что минимальный коэффициент уверенности расположен около разрешения в 200х200 пикселей. Такую величину и возьмем как ограничение по максимальному разрешению. В дальнейшем будет использоваться R1min = 65 и R1max = 200.

Также можно заметить, что основная часть изображений лиц верно и неверно распознанные, находятся при разрешениях ниже 150 - плотность распределения определенных лиц высокая. Так как проход участников эксперимента осуществлялся равномерно по всему маршруту, то и плотность распределения определенных лиц должна была быть одинаковой. Однако, если анализировать видео, то, после того, как человек подходит ближе к камере, освещение начинает находиться позади него и его лицо становится темнее. Это можно наблюдать на последовательности определенных лиц и на графиках, после того, как разрешение становится больше 150 - количество определённых лиц становится меньше у всех трех методов. Из этого можно сделать вывод: затененные лица хуже определяются. Также, при таком освещении и распознавание у первых двух методов становится хуже, и коэффициент уверенности начинает расти. Таким образом, на распознавание у первых двух методов довольно сильно влияет освещение в отличие от третьего метода.

Итак, описанные выше результаты эксперимента позволили определить границы параметра разрешения R1min = 65 и R1max = 200 в целом для трех методов, а также то, что при выбранных условиях эксперимента наиболее эффективным является третий метод.

Следующий этап экспериментальных исследований будем проводить на предмет определения качества распознавания при наличии ограничения по коэффициенту уверенности, в виде параметра Th, являющегося пороговым значением коэффициента уверенности, выше которого результаты распознавания не будут учитываться при расчете процента распознавания по формуле (3) и фиксироваться в Системе.

Для этого проведем эксперимент при следующих ранее определенных параметрах: N1 =8; I1 = 0; N2 = 10; G1 = светлая; R1min = 65 и R1max = 200.

Ниже представлен фрагмент общей таблицы табл. 7:

Таблица 7 Фрагмент таблицы по распознаванию каждого человека

На основании полученных данных построены следующие графики, на которых наглядно представлена работа методов и их эффективность при выбранных условиях эксперимента. Ось Х - это значение коэффициента уверенности, а ось Y - это значение распознавания.

Рис. 10 Eigenfaces

Графики приведены по каждому человеку из трех, участвовавшему в эксперименте по методам Eigenfaces (Рис.10), Fisherfaces (Рис.11) и LBPHfaces (Рис.12). Анализ графиков показывает, что у всех трех методов можно выделить значение коэффициента уверенности (порог), левее которого количество верно распознанных лиц будет в процентном выражении больше, чем неверно распознанных. Также из графиков видно, что третий метод показывает более стабильные результаты для разных людей, участвующих в эксперименте.

Рис. 11 Fisherfaces

Рис. 12 LBPHfaces

Рис. 15 LBPHfaces

Следует отметить для достоверного анализа графиков, что первое значение Qa всегда равно нулю и не учитывается при выборе оптимального значения Th. Первый метод дает явно выраженную зависимость с довольно высоким процентом распознавания выше 80%. Тогда для метода Eigenfaces установим порог равный Th1=6500. Второй метод плохо распознал первое и второе лицо и очень хорошо третье лицо, возможно из-за плохого качества фотографий и освещенности, как отмечалось выше, поэтому не будем сильно занижать порог, ориентируясь только на третье лицо, а установим его для Fisherfaces равным Th2=700. Третий метод опять показал более стабильные и самые высокие результаты по сравнению с первыми двумя, вплоть до 100%. Однако, на данном этапе установим порог, при котором процент распознавания выше 90%. Тогда для LBPHfaces примем порог равным Th3 = 70.

Следующий этап экспериментальных исследований проводится на предмет анализа влияния приращения I1. Исследуется качество распознавания также по трем методам. Приращения соответствуют следующим значениям: I1 = 0 (для первого эксперимента) и I1 = 15(для второго эксперимента). Оба эксперимента проводятся при ранее определенных параметрах: N1 = 8; I1 = 0; N2 = 10; G1 = светлая; R1min = 65, R1max = 200, Th1=6500, Th2=700, Th3 =70. Результаты эксперимента сведены в табл.7, при этом уже возможно сравнивать методы и влияние исследуемых параметров, используя коэффициент эффективности, введенный во второй главе Ке - формула (4), в связи с тем, что был введен порог на предыдущем этапе. Коэффициент эффективности участвует в определении показателя качества эффективности распознавания Qe по формуле (5). Также можно уже на этом этапе оценить эффективность работы методов распознавания по показателю Qa с учетом уже выбранных параметров и ограничения по порогу.

Таблица 9 Результат теста при приращении I1= 0

Таблица 10 Результат теста при приращении I1= 15

Как видно из табл. 9-10, при нулевом приращении - I1 =0, результаты значительно лучше у первых двух методов, чем при приращении - I1=15 пикселей, при котором у первого метода количество верно распознанных лиц уменьшилось с 21 до 4 и резко снизилось количество первых верных с 12 до 4. Увеличилось число неверно определенных лиц с 2 до 4, и вообще не определилось второе лицо. Это может происходить из-за того, что в базу заносятся лица в большем разрешении и приращение в 15 пикселей влияет меньше, чем для видео, где фото лица может быть размером в 60х60 пикселей и тогда приращение довольно сильно захватывает задний фон. Это подтверждается предыдущими исследованиями по влиянию разрешения, когда первые два метода имели высокую плотность распознанных лиц именно при меньших разрешениях. Для третьего метода эффективность практически не зависит от данного параметра, а по первым кадрам лучшие результаты получились при I1=0. Также следует отметить, что настройка методов по параметрам и введенные ограничения по порогу резко подняли процент распознавания до 70% у второго метода и выше 90% у первого и третьего методов. В дальнейшем приращение примем равным нулю I1=0.

Следующий этап экспериментальных исследований был проведен на предмет анализа влияния гаммы фотографий, находящихся в базе данных. Для первого человека было подготовлено три варианта фотографий для помещения в базу данных. Первый вариант - десять фотографий в темной гамме. Второй вариант - десять фотографий в светлой гамме. Третий вариант - пять фотографий в темной гамме и пять фотографий в светлой гамме. Для остальных двух человек сохранялся вариант - десять фотографий в светлой гамме. видеооборудование автоматизированный несанкционированный

Таблица 11 Результаты при темной гамме цвета

Таблица 12 Результаты при светлой гамме

Было произведено три теста по каждому методу распознавания при следующих параметрах: N1 =8; I1 = 0; N2 = 10; R1min = 65, R1max = 200, Th1=6500, Th2=700, Th3 =70. Изменялся только один параметр G1 при значении: светлая, темная, смешанная гамма. Получились следующие результаты:

Таблица 13 Результаты при смешанной гамме

Анализ показывает, что использование фотографий в темной гамме у первого человека во всех трех методах выявили ухудшение распознавания. По первому и второму методу лицо вообще не определилось, по третьему, наоборот, общее число верно и неверно распознанных лиц Nsi возросло, но процент распознавания и показатель эффективности метода резко упали. Смешанная гамма дает промежуточный вариант, а светлая - наилучший результат. Исходя из этого, в дальнейшем будет использоваться светлая гамма.

Следующий этап экспериментальных исследований проводился на предмет анализа влияния количества фотографий, заносимых в базу данных для каждого человека - параметр N2. Было произведено три теста по каждому методу распознавания при следующих параметрах N2=3,5,8,10; N1 = 8; I1 = 0; G1=светлая; R1min = 65 , R1max = 200, Th1 = 6500, Th2 = 700, Th3 = 70.

Таблица 14 Результаты при параметре N2=3

Из табл.14 видно, что при N2=3 первый метод увеличил количество неверно распознанных лиц, второй метод практически не имеет распознаваний, третий метод снова показал в сравнении с другими методами более высокие показатели, но в целом все методы имеют заниженные показатели.

Таблица 15 Результаты при параметре N2=5

Из табл.15 видно, что при N2=5 все методы заметно подняли свои показатели, но еще не приблизились к своим лучшим результатам. При этом второй метод также показывает наихудшие показатели.

Таблица 16 Результаты при параметре N2=8

Таблица 17 Результаты при параметре N2=10

Анализ вариантов с N2=8 и N2=10 показывает, что у третьего метода показатели не изменились и остаются стабильно высокими. Два других метода имеют более высокие показатели эффективности при N2=8. Исходя из этого, а также учитывая, что увеличение числа фотографий выше 8 требует больше памяти и затрат при работе с базой данных, примем достаточным наличие 8 фотографий в базе данных для одного человека. Итак, проведенные исследования влияния параметров на качество распознавания, определенные во второй главе, и выбор их оптимальных значений показало существенный рост процента распознавания по сравнению с развиваемой работой. Также, исходя из вышеприведенных таблиц, можно выбрать метод, который показал самый высокий процент распознавания по сравнению с остальными методами. Это метод LBPHFaces. Как выяснилось, на него очень слабо влияет параметр гаммы цвета. Для дальнейшего тестирования будет использоваться данный метод, так как сложно добиться того, чтобы на всех камерах присутствовала одинаковая цветовая гамма.

Следующим этапом экспериментальных исследований было проведение теста с использованием другой видеокамеры IP камера VStarcam C7893WIP, имеющей следующие параметры:

- Частота - 15 кадр/с

- Разрешение - 1280x720

- Угол обзора - 56.14?

Также была добавлена подсветка, установленная перед камерой. Было произведено два теста по методу LBPH распознавания при следующих параметрах; N1 =8; N2=8 I1 = 0; G1=светлая; R1min = 65 , R1max = 200, Th1=6500, Th2=700, Th3 =70. Результаты представлены в табл.18

Таблица 18 Результаты итогового тестирования

Результаты теста оказались высокими, однако после обработки данных общее количество распознанных лиц Nsi = 3, т.е. всего по одной фотографии каждого человека. Анализ видеопотока показал, что съемка шла при 15 кадров в секунду, и при проходе лицо определялось всего один раз.

Таблица 19 Результаты итогового тестирования с учетом частоты видеопотока

Поэтому был проведен еще один эксперимент с измененным параметром N1 = 4 вместо 8, тогда в 1сек мы получаем гарантированно три кадра за проход. Это позволяет подстроить Систему под данную камеру. Результаты эксперимента представлены в табл.19.

Результаты эксперимента подтвердили правильность подстройки Системы под конкретную камеру и позволили сделать вывод, что в зависимости от частоты кадров видеопотока параметр обработчика кадров N1 необходимо выбирать таким, чтобы в секунду обрабатывалось не менее 3 кадров.

Исходя из всех тестов, было принято решение, что самый эффективный метод распознавания является LBPHFaces.

Для того, чтобы понять улучшилось ли качество распознавания после проведения тестирования, необходимо сравнить полученные результаты с результатами тестирования в развиваемой работе. При этом данные «После» взяты из табл. 16 для метода LBPHFaces с учетом введенных ограничений. Результаты «До» взяты из работы [1] по тому же методу. Ниже приведена сводная таблица:

Таблица 20 Сводная таблица результатов развития

Как видно из табл. 20 развитие Системы прошло успешно.

- разработана методика эксперимента;

- проведен ряд экспериментов, подтверждающий правильность выбора параметров для анализа качества работ Системы;

- определены оптимальные значения выбранных во второй главе параметров, применение которых позволило существенно поднять показатели качества развиваемой работы.

Заключение

В соответствии с целями и задачами, определенными в первой главе, и, исходя из результатов, полученных в ходе проведения работы, можно сделать следующие выводы:

- конкретизировано понятие объекта охраны, находящегося под видеонаблюдением. Определена универсальная схема расположений камер, число которых определяется исходя из количества входов/выходов, ветвлений и офисов.

- предложена методика расчета максимального числа камер исходя из минимальных требований к серверу приложений, а также частоты кадров и разрешения видеопотока. Выбрана наиболее оптимальная конфигурация Системы, исходя из минимального времени на обработку одного кадра во время максимальной загрузки Системы. Данная Система не привязана к конкретной схеме объекта охраны и в предложенном варианте является универсальной.

- предложены варианты масштабирования Системы, имеющей трехзвенную архитектуру, в которой сервер приложений может состоять из одного или более серверов, обслуживающих каждый свою группу камер, при этом максимальное число обслуживаемых камер будет определяться его производительностью.

- разработана методика эксперимента, согласно которой определена последовательность анализа параметров, влияющих на качество и скорость распознавания с целью уменьшения числа вариантов эксперимента. Для этого первыми исследовались три основных параметра: обработчик кадров (N1), разрешение (Rmin, Rmax) и порог (Th). Они после нахождения оптимальных значений фиксировались в виде ограничений.

- проведено исследование и сравнение трех методов распознавания: EigenFaces, FisherFaces, LBPHFaces. Оценка качества распознавания производилась по проценту распознавания, а также через введенный коэффициент эффективности (Ke). Выбран наиболее эффективный метод распознавания лиц LBPHFaces, который имеет более высокие показатели качества при отклонениях от оптимальных значениях параметров Системы. Проведенное контрольное тестирование подтвердило высокую эффективность данного метода.

- изменен алгоритм обработки данных для формирования сообщения о несанкционированном доступе и изменена форма сообщения, позволяющая поднять информативность данного сообщения.

Цель работы, состоящая в развитии Системы потокового распознавания и сопровождения лиц, достигнута в соответствии с поставленными задачами в полном объеме. В качестве дальнейшего развития предлагается улучшить визуальную составляющую системы, чтобы было удобно наблюдать за всеми подключенными видеопотоками.

Список литературы

1. Новиков Р. С.; Разработка системы потокового распознавания и сопровождения лиц с использованием нескольких источников видеоизображения. 2018 г.