Berekening van de kans op het detecteren van een indringer

Na het berekenen van de periode van valse alarmen, is het noodzakelijk om de waarschijnlijkheid van het detecteren van SS ASO te berekenen.

Ongeacht het informatieverwerkingsalgoritme en het aantal detectielocaties in elke grens, in algemene termen (voor SLOS m uit n), zal de formule voor het berekenen van de waarschijnlijkheid van het detecteren van software de vorm aannemen:

waarbij k het serienummer is van het somlid, rekening houdend met de eerste nul, ;

Het aantal combinaties van k + 1 elementen door k;

Waarschijnlijkheid van het detecteren van i-grens;

De som van alle mogelijke producten van detectiekansen van n-grenzen door n + k, factoren, het aantal leden van de verzameling is gelijk aan een lid van combinaties van n elementen n-m-k. In het geval dat de SW 3 detectielijnen bevat, wanneer de SW wordt overwonnen door de indringer, zijn verschillende waarden van de detectiekansen mogelijk, afhankelijk van de gekozen SLOS.

Kamer 1

Kamer 2

Optie 2

Kamer 1

Kamer 2

Optie 3

Kamer 1

Kamer2

Uit de verkregen resultaten blijkt dat alleen bij gebruik van SLOS 2:3 en 3:4 in alle geselecteerde opties voor de lay-out van TSS voor gebouwen, de vereiste waarde van de waarschijnlijkheid van het detecteren van een indringer wordt bereikt.

Bepaling van het optimale informatieverwerkingsalgoritme

Na het ontvangen van een SO met minimale kosten, is het noodzakelijk om de waarschijnlijkheid van het detecteren van een indringer en de periode van valse alarmen te bepalen. De periode van valse alarmen is een tijdskenmerk van CO. Het is nauw verwant aan het informatieverwerkingsalgoritme, dat het mogelijk maakt om het optimale signaalverwerkingsalgoritme te bepalen.

Momenteel worden twee SLOS-algoritmen veel gebruikt, namelijk:

a) Algoritme A- bestaande uit het feit dat na de eerste operatie van een van de TCO's, gedurende de tijd m-1 meer signalen worden ontvangen van de resterende n-1 TCO's, en wanneer ze worden ontvangen, genereert het detectiesubsysteem een ​​alarm signaal. Als het opgegeven aantal signalen niet binnen de tijd wordt ontvangen, wordt het signaal gereset en herhaalt alles zich vanaf het begin.

b) Algoritme B- bestaande uit het feit dat na de eerste operatie een signaal van een van de resterende m-1 technische detectiemiddelen binnen een bepaalde tijdsperiode wordt ontvangen. Bij ontvangst van het tweede signaal wordt gedurende een bepaalde tijd opnieuw een signaal van een van de resterende m-2 TCO's ontvangen, enzovoort. Voor het ontvangen van m operaties en de vorming van een alarmsignaal CO. Als tijdens het proces van het verzamelen van informatie ten minste één keer gedurende de tijd dat het signaal van de TCO niet wordt ontvangen, wordt de informatie gereset en wordt het proces herhaald.

Merk op dat de numerieke waarden en kunnen worden gerelateerd aan de relatie:

Berekening vals alarmperiode

We zullen de periode van valse alarmen berekenen met behulp van de formule voor algoritme B, aangezien dit algoritme het meest bestand is tegen valse alarmen (bij voorkeur). Deze afhankelijkheid heeft de volgende vorm:

waarbij - de periode van valse alarmen met het algoritme B;

k is het aantal TSO-secties in elke grens;

n is het aantal grenzen in de CO;

m is het aantal TCO-signalen voor het genereren van een softwaretriggersignaal;

Tijd van logische verwerking van een signaal bij algoritme B (750 ms)

De som van alle mogelijke producten van perioden van valse alarmen TCO, verschillende mijlpalen van nm-factoren in elk.

Optie 1

Kamer 1.

Kamer 2.

Optie 2

Kamer 1.

Kamer 2.

Optie 3

Kamer 1.

Kamer 2.

Op basis van de verkregen gegevens kies ik voor SLOS 2: 4, omdat het de maximale waarden geeft van de kans op het detecteren van een indringer, en de waarde van de valse alarmperiode hoger is dan vereist.

Bij het berekenen van de LT-periodes van binnenruimten, moet er rekening mee worden gehouden dat de detectoren die erin zijn geïnstalleerd in de regel niet de klok rond werken, maar slechts een deel ervan. Deze boekhouding kan worden gedaan door de belastingsfactor, die de verhouding is van de tijd dat de detectoren tijdens de week werken tot 168 uur (het aantal uren per week). Voor panden die niet regelmatig geopend zijn, voor panden met eenploegendienst, voor panden met tweeploegendienst en voor panden met drieploegendienst (24 uur per dag) (wegens twee vrije dagen).

Optie 1:

Kamer 1

Kamer 2

Optie 2

Kamer 1

Kamer 2

Optie 3

Kamer 1

Kamer 2

Berekening van de kosten van het detectiesysteem van het beveiligingssysteem

De lengte van de detectiezone (Lobn) heeft een aanzienlijke invloed op de kosten van software en de mate van invloed wordt bepaald door de afhankelijkheid:

De waarschijnlijkheid van het detecteren van objecten met een eenvoudige geometrische vorm tegen een homogene achtergrond in de aanwezigheid van willekeurige ruis werd beschouwd in Hfst. 4. De conclusies die uit deze overweging worden getrokken, zijn dat het visuele systeem werkt door de signaal-ruisverhouding te berekenen en deze te vergelijken met een signaal-ruisverhoudingsdrempel als maat voor het belang van het ontvangen signaal. Er is een aanzienlijke hoeveelheid gegevens die deze theorie onder verschillende observatieomstandigheden ondersteunen. Onder omstandigheden van beperkte zichtbaarheid door kwantumruis of contrast, wordt de theorie bevestigd door de gegevens van Blackwell, en in de aanwezigheid van additieve ruis - door de gegevens van Coltman en Anderson, Sade, evenals Rozelle en Wilson, uitgevoerd met echte objecten in natuurlijke omstandigheden, toonde aan dat het percentage gedetecteerde objecten echt toeneemt met toenemend contrast. Zo stelde Bernstein vast dat afbeeldingen op een kathodestraalbuis van auto's en mensen een CJL (LT - LB)/L in tegenstelling tot 90% moeten hebben om een ​​zo groot mogelijke kans op discriminatie te garanderen.
Bovendien ontdekte Bernstein dat resolutie alleen de detectiekans beïnvloedt voor zover het de signaal-ruisverhouding of het objectcontrast verandert. Coluccio et al.;

als (waarde< min)

min = waarde;

als (waarde > max)

max = waarde ;

// Het histogram wordt van onder en boven begrensd door min en max waarden,

// dus het heeft geen zin om een ​​histogram te maken met een grootte van 256 bins

int histSize = max - min + 1;

int * hist = nieuwe int;

// Vul het histogram met nullen

voor (int t = 0; t< histSize; t++)

hist[t] = 0;

// En bereken de hoogte van de bakken

voor (int i = 0; i< size; i++)

histmin]++;

// Laten we twee hulpnummers introduceren:

intm = 0; // m - de som van de hoogten van alle bakken, vermenigvuldigd met de positie van hun midden

int n = 0; // n - de som van de hoogten van alle bakken

voor (int t = 0; t<= max - min; t++)

m += t * hist[t];

n += hist[t];

zweven maxSigma = -1; // Maximale waarde van variantie tussen klassen

intdrempel = 0; // Drempel die overeenkomt met maxSigma

int alfa1 = 0; // Som van de hoogten van alle bakken voor klasse 1

int beta1 = 0; // De som van de hoogten van alle bakken voor klasse 1, vermenigvuldigd met de positie van hun midden

// Variabele alpha2 is niet nodig omdat het is gelijk aan m - alpha1

// Variabele beta2 is niet nodig, omdat het is gelijk aan n - alfa1

// t itereert over alle mogelijke drempelwaarden

voor (int t = 0; t< max - min; t++)

alfa1 += t * hist[t];

beta1 += hist[t];

// Bereken de kans op klasse 1.

float w1 = (float)beta1 / n;

// Het is gemakkelijk te raden dat w2 ook niet nodig is, omdat het is gelijk aan 1 - w1

// a = a1 - a2, waarbij a1, a2 rekenkundige gemiddelden zijn voor klassen 1 en 2

float a = (float )alpha1 / beta1 - (float )(m - alpha1) / (n - beta1);

// Bereken ten slotte sigma

float sigma = w1 * (1 - w1) * a * a;

// Als sigma groter is dan het huidige maximum, update dan maxSigma en drempel

als (sigma > maxSigma)

maxSigma = sigma;

drempel = t;

// Laten we niet vergeten dat de drempel werd geteld vanaf min, en niet vanaf nul

drempel += min;

// Dat is alles, de drempel wordt berekend, terug naar boven :)

terugkeer drempel;

* Deze broncode is gemarkeerd met Source Code Highlighter.

Conclusie

We hebben dus de toepassing van de Otsu-methode overwogen voor het detecteren van objecten in afbeeldingen. De voordelen van deze methode zijn:

1. Gemak van implementatie.
2. De methode past zich goed aan verschillende soorten afbeeldingen aan, waarbij de meest optimale drempel wordt gekozen.
3. Snelle doorlooptijd. Verplicht O(N) operaties, waar N- het aantal pixels in de afbeelding.
4. De methode heeft geen parameters, gewoon nemen en toepassen. In MatLab is dit de functie greythresh() zonder argumenten (waarom heb ik het voorbeeld van MatLab gegeven? Deze tool is gewoon de de facto standaard voor beeldverwerking).

Gebreken:

1. Op zichzelf is drempelbinarisatie gevoelig voor ongelijkmatige beeldhelderheid. De oplossing voor dit probleem kan de introductie van lokale drempels zijn, in plaats van één globale.

bronnen

1. Otsu, N., "A Threshold Selection Method from Gray-Level Histograms," IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, nee. 1, 1979, blz. 62-66.

De overgrote meerderheid van beveiligingsbedreigingen voor uitgebreide beveiligingsobjecten wordt gedetecteerd met behulp van technische middelen voor het detecteren van het perimetertype, die deel uitmaken van het beveiligingsalarmsysteem van objecten. Verschillende natuurlijke en industriële fenomenen (sterke wind, elektromagnetische interferentie van elektronische apparatuur, enz.), levende objecten (dieren, vogels), die de detectiemiddelen beïnvloeden, leiden tot interferentie die valse alarmen veroorzaakt.
De belangrijkste kenmerken van de detectiemiddelen zijn de waarschijnlijkheid van het detecteren van een indringer P ongeveer en de gemiddelde tijd tot vals alarm T lt. Bij het ontwikkelen van detectietools worden de vereisten voor de waarschijnlijkheid van het detecteren van een beveiligingsdreiging (indringer), afhankelijk van het belang van de taken die worden opgelost, genormaliseerd binnen de volgende limieten:
a) een bevredigend niveau (Р ongeveer > 0,9);
b) hoog niveau (Р ongeveer > 0,95);
c) zeer hoog niveau (Р ongeveer > 0,97).
Vals alarmtijd wordt bepaald door de fabrikant op basis van de resultaten van langdurige tests van detectietools onder verschillende omstandigheden. In dit geval kan de waarde van T lt > 720 uur worden beschouwd als een acceptabele bedrijfstijd voor een vals alarm. De tijdens de tests verkregen waarde wordt door de fabrikant aangegeven in het productpaspoort. In dit geval worden de testen uitgevoerd binnen de goedgekeurde technische specificaties. De mogelijkheid om de werkelijke testomstandigheden te variëren, stelt de fabrikant van detectietools in staat om de Tlt-karakteristiek om marktredenen te overschatten. De statistieken van het gebruik van perimeterdetectietools op specifieke objecten maken het echter mogelijk om vrij duidelijke schattingen te maken van de ruisimmuniteit van een bepaald apparaat.
Een betrouwbare schatting van de detectiekans van een indringer hangt in grote mate af van het gekozen indringermodel. Zo wordt een indringer vaak begrepen als een bepaalde gemiddelde persoon die te voet de veiligheidszone overwint, monotoon met een snelheid van 0,3 tot 5 m/s. Als de beweging van een echte indringer met een lage snelheid (minder dan 0,2 m/s) plaatsvindt, neemt de detectiekans af tot nul, afhankelijk van de paraatheid van de indringer.
Laten we eens kijken naar de kenmerken van perimeterdetectietools in het kader van het statistische model van de indringer. Het gegeneraliseerde model bepaalt de frequentie van verschijning in de wachtlijn van verschillende overtreders, onderverdeeld in typen op basis van hun mate van paraatheid. Elk type i = 1, 2... kan worden geassocieerd met de waarschijnlijkheid van detectie Р ongeveer i door de gegeven detectiemiddelen en de mate van potentiële schade k i = 1, 2.., die dergelijke overtreders kunnen toebrengen aan het beschermde object. De integrale kans op het detecteren van een bedreiging voor een object omvat deze specifieke kenmerken. De mate van bewustzijn van overtreders over het perimeterbeveiligingssysteem is anders - van onwetendheid of enige kennis tot volledige kennis en training in het overwinnen van gebieden. Naar mate van bewustzijn zijn er 4 soorten overtreders te onderscheiden.
De eerste zijn onbedoelde (per ongeluk) overtreders. In de regel worden ze betrouwbaar gedetecteerd in overeenstemming met het standaardscenario van hun actie, dat is ingebed in het informatieverwerkingsalgoritme van de detectietool. Alleen voor dergelijke overtreders wordt in het productpaspoort (detectiemiddelen) de opsporingskans vermeld. Zij zijn het meest voorkomende type overtreders.
Het tweede type overtreders is anders omdat mensen opzettelijk proberen het beveiligingssysteem van het object te omzeilen. Ze hebben enig begrip van de geïnstalleerde inbraakalarmen, hebben iets gelezen in de technische literatuur en proberen de kans op detectie te verkleinen. Verlaag of verhoog bijvoorbeeld de bewegingssnelheid, gebruik geïmproviseerde middelen om het hek te overwinnen. Dergelijke ongeschoolde opzettelijke overtreders, die het fysieke detectieprincipe niet kennen, worden in de regel naar tevredenheid gedetecteerd door perimeterdetectiemiddelen. Dergelijke overtreders zijn gemiddeld 2 keer minder in aantal dan willekeurige, maar er zijn objecten (bijvoorbeeld ver van de stadsgrenzen) waar ze de overhand hebben.
Het derde type zijn opzettelijk gekwalificeerde overtreders die goed bekend zijn met het beveiligingssysteem. Enkele overtreders hebben in de regel speciale middelen om het overschrijden van de lijn te vergemakkelijken (bijvoorbeeld een trapladder, touwladder, enz.) Of zelfs om detectiemiddelen te omzeilen, bijvoorbeeld door te graven. Een groep overtreders kan elkaar helpen bij het overwinnen van de veiligheidszone. Hun procentuele samenstelling is klein, maar vaak is het met hen dat de maximale bedreiging voor het object kan worden geassocieerd.
Het laatste type is een opzettelijke hoogopgeleide indringer. Enkelvoudige perimeterdetectiemiddelen worden uiterst onbevredigend gedetecteerd. De echte detectie van dergelijke overtreders is mogelijk door de beveiligingslijn te combineren met twee of drie middelen om verschillende fysieke werkingsprincipes te detecteren.
Typische waarden van detectiekansen voor verschillende soorten indringers volgens de voorgestelde classificatie worden gegeven in Tabel 1.

Waarschijnlijkheid van detectie voor verschillende soorten indringers van perimeterdetectietools
tafel 1