Обзор методов обнаружения движущегося объекта по видеоизображениям

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Внедрение системы позволит, в режиме «on-line», осуществлять мониторинг и контроль за реализацией проектов.
Целью данной публикации является предложение распространить успешный опыт внедрения корпоративной системы управления, внедрённый в Группе ГАЗ в реализацию региональных и федеральных проектов.
Список литературы:
1. Медведев Д. Национальные проекты: от стабилизации — к развитию // Газета «Коммерсантъ». — № 9 (3585). — 25. 01. 2007.
2. Руководство к Своду знаний по управлению проектами. Третье издание (Руководство PMBOK). — Project Management Institute, Inc. г. Пенсильвания (США), 2004 г.
3. Аристов С. Многофункциональные имитационные системы поддержки принятия решений в управлении предприятий. — М.: Финансы и статистика, 2007.
4. Негойце К. Применение теории систем к проблемам управления. -М.: Мир, 1987.
5. Богданов В. Управление проектами в Microsoft Project 2003. — СПб.: «Питер», 2004.
ОБЗОР МЕТОДОВ ОБНАРУЖЕНИЯ ДВИЖУЩЕГОСЯ ОБЬЕКТА ПО ВИДЕОИЗОБРАЖЕНИЯМ © Скрипкина А. А. *
Юго-Западный государственный университет, г. Курск
Поведен обзор методов обнаружения движущегося объекта по видеоизображениям. Рассмотрены некоторые алгоритмы, применяемые для вычитания фона.
Обнаружение движущихся объектов в видеопотоках представляет значительный интерес ввиду широкого применения в различных областях -видеонаблюдении, автоматизированном транспортном контроле, оптическом захвате движения, сегментации видеоданных, кодированию видеосигнала.
Первый шаг в обнаружении объекта заключается в нахождении всех его возможных вариантов на изображении. Часто это делается посредством методов, основанных на моделировании, которые сравнивают отдельные области изображения с полученными моделями объекта.
Существует несколько разных подходов для решения задач по обнаружению объекта. Они могут быть разделены на два класса: методы, основанные на временных различиях, и моделирование и вычитание заднего
* Аспирант кафедры «Биомедицинская инженерия».
фона. Первый подход, возможно, самый простой, способный к приспосабливанию к изменениям изображения с более низкой вычислительной нагрузкой.
Первые работы по выявлению движущихся объектов, написанные в конце 70-х годов XX в. были основаны на различии смежных видеокадров. Решающие правила во многих алгоритмах 70−80-х годов были представлены как критерии статистических гипотез. В 90-х годах XX в. множество методов развивались в направлении исследования изменения положения пикселов изображения. Использовались как каждый пиксел по-отдельности, так и небольшие блоки пикселов. В 90-х годах были предложен комплексный метод опознавания [1], а в 2005 [2] предложен метод «от противного», основанный на принципе Гельмгольца. Цель данного метода состояла в том, что опознавался видеокадр, не содержащий движущегося объекта.
Методы, основанные на различии соседних кадров очень чувствительны к шуму и к изменениям освещенности. Когда число кадров в последовательности велико и между последовательными кадрами существует незначительное изменение, другим решением для обнаружения движущегося объекта является моделирование и вычитание фона. Пикселы переднего плана можно определить как те, для которых значение интенсивности отлично от среднего значения модели фона.
Модель фона обновляется спустя определенный промежуток времени. Эта модель используется для вычитания фона для обнаружения изменений на переднем плане. В качестве простейшей модели можно использовать первый видеокадр. Вычитание данного изображения из последующих грубо представит движущийся объект. Такая простая схема вычитания может работать на простых сценах с однородным контрастом и незначительными изменениями.
Множество работ описывают решение задач по выделению фона при помощи использования статистических функций: функции среднего, медианы, а также с помощью распределения Гаусса (каждая точка изображения моделируется с помощью распределения Гаусса с вычисленным средним значением интенсивности). Данный метод моделировал каждую точку изображения с помощью распределения Гаусса с вычисленным средним значением интенсивности.
Оливер Н. [3] с коллегами предложили модель для сегментации движущегося объекта, в которой размерность пространства, построенного из типовых изображений, сокращена с помощью метода главных компонент. После применения метода главных компонент пространство содержит только статические части сцены, если изображение движущегося объекта проектируется в это пространство, то оно будет растянутым. Однако данный метод не может смоделировать динамические сцены полностью.
Для изменяющихся фонов, таких как, волны или движущиеся деревья, параметрические методы снижают чувствительность обнаружения объекта. Поэтому, когда фон не является статичным и его изменения слишком быстры, более подходящими для вычитания фона становятся непараметрические под-
ходы. Например, в [4] использовались изображения фона для оценки возможности наблюдения интенсивности пиксела непараметрическим способом без какого-либо предположения о форме вероятностного распределения.
Для более точного обнаружения движущегося объекта очевидна необходимость в определении его тени. Недостаточное различие объекта и его теней приводит к следующим ошибкам: искажению формы объекта, что впоследствии может привести к неправильной классификации. Для удаления теней может использоваться анализ яркости и оттенков пикселов. Наличие тени часто способствует изменению яркости при неизменности оттенка.
На рис. 1 представлена схема процесса обнаружения движущегося объекта. Под посторонними объектами и их тенями понимаются объекты и их тени, классифицируемые как движущиеся, но на самом деле являющиеся статичными. Посторонние объекты можно назвать ложно положительными результатами.
Рис. 1. Схема процесса обнаружения движущегося объекта
Комбинация нескольких измеряемых признаков может улучшить классификацию пикселов, относящихся к переднему плану или фону. Для проблем классификации и принятия решений успешно начали применяться интеграл Шоке и интеграл Суджено. В [5] использовались признаки текстуры и цвета, сгруппированные с помощью интеграла Суджено, для вычисления степени сходства между текущим пикселом и пикселами фона. В работе [6] признаки текстуры и цвета обрабатывались интегралом Шоке. Использовались следующие цветовые модели: 01йа, ЖУ и УСгСЪ. Алгоритм, основанный на интеграле Шоке в пространстве УСгСЪ, отличался большей устойчивостью к наличию теней и изменению освещенности по отношению к интегралу Суджено в пространстве 0Ы: а.
В [7] для классификации переднего плана и фона использовались признаки цветности и контрастности в КвВ-пространстве. Несовпадение яр-
кости блоков пикселов использовалось для обнаружения теней. Для отслеживания объекта и прогнозирования его расположения на изображении использовались алгоритмы нечеткой логики, комбинирующие используемые признаки для принятия решения.
Таким образом, в настоящее время наибольшее развитие получили методы, основанные на моделировании и вычитании фона ввиду их большей устойчивости к помехам и изменениям освещенности. В настоящее время методы вычитания фона основываются на использовании непараметрических алгоритмов, основе нечеткой логики, а также комбинированных алгоритмов.
Список литературы:
1. Rosin P. Thresholding for change detection // Proc. Int. Conf. Computer vision. — 1998. — P. 274−279.
2. Veit T., Cao F., and Bouthemy P. A maximality principle applied to a contrario motion detection // Proc. Int. Conf. Image Processing. — 2005.
3. Oliver N., Rosario B., Pentland A. A Bayesian Computer Vision System for Modeling Human Interactions // IEEE Transactions on Pattern Analysis and Machine Intelligence — Volume 22. — Issue 8. — August 2000.
4. Elgammal A., Harwood D., Davis L. Non-parametric model for background subtraction // Proc. Europ. Conf. Computer Vision. — 2000.
5. Zhang H., Xu D. Fusing Color and Texture Features for Background Model // Third International Conference on Fuzzy Systems and Knowledge Discovery. — Vol. 4223. — №. 7. — P. 887−893. — Sept. 2006.
6. Baf F.E. Fuzzy Integral for Moving Object Detection / F.E. Baf, T. Bo-uwmans, B. Vachon // FUZZ-IEEE. — 2008.
7. Sivabalakrishnan M., Manjula Dr. D. Adaptive Background Subtraction in Dynamic Environment using Fuzzy Logic // International Journal on Computer Science and Engineering. — 2009. — Vol. 2. — P. 270−273.
СРЕДА МОДЕЛИРОВАНИЯ КАНАЛОВ ПЕРЕДАЧИ ДАННЫХ (СМКПД) © Смирнов М. В. *
Военная академия войсковой противовоздушной обороны Вооруженных сил Российской Федерации им. маршала Советского Союза А. М. Василевского, г. Смоленск
В настоящее время широкое распространение получили имитационные модели автоматизированных систем управления (АСУ), основная цель
* Адъюнкт кафедры Управления огнем (АСУ войсковой ПВО).

ПоказатьСвернуть
Заполнить форму текущей работой