Баратов А.К.,Тюхов Б.П.

    Aнализ основных тенденций в изменении форм, методов и увеличивающихся масштабов терроризма и краткий обзор фундаментальных и прикладных проблем систем рассматриваемого класса дает возможность сделать выводы о необходимости развития новой концепции, основанной на применении методов искусственного интеллекта. Показана перспективность предлагаемого подхода к разработке единого ряда систем мониторингового типа, позволяющих реализацию новейших черт современных информационных технологий, обеспечивающих потенциально достижимое качество систем с развивающимся множеством целей.

   Отправным моментом нашего сообщения являются базовые прототипы oхранных видеомониторинговых систем, находящихся в рабочей эксплуатации (патент на изобретение №2159960 от 27 ноября 2000г).

    XXI век - век терроризма. Что можно противопоставить бурно прогрессирующей индустрии зла? Только полную мощь человеческого разума, глобально аккумулируемый профессиональный опыт и новейшие интеллектуальные информационные технологии, позволяющие создать адекватные технологии противодействия современному терроризму. Безусловно, это относится к обеспечению всех видов безопасности гражданского общества: государственной, общественной и личной. Центральная роль здесь, очевидно, принадлежит видеомониторинговым системам, отличающимся наибольшей информационной плотностью, с одной стороны, и необходимостью применения наиболее развитых и тонких методов искусственного интеллекта - с другой стороны.

    1.Базовые видеомониторинговые системы

    1.1 Вводное замечание

    Данные, поступающие с объектов, позволяют формировать последовательность апостериорных эмпирических оценок в результате работы системы с заданной степенью точности. Анализ криминальных ситуаций и реакций системы на такого рода ситуации позволил сформировать и реализовать на практике ряд математических фильтров, а так же принципы и способы самонастройки системы, отражающие надежные теоретические и развитые эвристические предпосылки решения задачи обнаружения ситуативных изменений в реальном масштабе времени.

    1.2 Некоторые исходные понятия для задачи фильтрации

    Каждой зоне чувствительности видеокамеры соответствует геометрическая область плоскости видеоснимка (зоны обзора), в которой видеокамера реагирует на изменения освещенности, движение наблюдаемого объекта. В общем случае для одной зоны обзора устанавливается несколько зон чувствительности видеокамеры. Зона чувствительности определяет видеосенсорные свойства системы.

    Зона обзора физического объекта отображается в совокупность пикселей анализируемого изображения. Каждой зоне сопоставляется набор параметров (DХпор;DУпор; Dt), где:
    DХпор - характеризует изменение яркости одного пикселя зоны;
    DУпор - [%] характеризует долю пикселей в зоне, изменение яркости которых превышает DХпор;
    Dt -временной промежуток, за который происходит изменение яркости пикселей в сравниваемых зонах А и Б.
    Данный набор параметров задает обобщенные пороги "срабатывания зон".

    Здесь фильтрация видеоизображений - процесс принятия системой видеомониторинга решений о фиксации (или не фиксации) видеоизображений. Другими словами, решается вопрос, являются ли изменения параметров видеоизображения в зоне чувствительности видеокамеры объектовыми или шумовыми. При этом должно обеспечиваться малое запаздывание в обнаружении и малое число ложных    тревог. Данное противоречие порождает традиционную оптимизационную постановку задачи, которая должна включить и требования к сложности алгоритма, определяющей практическую эффективность системы.

    1.3 Характерные задачи базового алгоритмического обеспечения

    В качестве примера характерных элементов конкретной технической реализации мы рассматриваем: а) три реализации фильтров с относительно новыми эвристическими включениями, которые могут работать как по отдельности, так и совместно по одной зоне видеонаблюдения; b) методики расстановки зон чувствительности видеокамер и способы обработки получаемых с этих зон данных с целью обеспечения возможности отслеживания траекторий наблюдаемого объекта и принятия решений о "санкционированности/несанкционированости" контролируемой обстановки; c) алгоритмы автоматического изменения чувствительности зон видеонаблюдения в зависимости от изменения времени суток, погодных условий или специфических условий конкретного наблюдаемого объекта, а также на основе анализа статистических данных (самонастройка системы).

    1.4 Методы оценки ситуации

    Метод видеоанализа с "боковым зрением"

    Для решения поставленной задачи предлагается следующий способ видеомониторинга. При помощи видеокамеры получают изображение объекта. Из полного видеокадра выделяются охраняемые зоны, например, дверь, сейф, и т.д. (в разработанной системе до 30 на одну видеокамеру), для каждой из которых формируется зона, находящаяся в идентичных условиях освещения и выполняющая компенсационные функции. Цифровая обработка изменения параметров изображений в основной и компенсирующей зонах за определенный интервал времени позволяет отсечь шум и свести к минимуму ложные срабатывания. При этом фиксация события происходит в том случае, если изменение параметров изображения превосходит, а в компенсирующей зоне не превосходит предварительно установленные уровни. Разработанные и апробированные на практике методологии расстановки зон позволяют максимально использовать возможности видеокамеры и специфику способов обработки информации.

    Рассмотрим вариант предлагаемого способа. Суть метода заключается в одновременном анализе двух геометрических зон видеокадра (зона А и зона В), в результате которого принимается решение о регистрации события. Считается, что зона А или В сработала, если для промежутка времени Dt реальное значение DУ превышает пороговое DУпор. Определим функцию Р срабатывания зоны как 0 если DУ меньше DУпор и 1 в обратном случае. Пусть А - событие первой зоны, В - событие второй зоны. Если Р(А)*(1-Р(В)) = 1, то событие, зарегистрированное в зоне А, является не шумовым и фиксируется. Bозможны следующие варианты конфигурирования пары зон А и В:
    1) Зона А геометрически размещается в видеокадре так, чтобы охватить интересующий нас охраняемый объект, а зона В размещается в том месте кадра, где шумовые изменения максимально идентичны зоне А. В этом случае в процессе инсталляции системы мониторинга необходимо получать такие значения {DХА ; DУА; Dt}, {DХВ ; DУВ; Dt}, которые уравнивают шумовые пороги срабатывания в кадре для зон А и В в отсутствие преднамеренного нарушения в зоне А (при этом, как правило, порог срабатывания для зоны В устанавливается ниже, чем для зоны А. Это наиболее общий случай, позволяющий гибко настраивать систему.
    2) Зона В с большим порогом срабатывания накладывается на зону А. Такая конфигурация позволяет отслеживать нарушения в зоне А с заданным интервалом порога DУА. В данном способе зона А выбирается из условий дозволенной траектории движения объекта, а зона В подбирается так, чтобы шумовые изменения в ней были идентичны шумовым изменениям в зоне А.

   Метод групп

   Функциональным расширением метода двух зон является метод групп, состоящий в следующем. Серия пар зон АВ, А1 , В1-..АкВк формирует видеогруппу, которой соответствует последовательность F, F1, ... Fк , tк,к-1, Т, где к ?N, t к,к -1 - интервал времени между событиями Ак-1В к-1, АкВк и F к = 1, если имело место срабатывание для пары АкВк и О в обратном случае. По последовательности {F} можно сделать вывод о траектории объекта по зонам и в том случае, если последовательность {F} совпадает с какой-либо из предустановленных, считается, что произошло тревожное событие. Это дает возможность рассматривать безопасность охраняемого объекта в терминах "санкционированных/несанкционированных" траекторий.
   Включение в видеосистему топологического фильтра позволяет простыми вычислительными ресурсами принципиально усилить процесс выделения нетривиальных событий на открытых площадках; включение макротопологического фильтра позволяет применить механизм булевой алгебры, где aргументом является топологический элемент. Использование механики алгебры логики с множеством элементов позволяет, например, выделять "нарушителя" видеобарьеров и восстанавливать траекторию перемещения, даже если он в маскхалате и передвигается в лесной среде. При этом изменчивость среды, связанная с погодными проявлениями, принципиально не влияет на каноническое представление о перемещениях нарушителя, что позволяет своевременно активизировать соответствующие меры пресечения. При выборе системы безопасности один из потребителей в Подмосковной усадьбе "Архангельское" установил критерии: надежность, простота в эксплуатации, многофункциональность. Рассмотрим, как, используя минимальное количество технических средств, защитить в меняющихся условиях открытую территорию, создав не менее 3х рубежей защиты и классифицировав возможные нарушения по степени их тяжести.    Простейшая конфигурация технических средств для решения подобного комплекса задач выглядит следующим образом. Четыре видеокамеры с углом зрения в 90° располагаются по четырем сторонам здания, периметр которого подлежит защите. Камеры подключаются через коммутатор к обычному системному блоку, дооснащенному дополнительно картами видеозахвата и соответствующим программным продуктом, реализующим описываемый алгоритм оценки ситуаций. Далее система оценит ситуацию, классифицирует ее, примет меры по предотвращению нежелательных событий, например, дозвонившись по телефону.

   Метод видеоанализа "волна"

   Следующим способом фильтрации, разработанным автором, является так называемый "метод волны", который может применяться как в отдельности, так и в совокупности с описанным выше методом двух зон. Суть метода волны состоит в следующем. Зона А, представляющая собой прямоугольник, делится на n равных прямоугольных подзон a1, a2 ... an-1, a1. Зона В конфигурируется, исходя из тех же соображений, что и в методе двух зон. Считается, что в зоне А присутствует движущийся объект, если для двух последовательных снимков зафиксированные видеокамерой возмущения, превосходящие заданные пороги чувствительности, произошли в некотором подмножестве последовательных подзон ak,ak+1... ak+m для первого снимка и ai,аi+1 ... ai+p - для второго (при этом должны соблюдаться условия i?k,
n>m, p>1). Таким образом, если зона А располагается на дороге, то проходящее автотранспортное средство, пересекая последовательно подзоны, генерирует событие, которое фиксируется в виде снимка на диске, а любые другие события, вызвавшие возмущение в одной или нескольких непоследовательных подзонах, либо не удовлетворяющие хотя бы одному из условий n>m, p>1, системой не фиксируются. При соответствующем расположении и ориентации видеокамер данный способ существенно расширяет возможности системы видеомониторинга, обеспечивая достаточно точное определение скорости интересующего объекта и его размеров, что позволяет использовать систему на автотрассах для нужд органов правопорядка. Существенной модернизацией данного способа является разработанная методика, позволяющая системе видеомониторинга определять и не реагировать на возмущения, вызываемые тенью движущегося предмета. Видеокамера фиксирует первичное возмущение в зоне А, но если в течение времени, не превосходящего Dt2, происходит аналогичное по траектории и скорости распространения, но меньшее по яркости возмущение, то фиксации события не происходит. При обнаружении же фиксируемого объекта использование этого фильтра позволяет заметно улучшить соотношение сигнал/шум, непосредственно указывая на то, что мы имеем дело с нетривиальным событием, которое носит артофактологический характер и является для системы проявлением экстремального объекта, по которому необходимо получить мотивационную характеристику, обратившись к собственному опыту в виде таблицы санкций к этому объекту. Например, фильтр позволяет не только регистрировать автомобили, несущиеся со скоростью 200 км/ч по неосвещенному автобану, но и определять их габариты (грузовой/легковой), несмотря на блики его фар, а также скорость движения с точностью до 5 км/ч. Почему ГИБДД установил на МКАД единый максимальный скоростной режим 100 км/час, позволяющий бензовозам "нестись" наравне с легковыми машинами в левых рядах многополосной трассы, создавая толчею и нагнетая опасность? Возможно, потому, что существующая системa регистрации скоростей не способна классифицировать участников движения по простейшим признакам, например, грузовая или легковая. Сопоставив данные классификации с характеристиками допустимых скоростей, можно ограничить скоростной режим для большегрузного транспорта и транспорта с прицепом, отследить их перемещение по полосам трассы, а в целом иметь полномасштабную дифференцированную "картину" грузопотоков, плотности транспортных средств на магистралях. А пока отсутствие применения на практике этих уже существующих методов видеомониторинга нередко приводит к массовым нарушениям ПДД автотранспорта всех категорий на МКАД и в черте города. И это только один из множества примеров, раскрывающих возможности рассматриваемой системы. Еще более впечатляющими, разнообразными, информационно богатыми могут быть примеры обеспечения личной безопасности.

   1.5 Способы самонастройки системы

   Самонастройка системы может осуществляться по следующим направлениям.

   1) Предустановка зависимостей чувствительности зон от времени. Для объектов, в охраняемых зонах которых события должны заведомо происходить по определенному графику (например, видеомониторинг городских улиц в дневное и ночное время, входа в здание в выходные дни и будни, в обеденный перерыв, начало и окончание работы и т.п.), возможна автоматическая корректировка порогов чувствительности в соответствии со временем суток, днем недели. Кроме того, при корректировке чувствительности зон можно учитывать условия освещения в охраняемых зонах в различное время суток и в зависимости от времени года. Зависимость чувствительности от времени может устанавливаться оператором как для системы в целом, так и индивидуально для каждой наблюдаемой зоны.

   2) Статистический анализ числа событий в зоне за определенный период в зависимости от времени суток, дня недели и т.д. На основе данных статистического анализа получаются оценки математического ожидания, и среднеквадратичных отклонений плотности событий в данной зоне для заданного интервала времени суток. В случае, если число событий отличается от среднего для данного интервала времени суток больше, чем на величину среднеквадратичного отклонения, система может, соответственно, повысить или понизить чувствительность соответствующей зоны. При этом шаг приращения порога чувствительности и пределы его изменения могут варьироваться оператором в зависимости от специфики конкретного охраняемого объекта, либо автоматически, в результате обучения и самообучения системы.

   2.Развитие концепции интеллектуального видеомониторинга и разработка систем нового поколения

   Повышение качества видеомониторинга за счет оптимизации пороговой функции системы при параметрическом и непараметрическом подходах к задаче самонастройки и обучения может осуществляться за счет более или менее удачно выбранных эвристических методов, отражающих конкретные условия и ограничения решаемой задачи, либо традиционным выбором более информативных описаний. Все эти эвристики назначаются априорно и определяют жесткую структуру алгоритмов, гибкость которых ограничена на уровне параметров. Дальнейший качественный эффект требует привлечения нового класса систем - систем искусственного интеллекта (СИИ). Гибкость последних обусловлена принципиальным отличительным свойством алгоритмов функционирования - они управляемы знаниями. СИИ (часто называемые Экспертными Системами или, точнее, Системами, Основанными на Знаниях - СОЗ) существенно зависят от объема баз знаний (БЗ) и эффективности машины вывода (MB). Ключевым моментом развиваемой концепции является обеспечение эффективного программирования "теории предметной области" в терминах ее профессиональной экспертизы (читай - в терминах эксперта по антитеррористической деятельности). В качестве инструментального средства, поддерживающего процесс программирования или концептуального моделирования (КМ) предметной области (ПО), следует использовать языки представления знаний весьма высокого уровня, позволяющие эксперту в естественной для него форме описывать достаточно тонкие разнообразные факты и правила функционирования системы в агрессивной среде. Выдвигаемая концепция основана на семействе концептуальных объектно-ориентировaнных языков (СУБЗ "Concept"), отличающихся рядом существенных свойств, позволяющих характеризовать их как языки нового поколения.

   2.1 Особенности прикладной проблематики видеомониторинговых СОЗ

   Итак, расширение прикладной проблематики, проявляющееся в чрезвычайном усложнении условий применения мониторинговых систем безопасности (расширение спектра угроз, средств и методов их создания, технической, технологической и тактико-стратегической оснащенности, нарастание информированности потенциального агрессора, возможность активного использования им утечки информации о средствах и методах защиты и т.п.) обусловили необходимость применения технологии искусственного интеллекта. Формирование текущей модели выводимого представления о наблюдаемой динамической сцене определяется, с одной стороны, точками соотнесения (пространственно-временными фиксациями, условиями наблюдения, априоризмом прогностических условий и т.п.), а с другой - характером динамики развивающегося (ветвящегося) сценария. Мониторинг включает ретроспективную, текущую и прогностическую составляющие. В случае активного мониторинга положение осложняется эффектами рефлексивного взаимодействия противодействующих сторон, выдвигающими жесткие требования к инференциальным возможностям системы (т.е. возможностям логического вывода), в масштабе реального времени интерпретирующей характер и динамику поведения агента (агентов) и оценивающей возможные цели поведения как прогнозируемые угрозы (в текущей "темпоральной" точке соотнесения, т.е. в фиксируемой временной точке). На первый план прикладной проблематики СИМ (Систем Интеллектуального Мониторинга), как СОЗ, выдвигается проблема сложности анализируемой и интерпретируемой (в изменениях) динамической сцены. Это связано со следующими особенностями мониторинговой экспертизы анализируемой предметной области:

•    сложность структуры информационных потоков: потоков динамических объектов - агентов, потоков структурируемых данных, их распределенной обработки и преобразования;
•    сложность структуры объектов и отношений, детализируемых и анализируемых с "произвольной глубиной" с учетом динамических мониторинговых связей;
•    сложность описания логических условий и ограничений, функциональных связей в событийных пространствах с существенной зависимостью, в общем случае, от времени;
•    необходимость учета закономерностей последовательного и параллельного хода событий, приоритетов (оценок) и конфликтов перехода состояния и т.п.;
•    существенная зависимость получаемых спецификаций анализируемого объекта от динамики предметной области мониторинга (т.е. существенная зависимость условий от моментов времени и отношений между этими моментами), пространственного положения точки отсчета (точек наблюдения), текущего контекста ситуативной мультиагентной обстановки, взгляда эксперта и т.п.;
•    необходимость осуществления текущего прогноза;
•    неполнота получаемых в результате исходного описания моделей знаний используемых для интерпретации динамических сцен; принципиальная необходимость получения нового, выводимого знания в процессе интерпретации цели поведения в реальном масштабе времени;
•    наличие в элементах описываемого поведения отношений, носящих вероятностный и нечеткий характер, причем указанная природа объектов не oбязательно сохраняется по отношению к априорному описанию и т.д.

   2.2 Разработка информационных технологий концептуального моделирования для систем интеллектуального мониторинга

   Предлагаемые перспективные технологии включают ряд важнейших аспектов, реализация которых обеспечивает требуемый уровень адекватности интеллектуальных систем. Требование высокой вероятности обнаружения угроз по интерпретируемой модели динамического объекта удовлетворяется при концептуализации и соответствующем описании динамической сцены, содержащем знания об относительной важности и последовательности проявлений элементов динамического изображения. База знаний должна включать также знание о связях объектов (и их динамических деталей) сцены: структурных, логических и модальных (т.е. зависящих от времени, точки зрения, положения, действий как рефлексивных актов и т.д.). Существенной особенностью предлагаемой технологии концептуального моделирования (КМ) является многоплановая эффективность этого процесса. В частности, возможность концептуального программирования ПО непосредственно Экспертом/Пользователем без участия инженера по знаниям или системного программиста, т.к. программирование осуществляется в терминах Эксперта. Система языков (СУБЗ "Concept") позволяет описывать ПО на декларативном уровне с минимумом процедурных включений и др. Важную роль при этом играет возможность свободного перехода от абстракций высокого уровня к конкретным экземплярам объектов - понятий сцены и их изображениям.

   Принципы КМ

• принцип объектной направленности, учитывающий специфику представления динамических сцен;
• принцип концептуализации с использованием формальных конструкций и неформальных приемов описания ПО (таксономия, агрегация понятий, обобщения, итерации, специализации, наследование свойств, полиморфизм, инкапсуляция, умолчания и др.);
• принцип использующий иерархическую упорядоченность семейства языков представления знаний, позволяющий описывать ПО, постепенно наращивая и уточняя получаемые концептуальные схемы;
• принцип проектирования КМ ПО путем приращений (принцип открытости программируемой системы) и некоторые др.

• язык диаграмм потоков объектов;
• язык структурной спецификации понятий;
• язык логической спецификации (подъязыки ядерных условий, функциональных дефиниций, полных условий);
• язык модальной спецификации (подъязыки КСП - концептуальных Сетей Петри, темпоральных условий, прогнозных условий);
• язык правдоподобных выводов (подъязыки вероятностной спецификации и спецификаций нечетких отношений);
• подъязык представления видеознаний в экстенсиональной части формальной модели.

   2.3 Обучение системы интеллектуального мониторинга на прецедентах

   Процедуры обучения и самонастройки системы носят разнородный характер и включают процессы адаптации интеллектуальной системы на разных уровнях от параметрического до концептуального, на уровне извлечения знаний из данных (в частности, Data Mining - процедура). Последнее позволяет накапливать опыт, извлекаемый из прецедентов в виде правил продукций, автоматически. Данный опыт может накапливаться собственно системой, либо привноситься извне. Существенной особенностью перспективных систем интеллектуального видеомониторинга является их соответствие мультиагентной среде функционирования как в режиме обучения, так и в режиме рабочей эксплуатации.

   Заключение

   На основании отечественного опыта эксплуатации средств видеомониторинга и первых шагов в реализации экспертного подхода при создании конкретных информационных фильтров на ряде площадок в Москве и различных регионах России, главным образом для субъектов оперативно-розыскной деятельности, в целях обеспечения государственной, общественной и личной безопасности граждан, можно выделить следующие результаты и выводы:

•    найденные, к настоящему времени, технические решения, включающие процедуру параметрической самонастройки и пороговых методов принятия решения образуют базовую совокупность систем для интеллектуализации на концептуальном уровне;
•    для решения проблемы дальнейшей интеллектуализации видеомониторинговых антитеррористических охранных систем с помощью формальных компьютерных комплексов необходимо решение ряда прикладных и фундаментальных проблем, что позволяет реализовать потенциально достижимый уровень качества за счет применения новых информационных технологий и методов современной теории искусственного интеллекта;
•    центральной проблемой в этом плане является проблема разработки методов и языков представления знаний, обладающих достаточной выразительностью, когнитивной емкостью и мощными инференциальными возможностями, ориентированными на описание сложных динамических сцен и реализацию интеллектуального мониторинга в реальном масштабе времени; существенной особенностью предлагаемой к использованию системы представления знаний, является возможность описания достаточно тонких характеристик целенаправленного поведения террориста для оценки угроз и идентификации конечной цели поведения;
•    учет возможности рефлексивного взаимодействия интеллектуальных агентов предъявляет высокие требования к качеству собственно экспертизы предметной области интеллектуального видеомониторинга для наиболее полного использования априорной и текущей информации для распознавания типа поведения объекта с учетом его возможной информированности о способах, средствах и условиях наблюдения;
•    как перспективную можно определить задачу исследования "комплиментарной" интеграции синергетического и антагонистического подходов, приводящих к расширению класса мультиагентных систем и соответствующих концептуальных моделей поведения, отвечающих потенциально достижимым значениям критериев адекватности и, соответственно, эффективности процесса полного мониторинга.

•    методы представления знаний и разработка концептуальных объектно-ориентированных языков для описания динамических сцен и объектов практически произвольной сложности (одна из наиболее трудных, не решаемых в недалеком прошлом проблем);
•    создание новых эффективных методов логического вывода, как в классических, так и в модальных логиках;
•    разработка на основе указанных результатов новых методов и технологий концептуального моделирования и эффективного программирования сложной предметной области, в частности, предметной области интеллектуальных видеомониторинговых охранных систем, которые особенно критичны к частому оперативному перепрограммированию.