Комплексный подход к обнаружению, классификации и распознаванию нарушителя на охраняемой территории Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 681.3.01

А. Ю. Зенов

КОМПЛЕКСНЫЙ ПОДХОД К ОБНАРУЖЕНИЮ, КЛАССИФИКАЦИИ И РАСПОЗНАВАНИЮ НАРУШИТЕЛЯ НА ОХРАНЯЕМОЙ ТЕРРИТОРИИ

Аннотация. Описываются принципы реализации алгоритмов обнаружения, классификации и распознавания движущихся объектов в системах охраны периметра. Рассматриваются адаптивные к условиям окружающей среды алгоритмы детектирования полезного сигнала. Описывается разработанный алгоритм обнаружения объектов по вибросигналам. Результаты экспериментов наглядно демонстрируют работоспособность алгоритма обнаружения и распознавания.

Ключевые слова: охрана периметра, вибросигнал, обнаружение, распознавание, алгоритм.

Abstract: The article describes realization principles of the algorithms for detection, classification and identification of moving objects in perimeter security systems.

The author considers environment adaptive algorithms of the wanted signal detection and describes the developed algorithm for object detection by vibrosignals. The experiment results visually demonstrate operability of the detection-identification algorithm.

Key words: perimeter security, vibrosignal, detection, recognition, algorithm.

Введение

В связи с ростом криминально-террористических угроз все большее внимание уделяется охране периметра важных и особо важных объектов. На сегодня для надежной охраны периметра зачастую недостаточно правильно подобрать датчики и контрольно-измерительные приборы. Кроме правильного подбора датчиков, мест установки и монтажа, следует выбрать программное обеспечение системы обнаружения, классификации и распознавания. Система должна обладать высокими тактико-техническими характеристиками (ТТХ). Высокие ТТХ обеспечиваются за счет применения алгоритмических методов обнаружения, классификации, распознавания и снижения влияния помеховых факторов.

1. Постановка задачи

Как известно, в системах данного рода приходится выполнять сложную обработку сигналов в реальном времени. Отсюда вытекает требование к быстродействию. Наиболее значимыми ТТХ в системах охраны периметра являются вероятность обнаружения нарушителя Р0 и средняя наработка на ложную тревогу.

Специфика работы системы охраны периметра состоит в том, что обнаружение и распознавание объекта осуществляется на фоне распределенных в пространстве помех. Случайные сигналы и помехи в системах обнаружения и распознавания имеют большой динамический диапазон амплитудных, частотных и временных характеристик и ярко выраженный нестационарный характер. Информативные параметры часто являются нецентрированными

случайными величинами или процессами, для которых априорно неизвестны математические ожидания. В ближней локации получить оценки математических ожиданий сложно вследствие нестационарности процессов, ограниченного объема выборки, а также высокого быстродействия таких систем. В связи с отсутствием сведений о математических ожиданиях нецентрированных случайных параметров в системах обнаружения и распознавания нет возможности применять известные корреляционные методы обработки сигналов. Функционирование систем в условиях априорной неопределенности требует создания адаптивных систем [1].

2. Состав системы охраны периметра

В данной статье речь пойдет о периметровых системах обнаружения, которые могут строиться на разных принципах. Часто, например, используются сейсмические системы наблюдения в зоне ответственности, использующие маскируемые сейсмоприемники (датчики геофонного типа).

Если охранные системы конструктивно интегрированы с ограждением, то они строятся преимущественно на вибрационных принципах. Такая система обнаружения и распознавания содержит специальный сенсорный кабель (трибокабель). При его колебаниях генерируется информативный сигнал. Вибрационные системы охраны периметра применяются при охране как легких ограждений типа сетки «рабица», так и кирпичных стен и заборов, а также для охраны крыш и стен зданий, обнаружения подкопа и перемещения злоумышленника по территории охраняемого объекта.

В системах охраны периметра требуется в реальном времени проводить сложную обработку по обнаружению и классификации источника возмущения. В любом случае охранная система включает средство обнаружения и блок обработки сигналов. Последний все чаще заменяется компьютером, а алгоритм реализуется программно. Поэтому актуальна задача создания новых методов, алгоритмов обработки и принятия решения.

3. Описание алгоритма регистрации и анализа данных

Исходный сигнал (например, представленный на рис. 1) поступает на блок обработки сигнала (БОС). БОС предназначен для анализа и выдачи сигнала тревоги, помеховых факторов.

0 0.5 1 1.5 2 2.5

Рис. 1. Сигнал с датчика

Обратимся к методу экстремальной фильтрации. Его выбор обусловлен тем фактом, что метод позволяет сочетать экспресс-обработку с последующим точным анализом. В его основе лежит разложение сигнала на знакопеременные составляющие, параметры которых (частота и амплитуда или дисперсия) используются как диагностические, а также для обнаружения и распознавания типа вторжения.

На первом этапе осуществляется выделение т экстремальных значений хэ1 во временном окне (где 1 = 1, 2, ..., т) и разделение на знакопеременные составляющие. Сглаживание производится оператором вида

хС1 = 0,25 хэ1-1 + 0,5 хэ1 + 0,25 хэг-+1, (1)

который соответствует пропусканию данных через цифровой фильтр нижних частот.

Первая, высокочастотная, составляющая определяется из соотношения

хр1 = хэ1 - хЫ. (2)

Составляющая может быть выделена непосредственно из экстремумов следующим образом:

хр1 = -0,25 хэг-1 + 0,5 хэ1 - 0,25 хэ1+1. (3)

Далее преобразования вида (1), (3) повторяются над составляющей хр1

На рис. 2 для одного из анализируемых участков вибросигнала показаны выделенные знакопеременные составляющие, интерполированные по своим экстремумам, отмеченным на графиках точками.

Рис. 2. Знакопеременные составляющие одного из участков анализа

Далее происходит вычисление параметров для всех р составляющих

Н- Н-

(амплитуды А1, частоты /- = = 2Т, = 1, ^ Р^ которые позволяют

сформировать первичные диагностические признаки.

На рис. 3 показаны диагностические признаки, на рис. 4 - обнаружение нарушителя с помощью предложенной системы признаков.

При приближении объекта к датчику увеличивается соотношение сигнал/шум и частотные свойства регистрируемого сигнала будут определяться возмущением - амплитуда выделяемых составляющих увеличивается, а частота, наоборот, уменьшается. Следовательно, можно установить разделяющую границу частот шум/сигнал.

А 60 40

20 0

0 0.5 1 1.5 2 2.5

40.06--------------------------------------------------------------

II у. .к,

о.о2------------|УМЮ»------------------------А |У 1МММ-----------

0 --------------------1^------------------------------------------------------------,-----.ы----------, да; V----и_. _

0 0.5 1 1.5 2 2.5

Рис. 3. Сигнал х и диагностические признаки:/и А1, А- / /-, 1 = 1, .., 3

Возможна и обратная ситуация, когда шуму будет соответствовать низкочастотная область. В этом случае сигналу будут соответствовать более высокочастотные сигналы с большими амплитудами. Примером этого служат пролетающий вертолет или самолет.

Сама по себе амплитуда - не очень четкий признак, так как она сильно зависит от расстояния до объекта. Поэтому предложено сформировать диагностический признак для более контрастного разделения сигнал/шум в виде отношения А- / . Аналогичный подход уже использовался в сейсмических

системах охранной сигнализации [2].

1

... ^1 (Н (■

V 1/\АЛ Луи1

Рис. 4. Обнаружение нарушителя

4. Высокоточные методы классификации и распознавания нарушителя

Как известно, наиболее информативной является спектральная характеристика сигнала - амплитудный спектр или гораздо чаще применяемый спектр мощности. В спектре, как правило, выделяются устойчивые узкополосные резонансы. Количество этих резонансов, их частоты и мощности позволяют сформировать первичные диагностические признаки. Разные распознаваемые объекты будут иметь разные спектры, а следовательно, и разные диагностические признаки. Для одного и того же объекта возможно смещение резонансов, изменение их мощности и количества в процессе проникновения нарушителя на охраняемый объект. В классической процедуре диагностики кроме высокой трудоемкости спектрального анализа существует еще и трудность выделения истинных резонансов, маскируемых боковыми частотами, обусловленными «утечкой» в спектральной полосе. Избежать этого позволяет применение параметрических способов, четко выделяющих колебательные составляющие. Однако их точность сильно зависит от достаточно субъективного выбора порядка модели (определяющего количество составляющих), а трудоемкость вычислений даже выше, чем в классических алгоритмах.

В силу своей высокой адаптивности экстремальная фильтрация и разложение на ее основе идеально подходит для анализа нелинейных и нестационарных сигналов. Главные преимущества - высокая степень адаптации к сигналам, сжатое представление сигналов для хранения и передачи. В отли-

чие от метода разложения на эмпирические моды (БЫБ), представленный подход имеет более высокое быстродействие за счет отсутствия необходимости вычисления огибающей и выполнения сплайн интерполяции.

Для увеличения эффективности алгоритма обнаружения были опробованы многослойные нейронные сети. Описанная система признаков проста для обучения сети и показывает достоверные результаты. С помощью нейронной сети возможно адаптивное управление порогом срабатывания обнаружителя. Для увеличения средней наработки на ложную тревогу в алгоритме производится отсечка ложных срабатываний, проверка на повторяемость сигналов тревоги. Это уменьшает ошибки первого (отсутствие тревоги в ответ на истинное вторжение) и второго рода (выдача тревоги в ответ на воздействие помех).

Поле выдачи тревожного сигнала происходит классификация и распознавание объекта. Как уже говорилось, наиболее информативной для распознавания является спектральная характеристика сигнала. Предлагается использовать экспресс-оценки спектральных характеристик на основе экстремальной фильтрации. Хотя в этом подходе выделяются субполосные составляющие (т.е. не разделяются близкие гармоники), он является достаточно эффективным, простым «быстрым» способом спектрального оценивания.

Если распознаваемые классы имеют близкие характеристики, то наряду с экспресс-оценкой спектральных характеристик следует использовать преобразование Фурье. Для уменьшения трудоемкости процедуры распознавания предлагается использовать один из разработанных алгоритмов быстрого преобразования Фурье [3]. В отличие от классических методов, разработанные методы обладают увеличенным быстродействием. Принципиальная возможность увеличения быстродействия алгоритмов заложена в использовании время-импульсной модуляции сигнала (при алгоритмическом преобразовании амплитудного параметра во временной). Другой подход - использование аппроксимации функциями малого аргумента, использующего известную формулу х ~ 8т(х). При такой аппроксимации операция умножения заменяется сложением показателей экспоненциальных функций (вычисление спектральной характеристики с помощью аппроксимации функцией синуса малого аргумента).

Для более полного понимания проведем преобразования:

xi . і xi Л M і і . xi Л і ,xi

xi = M— ~ M sin

M У M ) 2 j

vexp у ]m J- exp у- ]m^

(4)

где M - любая величина, удовлетворяющая условию M >> Xj.

При использовании дискретного преобразования Фурье (ДПФ) получим

Sk = -2 xi exp і- j ■ 2п. (5)

n У n)

Подставляя значение xг- в формулу ДПФ, получим

M n—Іі і ,xi,„ik Л і ,xi,„ ik ЛЛ

Sk = [exp [ jM - jln-n) -exp j - j2n n)); (6)

- п—1

~ ( Хі ік і

Бк = — > ехрі ]— — ]2л І.

]п ~0 І М п 1

(7)

Как видно из выражений (5), (6), операция умножения заменилась сложением показателей экспоненциальных функций. Для задачи распознавания вполне подходит последняя формула. При ее применении мы находим спектр сигнала:

— М хі =—ехР| ітт І =_

]

М

М

М ( ( Х^ і . . ( Х^

0081 ------- | + ] 81П |

V V м Г М ,

]

М

\

1 + і 8ІП і — І ~—М] + М 8ІП і — І,

М

(8)

с учетом того, что при принятых ограничениях 008(—) ~ 1.

М

Как видно, этот сигнал ( Хі ) отличается от исследуемого лишь постоянной составляющей (комплексной), следовательно, и спектр такого сигнала будет совпадать на всех частотах (кроме / = 0) со спектром сигнала Хі .

Задача решается на основе аппроксимации данных практически линейной функцией синуса малых аргументов, т.е. используются приближенные вычисления. Однако, выбирая достаточно большие значения М, можно свести погрешность аппроксимации данных к незначительной величине е^ 0.

Продемонстрируем данный подход на сигнале, представленном на рис. 5.

Рис. 5. Сигнал сложной формы

На рис. 6 представлен спектр ББк сигнала сложной формы, вычисленный по классической формуле (5) ДПФ и спектр Бк, вычисленный на основе аппроксимации данных функцией синуса малого аргумента (7). Как видно из рис. 6, спектры совпадают.

Для уменьшения трудоемкости вычисления спектральной характеристики сигнала был модифицирован алгоритм быстрого преобразования Фурье (БПФ): в 8-точечном БПФ с прореживанием по времени (входная и выходная последовательность расположены в нормальном порядке) умножение на дискретную экспоненциальную функцию заменено сложением ее аргументов [3]. Цель применения метода - уменьшение обращений к индексируемому массиву, оптимизация вычислений.

ХЬ и В

Г,Гц

Рис. 6. Спектр, вычисленный по классической формуле ДПФ, и спектр, вычисленный на основе аппроксимации данных функцией синуса малого аргумента

Приведем сравнение двух спектральных характеристик сигнала в вибрационной системе - перекус металлического заграждения (рис. 7,а) и перелаз через заграждение (рис. 7,б). Оба спектра находятся в информативной области сигнала. Верхние графики соответствуют спектрам информативной области сигнала, нижние - спектры шумов. Необходимо создать «шаблоны», соответствующие ситуациям и относить текущее состояние к одному из распознаваемых классов.

5 10 15 20 25 30

/Гц

5 10 15 20 25 30

/,Гц

а) б)

Рис. 7. Спектр сигнала при перекусе сетчатого полотна (а) и перелазе через заграждение (б)

5. Алгоритм обнаружения, классификации и распознавания объекта

Подведя итог, можно описать алгоритм обнаружения, классификации и распознавания объекта на охраняемой территории.

Алгоритм анализа сигнала и распознавания объекта включает:

1) регистрацию данных;

2) выделение экстремумов во временном окне;

3) разделение на знакопеременные составляющие;

4) вычисление параметров этих составляющих (амплитуды и частоты);

5) сравнение частоты с пороговым значением;

6) формирование тревожного сигнала;

7) распознавание объекта;

8) вычисление направления и скорости движения.

Алгоритм обнаружения и распознавания объекта на охраняемой территории представлен на рис. 8.

Регистрация ранных

Анализ сиг нала Г 1 п

1 Выделение экстремумов во временном окне

1 т

1 1 I Вычисление частоты

1 і

нет ^^асг01а\

1 I \< порога,/ Т

нет Возможное вторжение Р[к]=1

1

1 1

1 1 1 1 /к[к]=г[к-1]=\ \г[к-2].. ,г[к-п]=1/

т

Вторжение.

Тревога

_______Т_______

Распознавание

Рис. 8. Алгоритм обнаружения и распознавания объекта на охраняемой территории

Заключение

В данной статье был предложен комплексный подход к обнаружению и распознаванию нарушителя на охраняемой территории. Предложенные методы могут быть применены и в системах, построенных на сейсмических принципах. Кроме того, признаки позволяют распознавать дополнительные характеристики нарушителей (например, направление движения, скорость), проводить их классификацию (одиночный нарушитель, группа), вид (человек, машина, самолет и т.д.). Такая информация крайне важна для построения эффективной системы охраны.

1. Хохлов, В. К. Обнаружение, распознавание и пеленгация объектов в ближней локации : учеб. пособие / В. К. Хохлов. - М. : Изд-во МГТУ им. Н. Э. Баумана, 2005. - 333 с.

2. Мясиикова, Н. В. Экспресс-анализ сейсмических сигналов / Н. В. Мяснико-ва, М. П. Берестень, В. А. Дудкин // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2007. - № 4. - С. 144-151.

3. Зенов, А. Ю. Времяимпульсная модуляция для решения задач вычисления спектральных характеристик сигнала / А. Ю. Зенов, Н. В. Мясникова // Современные проблемы фундаментальных и прикладных наук : тр. 53-й науч. конф. МФТИ. Часть I. Радиотехника и кибернетика. - М. : МФТИ, 2010. - Т. 1. -

E-mail: [email protected]

УДК 681.3.01 Зеиов, А. Ю.

Комплексный подход к обнаружению, классификации и распознаванию нарушителя на охраняемой территории / А. Ю. Зенов // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2012. -

Список литературы

С. 10-12.

Зенов Андрей Юрьевич

аспирант, Пензенский государственный университет

Zenov Andrey Yuryevich Postgraduate student, Penza State University

№ 2 (22). - С. 2З-З2.