Sistem inovator de control al ușilor automate

Sistem inovator de control al ușilor automate

Controlul automat al ușilor de intrare și ieșire este utilizat pe scară largă în locuri publice, cum ar fi magazinele alimentare, întreprinderile, stațiile de transport, aeroporturile și magazinele en-gros, pentru a elimina necesitatea acțiunilor de deschidere și închidere manuală. Tehnologiile moderne de control automat al ușilor bazate pe senzori includ sisteme de infraroșu, ultrasonice, radio sau alte metode de detectare wireless. Iată, însă, că a apărut un nou sistem de control al ușilor și, mai ales, de recunoaștere facială a celor care trec de uși. Tehnologia aprține inginerilor de la MIT-Statele Unite, și este descrisă în lucrarea cu titlul ”An Intelligent Automated Door Control System Based on a Smart Camera”, din carevă redăm principalele idei.

Falsele acțiuni și pierderile de energie

Sistemele de control al ușilor automate pot fi împărțite în abordări active și pasive. Procesul activ emite semnale infraroșii, de la controler, și surprinde semnalele reflectate, pentru a determina dacă există vreun obiect în apropierea ușii. Această abordare este precisă și capabilă să identifice poziția și viteza obiectului, dar costul ridicat a făcut-o mai puțin populară. Abordarea pasivă detectează semnalele infraroșii radiate de oameni și este cea mai utilizată, pentru că este simplă, eficientă și cu costuri reduse. Abordarea cu ultrasunete sau radio, pe de altă parte, emite unde ultrasonice sau radio, pentru scanarea mediului și analizează semnalele returnate pentru controlul accesului la ușă.

Deși aceste tehnici au toate succes, în detectarea obiectelor, ele nu sunt capabile să înțeleagă tipul și intenția obiectelor. De exemplu, un cățeluș sau un pieton care trece, poate declanșa accidental ușa și poate provoca o acțiune falsă de deschidere. Acțiunile false frecvente, nu numai că sunt enervante și duc la pierderea de energie a aerului condiționat, dar reduce și durata de viață a echipamentelor. Acest lucru clamează necesitatea unui sistem automat de control al ușilor, bazat pe detectarea și analiza intenției persoanelor.

Pornind de la o presupunere

În elaborarea tehnologiei noului sistem, cercetătorii de la MIT au pornit de la ideea c un control al ușii se bazează pe confirmarea faptului că obiectul detectat este, într-adevăr, un om, iar traiectoria de mișcare corespunzătoare indică, de asemenea, că are intenția de a parcurge intrarea.

Mai mult, aparaturii i-a fost adăugată o funcție infraroșie, pentru a împiedica oamenii să fie prinși de ușă, înainte de a părăsi pasajul. În plus, imaginile capturate pot fi salvate și pentru alte aplicații, cum ar fi analiza clienților și investigarea infracțiunilor.

Statistica e de bază

Sistemul inovattor de control al ușilor, propus de americanii de la MIT, se bazează,  în principal, pe detectarea și analiza intenției umane. Prima parte implică detectarea feței sau detectarea conturului, identificând dacă obiectul detectat este o persoană, în timp ce senzorul-cameră din urmă, include urmărirea traiectoriei și analiza statistică, pentru estimarea intenției. Se știe că detectarea feței cu rate de detecție rezonabile a fost bine dezvoltată în literatura de specialitate și are cea mai mare relevanță pentru caracteristicile umane, deci, este bună pentru identificarea oamenilor.

Pe scurt, odată ce o persoană este detectată în regiunea de interes (ROI), traiectoria feței sale poate fi urmărită și apoi analizată de un analizator statistic, pentru a calcula probabilitatea cumulată corespunzătoare, fiind utilizată ca estimare a intenției. Pe de altă parte, în procedura de închidere a ușii, aceasta este închisă, dacă nu este detectat niciun obiect în pasajul de pe ambele părți ale ei. În general, procesele de tranziție de stare, detecție umană, analiza intenției și evaluarea performanței teoretice, sunt descrise ca fiind foarte eficiente.

Detectarea oamenilor

În ultimii ani, tehnicile de detectare a oamenilor, în special cele implementate prin strategiile de detectare a feței, au fost aplicate cu succes la multe produse de consum, cum ar fi camere digitale, telefoane inteligente sau sisteme de supraveghere pentru detectarea umană. În sistemul propus, deși, atât detectarea feței, cât și detecția conturului, sunt adoptate pentru identificarea umană, detectarea feței este utilizată ca soluție primară, iar detecția conturului, bazată pe forma capului și a umărului, similară cu referința, este lăsată ca soluție opțională, pentru aplicațiile care nu au considerente speciale de confidențialitate.

Astfel, funcția de detectare a omului este reprezentată de detectarea feței, în loc de detectarea conturului. Cercetările privind detectarea feței pot fi clasificate în patru tipuri, și anume:

-bazate pe cunoștințe,

-bazate pe caracteristici,

-bazate pe potrivirea șabloanelor și

-metode bazate pe aspect.

În prima metodă, fața este identificată prin trăsături ale acesteia, construite prin poziționări relative și distanțe ale ochilor, nasului și gurii. Rata de detectare este puternic afectată de orientarea feței. Pentru abordările bazate pe caracteristicile feței, sunt construite din statisticile punctelor și distanțele dintre organele faciale. O față este detectată prin potrivirea regiunilor cu caracteristici similare și informații despre culoarea pielii. Rata de detectare a acestei metode este mai bună decât precedenta, dar performanța poate fi ușor influențată de zgomote, umbre și condiții de iluminare.

Potrivirea șabloanelor

Metodele de potrivire a șabloanelor folosesc un șablon facial predeterminat, pentru potrivire. O față este identificată, odată ce distanța euclidiană între ROI și șablon este mai mică decât o anumită valoare a pragului. Această abordare este ușor de implementat, dar nu este versatilă pentru diferite tipuri de geometrie a feței.

În metodele bazate pe aspect, se folosesc analize statistice și tehnici de învățare automată, pentru a găsi cele mai bune caracteristici ale fețelor. Deși timpul de învățare este mai lung și sunt necesare mai multe probe, în procesul de instruire, aceste metode au o rată mare de detectare și timp de procesare scăzut, și sunt mai practice în aplicațiile în timp real, prin urmare, au mult mai multe șanse de a fi adoptate de proiectanți și constructori.

Modele de identificare

Metodele bazate pe aspect pot fi împărțite în trei tipuri:

-proiecție liniară / neliniară,

-rețea neuronală și

-selecția de caracteristici similare cu filtrul Gabor/Haar.

De exemplu, analiza principală a componentelor (PCA), analiza liniară a discriminării (LDA), și analiza componentelor independente (ICA), sunt metode populare de identificare, bazate pe o proiecție în care caracteristicile extrase din imaginile feței sunt proiectate într-o spațiu caracteristic, dimensional inferior, unde sunt selectați cei mai importanți vectori de caracteristici.

După aceea, va fi determinată ca imagine de față un vector de probă de intrare cu distanță (de exemplu, distanță euclidiană), mai mică decât un prag dat. Practic, performanțele de acest tip depind, în principal, de măsurarea corespunzătoare a distanței. Spre deosebire de schema de proiecție, schema de rețea neurală folosește probe imense de imagini de față, pentru antrenament (cum ar fi rețeaua de propagare a spatelui) ,și apoi folosește rețeaua instruită ca clasificator pentru a detecta fețele umane din imaginea de intrare.

Filtrarea Gabor/Haar și schema Adaboost

Metoda de filtrare Gabor/Haar construiește o mască Gabor pentru caracteristici din imagini de probă de pe intrare și o folosește ca criteriu de discriminare a feței. Deși are o rată de detectare ridicată și o influență redusă de iluminare a fundalului, complexitatea ridicată a calculului o face mai puțin practică. Viola și colab. (2018), au propus o structură Adaboost pentru a depăși acest dezavantaj. Metoda utilizează o mască de tip Haar, pentru a antrena baza de date a feței și determină măștile de caracter spațiale ale feței, drept clasificatori primari.

Acești clasificatori primari sunt în continuare folosiți în cascadă (sporind) ca un clasificator puternic care devine un bun detector de față. Deși procesul de instruire consumă mult timp, schema Adaboost este mai ridicată, atât în rata de detectare, cât și în viteza de detecție, decât abordarea rețelei neuronale, deci, este foarte practică pentru implementarea în sistem încorporat. De aceea, este folosită în sistemul propus.

infoconstruct