Metody Informatyki Stosowanej

Transkrypt

1 Polska Akademia Nauk Oddział w Gdańsku Komisja Informatyki Metody Informatyki Stosowanej Nr 4/2009 (21) Szczecin 2009

2 Metody Informatyki Stosowanej Kwartalnik Komisji Informatyki Polskiej Akademii Nauk Oddział w Gdańsku Komitet Naukowy: Przewodniczący: prof. dr hab. inż. Henryk Krawczyk, czł. koresp. PAN, Politechnika Gdańska Członkowie: prof. dr hab. inż. Michał Białko, czł. rzecz. PAN, Politechnika Koszalińska prof. dr hab. inż. Ludosław Drelichowski, Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy prof. dr hab. inż. Janusz Kacprzyk, czł. koresp. PAN, Instytut Badań Systemowych PAN prof. dr hab. Jan Madey, Uniwersytet Warszawski prof. dr hab. inż. Leszek Rutkowski, czł. koresp. PAN, Politechnika Częstochowska prof. dr hab. inż. Piotr Sienkiewicz, Akademia Obrony Narodowej prof. dr inż. Jerzy Sołdek, Zachodniopomorska Szkoła Biznesu w Szczecinie prof. dr hab. inż. Andrzej Straszak, Instytut Badań Systemowych PAN prof. dr hab. Maciej M. Sysło, Uniwersytet Wrocławski Recenzenci współpracujący z redakcją: Marian Adamski, Andrzej Banachowicz, Zbigniew Banaszak, Alexander Barkalov, Włodzimierz Bielecki, Janusz Bobulski, Piotr Bubacz, Ryszard Budziński, Henryk Budzisz, Dariusz Burak, Jacek Czarnecki, Andrzej Czyżewski, Ludosław Drelichowski, Piotr Dziurzański, Witold Dzwinel, Imed El Fray, Mykhaylo Fedorov, Paweł Forczmański, Dariusz Frejlichowski, Krzysztof Giaro, Larysa Globa, Zbigniew Gmyrek, Janusz Górski, Stanisław Grzegórski, Volodymyr Harbarchuk, Volodymyr Hrytsyk, Wojciech Jędruch, Aleksander Katkow, Przemysław Klęsk, Shinya Kobayashi, Leonid Kompanets, Józef Korbicz, Jerzy Korostil, Marcin Korzeń, Georgy Kukharev, Mieczysław Kula, Eugeniusz Kuriata, Emma Kusztina, Małgorzata Łatuszyńska, Radosław Maciaszczyk, Wiesław Madej, Krzysztof Makles, Wojciech Maleika, Oleg Mashkov, Oleg Maslennikow, Karol Myszkowski, Evgeny Ochin, Krzysztof Okarma, Remigiusz Olejnik, Piotr Pechmann, Jerzy Pejaś, Andrzej Pieczyński, Andrzej Piegat, Piotr Piela, Mateusz Piwowarski, Marcin Pluciński, Jacek Pomykała, Orest Popov, Edward Półrolniczak, Remigiusz Rak,Valeriy Rogoza, Leszek Rutkowski, Mirosław Ryba, Khalid Saeed, Anna Samborska-Owczarek, Jerzy Sołdek, Boris Sovetov, Marek Stabrowski, Andrzej Stateczny, Janusz Stokłosa, Alexander Ţariov, Leszek Trybus, Andrzej Tujaka, Zenon Ulman, Andrzej Walczak, Jarosław Wątróbski, Sławomir Wiak, Antoni Wiliński, Waldemar Wolski,Waldemar Wójcik, Oleg Zaikin, Zenon Zwierzewicz Redaktor Naczelny: Antoni Wiliński Sekretarz redakcji: Piotr Czapiewski ISSN Wydawnictwo: Polska Akademia Nauk Oddział w Gdańsku, Komisja Informatyki Adres kontaktowy: ul. Żołnierska 49 p. 104, Szczecin, pan@wi.zut.edu.pl Druk: Pracownia Poligraficzna Wydziału Informatyki Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie Nakład 510 egz.

3 Spis treści Jacek Czerniak, Andrzej Znaczko PROPOZYCJA OPTYMALIZACJI ZAGROŻENIA POŻAROWEGO Z UŻYCIEM AUTOMATÓW KOMÓRKOWYCH... 5 Paweł Forczmański, Marcin Seweryn OBJECT CLASSIFICATION IN SURVEILLANCE STREAM USING ADAPTIVE BACKGROUND MODEL.. 17 Dariusz Frejlichowski ANALIZA OGÓLNEGO KSZTAŁTU OBIEKTÓW WYDOBYTYCH Z OBRAZÓW CYFROWYCH Z WYKORZYSTANIEM PROSTYCH DESKRYPTORÓW KSZTAŁTU Tomasz Hyla, Włodzimierz Bielecki, Jerzy Pejaś ZAAWANSOWANE SYSTEMY ZABEZPIECZEŃ RECEPT ELEKTRONICZNYCH Tomasz Koperski, Paweł Piotrowski FILTRACJA RUCHU SIECIOWEGO PRZY WYKORZYSTANIU PROTOKOŁU WPAD ORAZ SKRYPTÓW AUTOMATYCZNEJ KONFIGURACJI SERWERA PROXY Jerzy Korostil, Łukasz Nozdrzykowski WYZNACZENIE ZALEŻNOŚCI POMIĘDZY ISTOTNYMI PARAMETRAMI OBRAZU DLA ZMNIEJSZENIA WIDOCZNOŚCI UKRYCIA WIADOMOŚCI W OBRAZACH POMIĘDZY DZIEDZINĄ PRZESTRZENNĄ A TRANSFORMATY FALKOWEJ Radosław Maciaszczyk, Krzysztof Bembnista WSPOMAGANIA PROJEKTOWANIA SIECI WLAN Witold Maćków, Imed El Fray NOWE PODEJŚCIE REALIZUJĄCE UWIERZYTELNIENIE I AUTORYZACJĘ ŻĄDAŃ Z WYKORZYSTANIEM USŁUGI WEB XML Krzysztof Makles KONCEPCJA INTERAKTYWNEJ OPTYMALIZACJI WIZUALNEJ W TRYBIE BEZPOŚREDNIM Adam Nowosielski, Paweł Kuśnierek WYKORZYSTANIE UŚREDNIONYCH TWARZY W ZADANIACH ROZPOZNAWANIA TWARZY Natalia Ratuszniak, Tomasz Hyla INLAND ELECTRONIC NAVIGATIONAL CHARTS AUTOMATIC UPDATES MANAGEMENT IN RIVER INFORMATION SYSTEM Zdzisław Szczerbiński, Karolina Steinborn ROZWIĄZYWANIE NUMERYCZNE UKŁADÓW RÓWNAŃ LINIOWYCH METODĄ KWADRATU GRADIENTÓW SPRZĘŻONYCH Alexandr Tariov RACJONALIZACJA OBLICZEŃ: JEDNOŚĆ I WALKA PRZECIWIEŃSTW Michał Twardochleb, Robert Rychcicki SKUTECZNOŚĆ HYBRYDOWEJ METODY OPTYMALIZACJI W ROZWIĄZYWANIU ZADAŃ O ZRÓŻNICOWANEJ CHARAKTERYSTYCE Tomasz Wiśniewski, Przemysław Korytkowski OPTYMALIZACJA ROZMIESZCZENIA STANOWISK KONTROLNYCH DLA SYSTEMU KLASY MONTAŻ NA ZAMÓWIENIE

4

5 Propozycja optymalizacji zagrożenia pożarowego z użyciem automatów komórkowych Jacek Czerniak 1), Andrzej Znaczko 2) 1) Instytut Badań Systemowych PAN, 2) Uniwersytet Kazimierza Wielkiego, Instytut Techniki Abstract: This paper explains the rule of cellular automata operation as well as presents their structure and fields of application. It includes basic concepts as regards cellular automata and presents simulation of fire hazards inside buildings. The paper also indicates to practical applications of the cellular automata theory for building fire simulation using the programme Symulacja pożaru. Thanks to the tests carried out using appropriately configured programme, realistic results of simulated evacuation of people from the building have been achieved. Using such kind of predication in civil engineering should increase the fire safety of buildings. Simulations described in this paper seem to be very useful, particularly in case of building renovation or temporary unavailability of escape routes. Using them, it is possible to visualise potential hazards and to avoid increased risk in case of fire. Inappropriate operation of buildings, including insouciant planning of renovations are among frequent reasons of tragic accidents cited by fire brigade information services. Thanks to the proposed solutions it is easier to envisage consequences of problematic decisions causing temporary or permanent unavailability of escape routes. Keywords: cellular automata, grid of cellular automata, boundary conditions, transfer function, fire simulation 1. Wprowadzenie Automaty komórkowe (ang. cellular automata) zaliczane są do działu informatyki, jaką jest sztuczna inteligencja. Składają się one z sieci komórek, z których każda posiada pewien określony stan oraz zbiór reguł. Zmiana aktualnego stanu danej komórki jest wypadkową wspomnianych cech oraz zależności od komórek sąsiednich. Jako pierwszy teorię automatów komórkowych wprowadził amerykański uczony węgierskiego pochodzenia John von Neumann. Wykazał on między innymi, że nawet proste maszyny mogą być zdolne do reprodukcji, co uważano za podstawową cechę żywych organizmów [1]. Przez wiele lat automaty komórkowe były głównie przedmiotem dociekań teoretycznych. Wraz z rozwojem komputerów i oprogramowania, metody optymalizacji bazujące na tym podejściu coraz częściej badano i wdrażano w praktyce. Uniwersalność automatów komórkowych spowodowała, iż znajdują zastosowanie w wielu dziedzinach życia: biologii, fizyce, matematyce, oraz w różnych obszarach informatyki m.in. kryptografii czy grafice komputerowej. Metody Informatyki Stosowanej, nr 4/2009 (21), s ISSN Polska Akademia Nauk Oddział w Gdańsku, Komisja Informatyki

6 6 Jacek Czerniak, Andrzej Znaczko 1.1. Zastosowanie automatów komórkowych Automaty komórkowe znalazły zastosowanie w praktyce. Przykład stanowi symulacja ruchu ulicznego, w którym specyficznie określony automat komórkowy kieruje ruchem ulicznym. Sterowanie ruchem występuje zasadniczo na określonym odcinku z odpowiednim jego natężeniem [8]. Podobnie w przypadku symulacji natężenia ruchu na autostradach Zagłębia Ruhry w Niemczech. Powołane specjalnie do tego celu centra monitorujące kolekcjonują dane z wybranych odcinków autostrad. Następnie z wykorzystaniem automatów komórkowych przeprowadza się krótkoterminowe symulacje natężenia ruchu. Na stronach tego projektu można odszukać informacje statystyczne o przeprowadzonych badaniach nad zachowaniem kierowców uprzedzonych zawczasu o możliwości powstawania utrudnień komunikacyjnych w czasie najbliższych kilku godzin [9],[6]. Następnym przykładem zastosowania automatów komórkowych są symulacje demograficzne dotyczące zadanego obszaru. Ich celem jest wygenerowanie struktury ukazującej liczbę ludności na danym terenie w taki sposób, aby stworzyć mapę prognozowanego zaludnienia. Symulacje tego typu mogą bazować na znanej Grze w życie [7]. Jest to wykonalne, gdyż po drobnych modyfikacjach algorytmu możliwe jest zliczanie występowania życia w obserwowanych komórkach. Spośród innych automatów znajdujących zastosowanie praktyczne są implementacje realizujące przetwarzanie obrazu, generowanie tekstur, symulacja fal, wiatru oraz program Symulacja pożaru opracowany m.in. na potrzeby tej publikacji. Zaproponowany algorytm ma na celu symulację ewakuacji ludności z płonącego budynku o zadanej liczbie wyjść i źródeł ognia Budowa automatów komórkowych Automaty komórkowe są to modele matematyczne, w których czas i przestrzeń traktowane są w sposób dyskretny. Areną działania automatu jest d-wymiarowa przestrzeń, w której zachodzi ewolucja. Zwykle podzielona jest ona na jednakowe komórki. Każda z nich może przyjąć jeden z dowolnie dużej ilości stanów, przy czym liczba stanów jest skończona. W jednym automacie nie mogą istnieć dwie komórki, które nie mają wszystkich elementów takich samych. Postulat ten dotyczy zachowania identycznej budowy wszystkich komórek, innymi słowy muszą one mieć jednakową [2]; liczbę sąsiadów, przestrzeń stanów, formę (kształt), listę reguł przejść. Reguły przejść określają warunki poruszania się komórki po grafie stanów. Nowy stan danej komórki zależy zwykle zarówno od jej stanu poprzedniego jak i stanów, w jakich znajdują się komórki z najbliższego sąsiedztwa [1]. Na rysunku Rys.1 pokazano jednowymiarowy automat komórkowy, którego kształt przywodzi na myśl wektor w rachunku macierzowym. Przedstawiony tam automat posiada promień r = 1 co oznacza, że stan centralnej komórki zależy od 2 sąsiadów. Rysunek 1. Jednowymiarowy automat komórkowy o promieniu r = 1

7 Propozycja optymalizacji zagrożenia pożarowego z użyciem automatów komórkowych 7 Kolejny rysunek oznaczony jako Rys.2 przedstawia dwuwymiarowy automat komórkowy, którego wizualizacja na płaszczyźnie przywodzi na myśl macierz. Tego typu model postrzegania automatu posiadającego promień r=1, implikuje wpływ do ośmiu sąsiadów na stan centralnej komórki. Jest to w szczegółach zależne od przyjętego modelu sąsiedztwa, jednakże problem ten jest dobrze opisany w literaturze, nie będzie więc rozwijany w ramach tej publikacji. Rysunek 2. Dwuwymiarowy automat komórkowy (2D) dla promienia r = 1 Rysunek 3. Trójwymiarowy automat komórkowy dla promienia r = 1[źródło: [3]] Na rysunku Rys.3 uwidoczniony jest trójwymiarowy automat komórkowy, który ułożony jest w kostkę przestrzenną. Zatem centralna komórka może posiadać maksymalnie 26 sąsiadów [3] Siatka automatów komórkowych Siatka, inaczej przestrzeń dyskretna, w której następuje ewolucja automatów komórkowych w całości stworzona jest z takich samych komórek. Wszystkie komórki muszą mieć tyle samo sąsiadów oraz taką samą przestrzeń stanów. Istnieją trzy konstrukcyjne czynniki, które w sposób istotny wpływają na postać siatki, a co za tym idzie na zachowanie się całego automatu komórkowego [2]: wymiar przestrzeni, zależny jest od wielkości badanego problemu, czego przykłady znajdują się na rysunku Rys. 4 (siatka 1D, 2D, 3D); warunek regularności, mówiący o całkowitym zapełnieniu siatki przez jednakowe komórki; liczba sąsiadów (zależna od obu powyższych).

8 8 Jacek Czerniak, Andrzej Znaczko Rysunek 4. Rodzaje siatki: 1D, 2D, 3D [źródło: [5]] 2. Prognozowanie zagrożenia pożarowego Ogień jest żywiołem, wobec którego człowiek częstokroć bywa bezsilny, zwłaszcza, gdy do pożaru dochodzi w pomieszczeniach. Przez to szczególnie projekty budynków przeznaczonych do zamieszkania, celów handlowych lub innej użyteczności publicznej, muszą spełniać rozbudowane przepisy przeciwpożarowe. Szerokość korytarzy, liczba drzwi ewakuacyjnych oraz dopuszczalna liczba ludzi przebywających w pomieszczeniach ma bardzo duży wpływ na bezpieczeństwo obecnych tam osób. Oczywiście nie wystarczy, że drzwi są na planie budynku, muszą być jeszcze otwarte. W przypadkach wielu pożarów ludzie ginęli właśnie z tego powodu, że drzwi ewakuacyjne były zamknięte. W ostatnich latach doszło do wielu katastrof wywołanych pożarem w budynkach, np. pożar hotelu w Kamieniu Pomorskim, gdzie zginęły 23 osoby (drzwi ewakuacyjne okazały się zamknięte), pożar hipermarketu w Nowym Targu, gdzie przyczyną były prawdopodobnie prace spawalnicze na terenie marketu. Kolejnym przykładem może być pożar bloku w Koluszkach, jedna osoba zginęła. Architekci planujący budynki sugerują się dostępnymi normami przeciwpożarowymi, lecz nie zawsze to wystarcza, aby uniknąć tragedii. Sporządzenie dodatkowych badań symulacyjnych mogłoby pomóc rozwiązać ten problem. Poza tym nawet najlepszy projekt architektoniczny nie pomoże w wypadku złej eksploatacji. Nierzadko spotyka się plany remontowe, które ignorują fakt, iż w wyniku remontu czasowo niedostępne staje się jedno lub kilka wyjść z budynku. A zagrożenie pożarowe podczas prac remontowych statystycznie wzrasta. Program Symulacja pożaru został stworzony w celu przedstawienia ewakuacji ludności z budynku w wyniku wystąpienia zagrożenia pożarowego. Umożliwia to porównanie wyników z różnych symulacji i sformułowania odpowiednich wniosków. Program został zaimplementowany w środowisku C++Builder, które jest narzędziem do programowania obiektowego w środowisku Windows. W programie przedstawionym na Rys.6 można narysować dowolnej wielkości planszę z planem budynku jednokondygnacyjnego i rozmieścić w nim ludzi oraz zaznaczyć miejsce pożaru. Plansza składa się z kratek, każda kratka może przyjąć tylko jeden z następujących stanów: ognia, ściany, osoby, osoby w ogniu, bądź też pustej komórki. Na rysunku Rys.5 przedstawiono diagram stanów pojedynczej komórki automatu do symulacji pożarów.

9 Propozycja optymalizacji zagrożenia pożarowego z użyciem automatów komórkowych 9 Rysunek 5. Diagram stanów komórek Warunki brzegowe Rysunek 6. Okno programu Symulacja pożaru W dyskretnej przestrzeni, w której zachodzą różne ewolucje automatów komórkowych występuje d wymiarowa teoretycznie nieskończona siatka. Ponieważ tego typu siatka jest niemożliwa do zaimplementowania w aplikacji komputerowej, przedstawia się ją w postaci

10 10 Jacek Czerniak, Andrzej Znaczko skończonej tablicy. Przez to nieodłączne jest ustalenie warunków brzegowych na krańcach tej siatki, czyli na brzegach tablicy. Zestaw podstawowych warunków brzegowych pokazano na rysunku Rys.7. Warunki te są analogiczne przy obrocie o 90 0 zatem zostały pominięte jako trywialne. Rysunek 7. Warunki brzegowe (odbicia od krawędzi siatki) Przy symulacji ruchu komórki w kierunku ściany zastosowano następujące reguły: ruch na wprost stan komórki bez zmian, ruch po przekątnej stan komórki zmienia się na pusty, kąt padania równy kątowi odbicia, w efekcie stan komórki w odbiciu lustrzanym zmieni się na stan komórki inicjującej ruch, warunki ruchu: ruch jest możliwy jeżeli komórka docelowa jest w stanie pustym, w przeciwnym wypadku komórka inicjująca nie zmienia stanu, próba ruchu komórki w stanie osoba do pola w stanie ogień zwiększa liczbę oparzeń komórki inicjującej, próba ruchu komórki w stanie ogień do pola w stanie osoba zwiększa liczbę oparzeń komórki docelowej. Szczególnym przypadkiem jest próba ruchu z rogu planszy. Odbicie w trzech kierunkach nie spowoduje zmiany stanu komórki, a próba ruchu w pozostałych pięciu może go spowodować. Należy tu jeszcze dodać, że reguły i warunki ruchu dotyczą zarówno komórek w stanie osoba i ogień. Polem, do którego nie można wykonać ruchu są komórki w stanie ściana. Warunki odbijające występują na krawędzi siatki automatu komórkowego tworzącej barierę, od której odbijają się (w sensie wizualnym) będące w ruchu wirtualne obiekty. Warunki te wykorzystywane są do symulowania zamkniętych przestrzeni doświadczalnych. Rys. 8 przedstawia siedem kolejnych etapów pokoleń komórek wizualizujących odbicia obiektów o krawędzi siatki. Rysunek 8. Przykładowe siedem kroków ewolucji

11 Propozycja optymalizacji zagrożenia pożarowego z użyciem automatów komórkowych 11 Funkcje przejścia Ewolucja automatów komórkowych przebiega w dyskretnym czasie wyznaczając kolejne cykle przeliczeń. Każda dyskretna chwila t={0, 1, 2,,n} służy aktualizacji stanu poszczególnych komórek, przez co każdy automat jest obiektem dynamicznym w czasie. Funkcja przejścia, w każdej iteracji, według określonych reguł, może przeliczać kolejno wszystkie komórki znajdujące się na siatce. Każda przetwarzana komórka, na podstawie kalkulacji jej aktualnego stanu i stanu sąsiadujących z nią komórek, otrzymuje swój nowy stan. Reguły przejść oraz przestrzeń stanów i zdefiniowane sąsiedztwo są nieodłącznymi elementami procesu ewolucji automatu komórkowego. Uruchomienie programu powoduje wyświetlenie okna głównego gotowego do narysowania planu budynku i rozmieszczenia w nim poszczególnych elementów. Po narysowaniu planszy i rozmieszczeniu na niej wszystkich składowych można przejść do skonfigurowania parametrów ognia, ludzi oraz ustawienia efektu grupowego (Rys. 9). Rysunek 9. Parametry ognia i ludzi Na rysunku Rys.10 widoczny jest wynik programu po wykonaniu 50 pokoleń ewolucji. Na ekranie znajdują się punkty symulujące ludzi uciekających w kierunku wyjścia, oraz rozprzestrzeniający się ogień. Wszystkie zdarzenia rejestrowane są na tablicy ze statystykami. Wśród nich widoczne są, liczba ludzi pozostałych na planszy, uratowanych i zmarłych w pożarze lub wyniku zagniecenia. Informacje te posłużą do wyciągnięcia wniosków eksperymentów (Rys. 11).

12 12 Jacek Czerniak, Andrzej Znaczko Rysunek 10. Wynik programu po wykonaniu 50 pokoleń ewolucji Rysunek 11. Statystyki programu po wykonaniu 50 pokoleń ewolucji Badanie, w którym zostały przedstawione symulacje pożaru budynku zostało oparte o pewne reguły i zależności. Ustawienie poniższych parametrów, wybór wariantów i wbudowane reguły, wszystko to stanowi środowisko, jakie wpływa na śmiertelność ludzi podczas pożaru budynku w zaproponowanych symulacjach; plany kondygnacji budynku, a w tym ustalenie ilości i rozmieszczenia drzwi, rozmieszczanie w budynku określonej liczby ludzi w określonych miejscach, ustawienie parametrów ognia: o ogień wygasa z osamotnienia gdy sąsiadów jest mniej niż 1, o ogień wygasa z przeludnienia gdy sąsiadów jest więcej niż 3, o nowy ogień powstaje gdy sąsiadów jest co najmniej 3, ale nie więcej niż 4. ustawienie parametrów dla ludzi (żywych komórek): o liczba poparzeń po których następuje śmierć to domyślnie 5, umieszczenie źródła ognia na planszy:

13 Propozycja optymalizacji zagrożenia pożarowego z użyciem automatów komórkowych 13 o ustalenie, z jakim prawdopodobieństwem ludzie zmierzają do wyjścia (cztery opcje): 25%, 50%, 75%, 100%, o ustalenie czy ludzie poruszają się do wyjścia w grupach (dwie opcje): efekt grupowy lub bez efektu grupowego. 3. Eksperyment badawczy W eksperymencie przyjęto zasadę, że używa się zawsze trzy plansze o tym samym rozmieszczeniu ognia, ścian i ludzi, lecz o różnej liczbie drzwi (od 1 do 3). Plansza pl_1drzwi_ogień1 przedstawiona na Rys.10 posiada jedno wyjście z budynku oraz jest na niej siedem pomieszczeń, w których umieszczono 70 niebieskich punktów symulujących osoby oraz na czerwono został wzniecony ogień (lewy dolny róg planszy). Pozostałe dwie plansze pl_2drzwi_ogień1 i pl_3drzwi_ogień1 różnią się od siebie ilością drzwi. Na planszy pl_2drzwi_ogień1 jest dwoje drzwi, a na planszy pl_3drzwi_ogień1 są trzy pary drzwi (Rys. 12). Rysunek 12. Przykładowe plansze budynku W wyniku przeprowadzonych badań z programem Symulacja pożaru, wyniki zachowania się ludzi w momencie wybuchu pożaru w budynku przedstawiono w tabeli Tab.1. Zebrane wyniki eksperymentalne zostały podzielone ze względu ma efekt grupowy oraz prawdopodobieństwo, z jakim ludzie zmierzają do wyjścia ewakuacyjnego. Dla jednej planszy przeprowadzono 8 badań, z których otrzymano wyniki liczbowe dotyczące ludzi: zmarłych w pożarze, zagniecionych w tłoku, uratowanych z pożaru.

14 14 Jacek Czerniak, Andrzej Znaczko Tabela 1. Śmiertelność ludzi w efekcie pożaru budynku Efekt grupowy Tak Nie Plany budynku Prawdopodobieństwo zmierzania Prawdopodobieństwo zmierzania ludzi do wyjścia ludzi do wyjścia 25% 50% 75% 25% 50% 75% Liczba ludzi zmarłych/zagniecionych/uratowanych w pożarze pl_1drzwi_ogień1 64/0/6 47/0/23 9/3/58 65/0/5 38/0/32 11/0/59 pl_2drzwi_ogień1 38/0/32 24/0/46 7/0/63 40/0/30 21/0/49 5/0/65 pl_3drzwi_ogień1 43/1/26 24/0/46 9/0/61 39/1/30 18/0/52 11/0/59 pl_1drzwi_ogień2 57/0/13 24/2/44 3/0/67 58/0/12 16/0/54 2/0/68 pl_2drzwi_ogień2 40/0/30 3/0/67 1/0/69 31/0/39 10/0/60 0/0/70 pl_3drzwi_ogień2 28/0/42 1/0/69 0/0/70 23/0/47 5/0/65 0/0/70 pl_1drzwi_ogień3 59/0/11 25/2/43 1/2/67 56/0/14 16/1/53 1/0/69 pl_2drzwi_ogień3 50/0/20 12/1/57 7/0/63 53/0/17 13/0/57 7/0/63 pl_3drzwi_ogień3 42/0/28 3/0/66 0/0/70 41/0/29 5/0/65 0/0/70 Wynik śmiertelności ludzi zależy od miejsca, w jakim zostanie wzniecony ogień. Jeżeli pożar zablokuje jakieś pomieszczenie to ludzie znajdujący się w nim nie mają szansy na ucieczkę i dotarcie do wyjścia nawet, gdy podążają ze 100% prawdopodobieństwem. Efekt grupowy zastosowany w programie wcale nie musi pomagać w ewakuacji ludzi z budynku. Dochodzi do tłoku, ponieważ ludzie szukają innych ludzi by wiązać się w grupy i wtedy dochodzi do zagnieceń. Gdy człowiek nie ma żadnego wolnego ruchu, w którym może się poruszyć, dochodzi do jego zagniecenia. Na wykresach 1 i 2 została przedstawiona liczba uratowanych ludzi, która zmierzała do wyjścia z prawdopodobieństwem 50 i 75%). Liczba uratowanych ludzi (prawdopodobieństwo zmierzania do wyjścia 50%) liczba uratowanych pl_1dr zw i_o gień1 pl_2dr zw i_o gień1 pl_3dr zw i_o gień1 pl_1dr zw i_o gień2 pl_2dr zw i_o gień2 pl_3dr zw i_o gień2 pl_1dr zw i_o gień3 pl_2dr zw i_o gień3 pl_3dr zw i_o gień3 efekt grupow y bez efektu grupow ego rodzaj planszy Rysunek 13. Prawdopodobieństwo zmierzania ludzi do wyjścia 50%

15 Propozycja optymalizacji zagrożenia pożarowego z użyciem automatów komórkowych 15 Liczba uratowanych ludzi (prawdopodobieństwo zmierzania do wyjścia 75%) liczba uratowantych pl_1dr zw i_o gień1 pl_2dr zw i_o gień1 pl_3dr zw i_o gień1 pl_1dr zw i_o gień2 pl_2dr zw i_o gień2 pl_3dr zw i_o gień2 pl_1dr zw i_o gień3 pl_2dr zw i_o gień3 pl_3dr zw i_o gień3 efekt grupow y bez efektu grupow ego rodzaj planszy Rysunek 14. Prawdopodobieństwo zmierzania ludzi do wyjścia 75% 4. Podsumowanie Jest rzeczą niezwykle trudną odzwierciedlić realistycznie pożar w budynku. Zachowanie się ludzi podczas pożaru może być stochastyczne i nieprzewidywalne. Za pomocą automatów komórkowych, których implementację wykorzystano w niniejszym artykule udało się przedstawić symulację ewakuacji ludzi z budynku. Po odpowiedniej konfiguracji programu z prawdopodobieństwem, jakim człowiek podąża do wyjścia, ustawieniem parametrów ognia oraz zaznaczeniem właściwej opcji dotyczącej efektu grupowego można wysunąć następujące wnioski: Liczba ludzi uratowanych z pożaru z wykorzystanym efektem grupowym jest porównywalna do wyników bez efektu grupowego, rezultaty są różne w zależności od rodzaju planszy oraz podłożenia ognia, ale są bardzo zbliżone do siebie, Podczas wykorzystania efektu grupowego w programie dochodzi częściej do śmierci ludzi w wyniku stratowania niż bez zastosowania efektu grupowego. Następuje to wtedy, gdy dany osobnik nie ma możliwości wykonania ruchu w żadnym kierunku. Dzieje się tak, ponieważ symulowane osobniki zbierając się w grupy tworzą obszary o dużym zagęszczeniu, wówczas dochodzi do śmierci w wyniku zadeptania. W użytej podczas eksperymentów implementacji ludzie ze 100% prawdopodobieństwie zmierzania do wyjścia mają największe szanse by się uratować. Podchodząc realistycznie do obserwacji ludzi ewakuujących się z płonącego budynku, stres oraz siłę ognia, które ciągle narastają, bardziej prawdopodobną wartością prawdopodobieństwa, z jakim ludzie się ewakuują optymalnie będą wskaźniki poniżej 75%. Utrudnienia, jakie wpływają na podejmowanie decyzji podczas ewakuacji to m.in. ograniczona widoczność (dym) spowodowana spalaniem się materiałów palnych, podwyższona temperatura oraz toksyczne gazy. Oczywistym jest w tym wypadku to, że żadnemu człowiekowi nie udałoby się przejść w tych wa-

16 16 Jacek Czerniak, Andrzej Znaczko runkach po jak najkrótszej drodze (100% prawdopodobieństwa) podczas ewakuacji z budynku. Liczba drzwi znajdująca się na planszy programu jest bardzo istotna w drodze ewakuacji. Im więcej drzwi ewakuacyjnych tym większe szanse dla ludzi znajdujących się w tym budynku na uratowanie. Przedstawione eksperymenty pozwoliły potwierdzić w sposób symulacyjny, że niefrasobliwe lub bezprawne odcinanie dróg ewakuacji budynków grozi na każdym etapie eksploatacji poważnymi konsekwencjami. Osoby odpowiedzialne za inspekcje ppoż. i budowlane mogą sięgnąć tego typu narzędzi, aby uzasadnić swoje wydawałoby się zbyt restrykcyjne decyzje. Żeby uczynić symulację jeszcze bardziej rzeczywistą warto zastanowić się nad możliwością automatycznej zmiany w programie parametru prawdopodobieństwa podążania do wyjścia. Jest faktem powszechnie znanym, iż z analizy przyczyn i warunków katastrof wynika, że prawdopodobieństwo ocalenia maleje w takt upływającego czasu. Kolejne eksperymenty powinny, zatem ten fakt uwzględniać. Bibliografia [1] Wolfram S. A New Kind of Science. Wolfram Media, Inc, 2002, pp. 64,157. [2] Terrier V., Two-dimensional cellular automata and their neighborhoods, Theoretical Computer Science 312, 2004, pp [3] Stasiewicz A., Życie w 3D, PC Computer 4/2006, [ ]. [4] Furmański P., Grzanek M. Sztuczna inteligencja Podręcznik do wykładów i ćwiczeń. Wydział Matematyki i Informatyki, Uniwersytet Łódzki, kwiecień 2009, Skrypt PDF [5] Madej Ł. Algorytmy ewolucyjne i automaty komórkowe. AGH, ISiM Wydział Inżynieri Metali i Informatyki Przemysłowej, dokument w formie wykładów, Skrypt PDF str [6] Nagel K., Schreckenberg M. A Cellular Automaton Model for Freeway Traffic. J. Physique, Vol. 2 (1992), str [7] Gardner M., Mathematical Games, Scientific American, vol. 223, no. 4, October 1970, pp [8] Andreas Schadschneider, Statistical Physics of Traffic Flow, Physica, A 285, 101 (2000) [9] Anonymous, Expansion for the motorway network, [ ].

17 Object classification in surveillance stream using adaptive background model Paweł Forczmański, Marcin Seweryn West Pomeranian University of Technology, Szczecin Faculty of Comupter Science and Information Technology Abstract: One of the most crucial aspects to be taken into consideration during the development of visual surveillance system is the need to inform the human operator about any unusual situation happening. The paper presents an idea of real-time video stream analysis which leads to the detection and tracking of suspicious objects that have been left unattended. The mathematical principles related to background model creation and detection tuning are included. Developed algorithm has been implemented as a working model involving OpenCV library and tested on benchmark data taken from real visual surveillance system. Keywords: visual surveillance, background model, object detection, object tracking 1. Introduction The word surveillance means regular observations in the aspect of quality and quantity assessment performed on specific environment in the specified period of time. In general, surveillance systems gather information about certain phenomena in order to execute or suggest proper actions, especially when it comes to situations dangerous to human health, life and property or environment. Typical surveillance requires cyclic measures, unified equipment and methods of examination as well as repeatability in analysis of results. There are many types of surveillance: visual surveillance (access control) of open and closed spaces, monitoring of semi-automatic systems employed in environmental protection, industry and health centers. The concept of monitoring is frequently used to describe a class of surveillance systems employed by police forces and other official and private agencies designated to protect civilians. In practice, a visual surveillance is implemented using a closed-circuit television system (CCTV) and is used to maintain close observation of a person or a group of people [1, 2, 3]. The quantity of data produced in the process of visual surveillance is very extensive. In most cases the archiving is needed, e.g. in relation to law enforcement and statistical analysis. Most of the systems used in practice work on digital data stored on hard drives of digital video recorders (DVRs) giving an opportunity to process them using computer-based algorithms like compression, indexing, retrieval, scrambling, etc. It is typical to visual surveillance systems that static camera is aimed at one fixed point in space which does not move during observation. The focal length of camera lens is constant too. Let us assume that a video sequence produced by a system consists of single frames covering rather static background and moving objects in front of it. These objects (e.g. humans or vehicles) move in a stepwise manner, which is caused by reduced frame rate (often equal or less than Metody Informatyki Stosowanej, nr 4/2009 (21), s ISSN Polska Akademia Nauk Oddział w Gdańsku, Komisja Informatyki

18 18 Paweł Forczmański, Marcin Seweryn 25 frames-per-second). In cases when camera or observation point move strongly or there are rapid changes of illumination, the sequence should be cut into segments which are analyzed independently. 2. Proposed system 2.1. Overview We present system that analyses video sequence in order to find potentially security relevant events connected with abandoned objects in public facilities. Proposed system automatically detects foreground objects, classifies them and evaluates their trajectories. We distinguish between only two types of objects that can be present at the scene: people or other possibly dangerous objects. Proposed system consists of adaptive Background Model, Object Tracker and Classifier. Background subtraction is the main task of the background model. Foreground regions are segmented from the present frame in respect to the previously learned background model. Sequence of detected foreground blobs are afterwards sent to the Tracker, which updates tracked objects and tries to predict their next positions. At the beginning of tracking, every newly created object is classified by the Object Classifier and its label is stored in Object Tracker. In the end bounding boxes of tracked objects are marked on the output frame. A simplified scheme of the proposed system is depicted in Fig. 1. Figure 1. Overview of the proposed framework

19 Object classification in surveillance stream using adaptive background model Background Model We employ adaptive background model similar to the one proposed in [4], in which every pixel is modeled by a mixture of Gaussians in r, g, and b channels. In our approach we use five Gaussians distributions for each pixel in the frame. Every pixel value from the current frame is checked against the existing Gaussians in the corresponding position in the background model. If no match is found the least probable Gaussian is replaced by the new distribution with the current value as a mean. Afterwards, weights of existing Gaussians are updated according to the following: weights of distributions that do not correspond with the new pixel value are decreased, while the weights of distributions that suite the new pixel value are increased. Parameters of unmatched distributions remain the same. The parameters of the distribution which matches the new observation are updated as follows: µ t = (1 ρ)µ t 1 + ρx t, (1) σ 2 t = (1 ρ)σ 2 t 1 + ρ(x t µ t ) T (X t µ t ), (2) ρ = αη(x t µ k, σ k ), (3) where X t is a new pixel value, η is a Gaussian probability density function, α is a learning rate, µ and σ are distribution parameters. Background subtraction operation results in an image mask of possible foreground pixels which are grouped using connected components. Main drawback of most of the background modeling methods is the lack of shadow suppressing functions. Shadow casted by the moving objects can be a root of serious problems. It can greatly affect localization and detection of objects present at the scene. In proposed system we use a shadow detection method described in [5]. Method used in the described system detects shadows in Hue Saturation Value color space which is proven to correspond closer to human perception of color than the RGB color space. Used method bases on the observation that casted shadow darkens the point while chrominance of shaded and open regions does not vary much. This assumption can be easily depicted in HSV color space and turns detecting shadow problem into checking three simple conditions 1 if α IV (x,y) β B V (x,y) (IS (x, y) B S (x, y)) τ S SP (x, y) = I H (x, y) B H (x, y) τ h 0 otherwise where SP is a detected binary shadow mask, α, β, τ h, τ s are empirically chosen parameters (according to heuristic approach described in [5]), I is a present frame, B is a background image and H, S and V superscripts point which component of HSV pixel should be used, x and y are pixel coordinates in the image. Initial condition checks the first part of the assumption that shadow darkens the region, whereas next two conditions check if hue and saturation for shaded and open regions do not vary too much Object Tracker Detected foreground objects are tracked by Object Tracker. Each tracked object is associated with an information about its bounding box, last and predicted position, serial number and group label. Object Tracker uses Kalman filters to predict next positions of objects [6]. (4)

20 20 Paweł Forczmański, Marcin Seweryn Objects are tracked from frame to frame in a stepwise manner using predicted position or correspondence between their last position and foreground blobs. Matching detected foreground blobs to tracked objects is done by constructing association matrix similar to the one proposed in [7]. For all pairs of blobs and objects we measure euclidean distance from predicted position of object to the center of the foreground blob, if the foreground blob includes predicted position. If foreground region does not include predicted position, but it intersects with last bounding box of the tracked object we measure distance from the center of bounding box to the center of the blob. If the foreground blob does not include predicted position and does not intersect with the object, distance between them is equal to plus infinity and will be ignored. After evaluating distance between all pairs of blobs and objects, objects are updated using blobs which are closest to them. If a blob has no matched object, a new tracked object is created. On the other hand when the object has not matched any foreground blob for several frames, it s removed Object Classifier Classifier module consists of two single classifiers that use different features. The first classifier is using Histograms of Orientated Gradients which was proposed in [8]. The second classifier used in the system bases on Haar-like features and was described by Viola and Jones in [9]. In the beginning, every object sent to classifier module is classified by the HOG-based classifier and then, in case of negative result, is classified once more by the Haar-based classifier. This method of classification aims to suppress number of false-negatives and reduces the number of computation. Images of objects sent to the HOG classifier are divided into small rectangular regions, called cells. For each cell, histogram of gradient orientations is evaluated. Afterwards, cells are grouped into overlapping larger spatial groups, called blocks. To improve performance, every block is contrast normalized. The Final descriptor of the object is a vector of all normalized cell responses from all of the blocks. In the end, classification of descriptor is done by the soft margin linear SVM 1. Haar-like features are rectangular regions divided into smaller rectangles which are labeled white or black. Feature value is equal to difference between sum of pixels which lie within white and black rectangles. Single Haar-like feature is a weak classifier and cannot be used to recognize complex objects like human silhouette. To improve their performance and create the strong classifier, the Adaboost algorithm is used to create cascades of simple Haar-like features. In the cascade, next feature is evaluated only if answer of the previous feature equaled the expected value, otherwise classification is finished with the negative label. Finally, the system marks and labels detected and classified objects. The color of the bounding box is set accordingly to the object s label: green for objects classified as people and red for other objects. It all can be seen in Fig Results The system described in the previous section has been implemented in the C++ using opencv library. At a resolution of 360x288, we achieved 6-7 frames per second on an average 1,74GHz PC. The implemented system was evaluated on the PETS 2006 benchmark data, which was recorded at busy railway station in London [1].The aim of the PETS 2006 scenarios is to detect left luggage items in the public space. Video sequences contains people moving 1 Support Vector Machine