автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Математическое моделирование и разработка алгоритмов обнаружения и измерения параметров сторонних объектов в системах наблюдения

На правах рукописи УДК 551.501.793

ПЕШКОВ НИКОЛАИ НИКОЛАЕВИЧ

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И РАЗРАБОТКА АЛГОРИТМОВ ОБНАРУЖЕНИЯ И ИЗМЕРЕНИЯ ПАРАМЕТРОВ СТОРОННИХ ОБЪЕКТОВ В СИСТЕМАХ НАБЛЮДЕНИЯ

05.13.18 - Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата физико-математических наук

Ставрополь - 2004

Работа выполнена в Ставропольском государственном университете

Научный руководитель: доктор физико-математических наук, профессор Каплан Лев Григориевич

Официальные оппоненты:

Заслуженный деятель науки РФ, доктор технических наук, профессор Червяков Николай Иванович Кандидат физико-математических наук, доцент Толпаев Владимир Александрович

Ведущая организация:

Высокогорный геофизический институт РАН (г.Нальчик)

Защита состоится 5 ноября 2004 года в 14 часов 30 минут на заседании диссертационного совета Д 212.256.05 при Ставропольском Государственном университете по адресу: 355000, г. Ставрополь, ул. Пушкина, 1.

С диссертацией можно ознакомиться в библиотеке Ставропольского государственного университета.

Автореферат разослан <кЛО » С^факЛ 2004 г.

Ученый секретарь

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

В настоящее время широкое распространение получили методы опосредованного технического наблюдения, позволяющие с помощью технических средств производить регистрацию и исследование объектов и явлений, недоступных непосредственному восприятию.

Техническое наблюдение осуществляется с использованием систем наблюдения, включающих в себя совокупность средств, необходимых для слежения за объектами, которые являются целями наблюдения. Техническое наблюдение включает в себя обнаружение целей и измерение параметров принимаемого от них сигнала, характеризующего относительное положение и скорость взаимного перемещения системы наблюдения и целей, а также размеры целей, их конфигурацию, ориентацию и т.д.

Особую актуальность в настоящий момент имеют системы видеонаблюдения, которые применяются при решении задач охраны и контроля доступа на промышленных и торговых предприятиях, в жилых и административных зданиях, а также военных объектах. Зона наблюдения представляет собой область пространства, доступную для регистрации видеокамерами системы и состоящую из совокупности фоновых объектов. Основной задачей автоматизированных систем наблюдения является определение появления в зоне наблюдения сторонних объектов, не принадлежащих элементам фоновой обстановки.

Основой большинства современных систем видеонаблюдения являются телекамеры на основе приборов с зарядовой связью (ПЗС-матриц), способные в реальном времени преобразовывать световое изображение в электрический сигнал и, таким образом, решить задачу централизованного наблюдения за объектом достаточно большой площади, сведя к минимуму наблюдающий персонал.

Диссертационная работа посвящена рассмотрению задачи обнаружения и измерения параметров сторонних объектов в системах наблюдения. Решение данной задачи было сведено автором к построению математических моделей, приемлемо описывающих структуру как шумовой, так и полезной составляющей реального сигнала. На основе построенных моделей была синтезирована схема оптимального фильтра для разделения составляющих сигнала. Дальнейшая обработка сигнала сводится к классификации полезного сигнала в зависимости от его принадлежности фоновым объектам или сторонним объектам.

Применительно к системам метеорадиолокации [1,2,3], автором рассмотрена задача обнаружения метеоцелей (облаков и облачных систем) на фоне мешающих отражений от местных предметов (горы, сооружения) и шума. Теоретические результаты, полученные в ходе рассмотрения этой задачи, использованы при оптимизации структуры и алгоритмов функционирования систем видеонаблюдения.

НиС.

Ы1ЛЯ

БИБЛИОТ*"* СПетерв 09 300

В последние годы происходит существенное изменение структуры систем видеонаблюдения, связанное с использованием аналого-цифрового преобразования выходного сигнала. Установка АЦП позволяет осуществить интерфейс между камерами наблюдениями и типовыми персональными ЭВМ. Это, в свою очередь, позволяет производить обработку сигнала с помощью специализированных алгоритмов, что в подавляющем числе случаев оказывается эффективнее создания аналоговых модулей с заданными параметрами.

В процессе постановки задачи были отмечены следующие недостатки существующих систем видеонаблюдения:

1) малая ширина линейного участка светочувствительного элемента видеокамер, не позволяющая обеспечивать работу систем видеонаблюдения в реальных условиях изменения освещенности без применения дополнительных средств;

2) отсутствие или излишне упрощенная схема анализа изображения, не обеспечивающая необходимой надежности системы;

3) малые интеллектуальные возможности систем, не позволяющие классифицировать объекты по требуемым критериям.

Работа проводилась на кафедре теоретической физики Ставропольского государственного университета под руководством доктора физико-математических наук, профессора Каплана Л. Г.

Цель работы

Диссертационная работа посвящена разработке эффективного решения задачи обнаружения и измерения параметров сторонних объектов в системах видеонаблюдения.

Объект и предмет исследования

Объектом исследования является выходной сигнал приемно-регистрирующего устройства системы наблюдения. Предметом исследования является связь структуры и параметров выходного сигнала с определенными изменениями обстановки в зоне наблюдения.

Задачи исследования

Для достижения цели исследования автором решены следующие задачи:

1. Определены типичные физические условия функционирования систем видеонаблюдения и предложены общие рекомендации для поддержания рабочей точки системы.

2. Разработана математическая модель выходного сигнала приемно-регистрирующего устройства (видеокамеры), основанная на априорных сведениях о характеристиках сигналов объектов наблюдения и источников шума.

3. На основе данной модели произведен синтез устройства оптимального обнаружения сигнала посторонних объектов на фоне шума.

4. Разработаны алгоритмы, реализующие функциональность устройства оптимального обнаружения численными методами.

5. Предложены методы вторичной обработки сигнала, позволяющие определять основные характеристики объектов наблюдения.

Методы исследования

В работе применен общий подход к нахождению оптимального статистического решения для обнаружения полезного сигнала на фоне шумов, при наличии априорных сведений о структуре сигналов. В качестве критерия оптимальности был выбран минимум величины времени необнаруженного присутствия стороньего объекта в точке при заданном среднем интервале ложного срабатывания системы.

Основная гипотеза исследования

Предполагается, что выходной сигнал приемного тракта системы видеонаблюдения состоит из аддитивной смеси шумовой составляющей и сигнала объекта наблюдения. При этом шумовая составляющая достаточно хорошо описывается моделью белого шума, а полезный сигнал имеет форму, близкую к форме прямоугольного импульса.

Научная новизна

1. Разработана математическая модель выходного сигнала приемного тракта системы видеонаблюдения.

2. Разработаны методы обработки движущихся изображений, сочетающие высокую эффективность с простотой реализации и низкими требованиями к вычислительным мощностям оборудования.

3. Разработана модель системы видеонаблюдения, реализующая многоуровневый анализ изображений и алгоритмы принятия решений.

Достоверность и обоснованность теоретических положений и экспериментальных результатов обусловлены следующими факторами:

1. Корректность применения апробированного математического аппарата (теории статистических решений, геометрии, дискретной математики).

2. Хорошее согласование теоретических выводов с результатами компьютерного моделирования и натурных испытаний.

Положения, выносимые на защиту

1. Методы поддержания оптимальных условий видеонаблюдения в условиях изменяющейся естественной и искусственной освещенности.

2. Математическая модель выходного сигнала АЦП в системе видеонаблюдения.

3. Алгоритм двухпороговой временной селекции объектов.

4. Алгоритм пространственной селекции объектов.

5. Метод измерения координат объектов с помощью пары видеокамер.

Личный вклад автора.

Автором произведен обширный анализ современных решений в области организации систем видеонаблюдения, предложена математическая модель выходного сигнала приемного тракта системы видеонаблюдения, разработаны алгоритмы анализа изображений, а также практически реализована компьютерная модель системы видеонаблюдения и произведены ее натурные испытания в различных условиях.

Публикации и апробация полученных результатов.

Автором опубликовано 8 научных работ по теме диссертации, включая две публикации в центральной печати. Подана заявка на выдачу патента РФ на изобретение «Устройство выделения сигнала постороннего объекта». Эффективность предложенных решений проверена в ходе эксплуатации компьютерной модели системы в реальных условиях и подтверждена актом внедрения на государственном унитарном предприятии «Краевая техническая инвентаризация» (г. Ставрополь).

Практическая значимость работы

1. Приведенный анализ условий и методов организации видеонаблюдения позволяет производить проектирование и реализацию эффективных систем.

2. Разработанные алгоритмы и компьютеризованные устройства для их реализации повышают помехоустойчивость и надежность реагирования и расширяют другие возможности систем наблюдения.

3. Минимальный набор предложенных вычислительных инструкций позволяет оптимальным образом реализовывать специализированные устройства видеонаблюдения, что существенно улучшает их экономическую эффективность.

Структура и содержание диссертации

Работа состоит из введения, четырех глав, заключения, списка литературы и приложения.

Первая глава посвящена обзору публикаций, отражающих основные специфические особенности систем видеонаблюдения.

Особое внимание уделено рассмотрению задачи сжатия динамического диапазона входного сигнала, необходимого для поддержания нормального функционирования системы в изменяющихся условиях. Диапазон амплитудных значений сигнала на входе приемно-регистрирующего устройства обычно на несколько порядков превышает ширину линейного участка приемного тракта. В системах метеорадиолокации причиной этому является значительный разброс отражательных свойств метеообъектов и расстояний до них, в системах видеонаблюдения - широкий диапазон значений освещенности при суточном и годовом ходе.

Для сжатия динамического диапазона в метеорадиолокационных системах применяется логарифмическое преобразование выходного сигнала. Однако, в связи с очень большим динамическим диапазоном выходного сигнала в системах видеонаблюдения этого метода недостаточно и для ограничения светового потока при повышенной освещенности необходимо введение дополнительных оптико-механических устройств и приспособлений. Приведен обзор схем управления указанными устройствами корректировки чувствительности видеокамеры.

При пониженной естественной освещенности необходимой задачей становится обеспечение качественной искусственной подсветки. Использование для этих целей видимого света не всегда является приемлемым из энергетических соображений и требований к скрытности функционирования системы наблюдения. Использование инфракрасной подсветки во многом лишено описанных недостатков, однако многие объекты наблюдения обладают различными светоотражательными свойствами в различных диапазонах, что может привести к ошибкам их идентификации.

Таким образом, в первой главе приведен обзор наиболее типичных ситуаций и решений при видеонаблюдении и показано, что необходимо применение специальных методов и соответствующих устройств для поддержания оптимальных условий при естественном и искусственном освещении.

Во второй главе производится анализ широко применяемых в радиолокации оптимальных статистических методов обнаружения сигнала цели на фоне шумов. Оптимальные методы обработки сигнала, обеспечивают минимальное значение некоторого статистического признака, соответствующего наиболее критичному событию, при фиксировано заданных остальных параметрах наблюдения. Часто в качестве критерия оптимальности используют

минимум вероятности пропуска цели при заданной вероятности

ложного обнаружения сигнала. В качестве другого критерия оптимальности

может быть использовано время необнаруженного существования цели

при заданном среднем времени ложного срабатывания системы.

Задача анализа сигналов сводится к определению статистических различий между параметрами полезного сигнала и шумов. Выбор метода обнаружения определяется конструктивными особенностями и требованиями к тактико-техническим характеристикам системы.

Особо важной задачей в данном случае является выбор модели сигнала, которая бы с приемлемой точностью описывала структуру реального сигнала и в то же время позволяла произвести синтез простого в реализации устройства или алгоритма обнаружения сигнала объектов наблюдения на фоне шумов.

В ходе анализа существующих подходов к моделированию процессов в электронных цепях в качестве модели помех была выбрана модель белого

шума - идеализированного случайного процесса с равномерной спектральной характеристикой 5(й>):

где - дельта-функция Дирака.

В качестве модели сигнала стороннего объекта был выбран прямоугольный импульс длительностью Т имеющий спектральную характеристику

№

Для выбранных моделей получен комплексный коэффициент передачи оптимального фильтра, обеспечивающего максимум выходного напряжения в момент окончания импульса, и на его основе синтезирована схема фильтра.

В третьей главе автором проанализированы широко используемые алгоритмы обработки изображений. Большинство алгоритмов состоит из двух основных шагов:

1) препарирование - преобразование изображений из естественной формы, представленной функцией яркости, в форму, удобную для машинной обработки. К такому преобразованию относят, в частности, пороговую обработку, приводящую к формированию двухградационного изображения, одна из градаций которого представляет полезные объекты, а другая - фон. Основными подходами к пороговой обработке является разделение элементов изображения по уровню яркости, либо по градиенту яркости — такой подход применяется при определении контуров изображений;

2) фильтрация - удаление искажений, вызванных воздействием шумовых источников различного рода. Наиболее часто используемым общим подходом к фильтрации изображений является метод обработки «скользящим окном». Данный метод заключается в поочередном определении значений точек отфильтрованного изображения на основе некоторого правила, которое связывает значение ключевой точки со значениями группы соседних точек изображения. Специфические методы обработки отличаются размерами и формой «окна» (группы точек), а также правилом определения значения ключевой точки.

Большинство алгоритмов обработки изображений включают в себя оба описанных Этапа обработки, причем их параметры и последовательность выполнения могут существенно варьироваться.

Следует отметить, что рассмотренные методы ориентированы на обработку отдельных изображений в предположении того, что сторонние и фоновые объекты известным образом отличаются по яркости. Однако специфика видеонаблюдения не позволяет однозначно классифицировать наблюдаемые

объекты по уровню яркости, поскольку один и тот же объект может быть как фоновым, так и сторонним в зависимости от ситуации.

Опираясь на вышесказанное, автор считает более эффективным применение описанных алгоритмов к разностному изображению, полученному с использованием текущего изображения и эталонного изображения, на котором каким-либо образом выделены только фоновые объекты.

Применение пространственных методов фильтрации не всегда оправдано из-за большого числа выполняемых операций, а также из-за отсутствия универсального критерия эффективности фильтрования.

В четвертой главе приводится описание предлагаемых автором решений основных задач, связанных с повышением уровня автоматизации систем видеонаблюдения и надежности их функционирования.

Предложен алгоритм подавления шума [7], реализующий функционирование синтезированного ранее оптимального фильтра. На основе предложенного алгоритма определен критерий присутствия стороннего объекта в заданной точке кадра:

Рассмотрена задача выбора эталонного изображения . Согласно предложенному алгоритму двухпороговой временной селекции, элементами фона становятся точки изображения, в которых непрерывно обнаруживалось присутствие некоторого объекта в течение заданного интервала времени (второго временного порога)

В последнем выражении тя - время непрерывного присутствия объекта в точке при получении изображения. Введение более низкого

первого временного порога иногда требуется для предупреждения

ложных срабатываний системы при одиночных кратковременных изменениях в зоне наблюдения.

В случае, когда на изображении обнаруживается два и более пространственно разделенных объекта, вычисление их параметров по алгоритмам, определенным для одиночных объектов будет малоинформативно.

В указанном контексте задача селекции при известности всех точек изображения, в которых присутствие посторонних объектов считается установ-

где =

к=0

где г„О0,у0) = Я„(х0,у0)[г„_,(х0,у0) + Мя].

ленным, сводится к определению принадлежности каждой из таких точек к конкретному объекту.

Автором предложен алгоритм пространственной селекции объектов, позволяющий определять всю совокупность точек, принадлежащих изображению объекта при указании любой из принадлежащих ему точек.

Суть данного алгоритма в следующем. На рисунке 1 серым цветом представлены изображения нескольких объектов, черным цветом отмечена произвольно выбранная точка одного из них. Необходимо проверить наличие

стороннего объекта в точках, непосредственно прилегающих к Ад1, а имен-

то, в точкахве (Хо -1,^0),Сй(х0 Ов1(х0,у0 -1), Ев1(х0,у0 +1)

Далее, точка перемещается в каждую из четырех прилегающих точек и описанный алгоритм повторяется. Через определенное количество итераций будут определены все точки, принадлежащие выбранному объекту.

Рисунок ]. Первые итерации алгоритма пространственной селекции объектов.

Аналогично определяются точки, принадлежащие остальным объектам. Таким образом, результатом последовательного выполнения описанных алгоритмов является некоторая функция значения которой соответствуют номерам объектов, которым принадлежат точки с указанными координатами.

Особо важной задачей является определение положения наблюдаемого объекта в пространстве. Данная задача не реализуема при использовании только одной видеокамеры. Использование анализа стереопарных изображений, полученных с разнесенных на некоторое расстояние соосно направленных видеокамер, при малом разрешении последних приводит к значительной погрешности измерений.

Автором предложен метод измерения пространственных координат объектов с помощью системы из двух перпендикулярно расположенных видеокамер (рисунок 2). В случае присутствия объекта на обоих изображениях его

координаты определяются выражениями *

где X , уА - смещения условного центра изображения • объекта от центра матриц видеокамер соответственно.

Приведена структура компьютерной модели системы видеонаблюдения,. реализованной на основе описанных алгоритмов и результаты ее натурного испытания.

Для исследования эффективности подавления белого шума были использованы записи различных реальных сцен, в том числе слабоосвещенных, содержащих шумы источника питания, внешние помехи, наведенные через не-экранированный кабель передачи видеосигнала, а также шумы системы автоматической регулировки усиления, наиболее отчетливо проявляющиеся в условиях пониженной освещенности.

Результаты одного из экспериментов показаны на рисунке 3.

m^.y^.sixo.y,)

100

80

60

Исходный сигнал

Отфильтрованный сигнал

40

20

0

Номер кадра

-20 -I

Рисунок 3. Пример выполнения алгоритма подавления белого шума.

Для оценки эффективности алгоритма временной селекции использовались видеозаписи сцен с движущимися объектами различного количества и величины. Для снятия характеристик обработки изображений визуально выбирались точки трех типов:

1) точки, в которых не наблюдалось появление посторонних объектов;

2) точки, в которых наблюдалось кратковременное появление посторонних

3) точки, в которых посторонние объекты появлялись и оставались постоянными или задерживались на длительное время.

Результаты одного из экспериментов показаны на рисунке 4. Кривые отображают время присутствия объекта в точке в миллисекундах:

где Atn « const« 40мс, первый порог был установлен на отметке 250 мс,

второй - на отметке 2000 мс.

Сплошной линией обозначен ход данной функции в точке, где посторонние объекты появлялись кратковременно - на графике можно обнаружить не менее трех точек превышения первого порога, второй же порог не превышался значением функции ни разу, что не позволяет считать обнаруживаемые объекты установившимися элементами фона.

Пунктирной линией отмечен ход функции в точке, где один из объектов задерживался на время, превышающее второй порог. Объект останавливается в данной точке примерно в 220-м кадре, в 270-м кадре происходит превышения порога в 2000 мс, и значение освещенности в данной точке переносится в эталонное изображение. Таким образом, указанный объект перестает быть посторонним, а время его присутствия в данной точке становится равным

объектов;

(*0 ,Уо) = Кп (*0 > У0 )(V1 + Atn )

нулю. Такая ситуация остается практически постоянной до того момента, как на 440-м кадре объект покидает исследуемую точку и на его месте вновь появляется исходный элемент фона. Таким образом, через две секунды после перемещения объекта эталонное изображение переходит в первоначальное состояние.

г„,мс 2500

2000

1500

1000 500 0

1 56 111 166 221 276 331 386 441 496 551 606 661

Рисунок 4. Диаграмма выполнения алгоритма двухпороговой временной селекции объектов.

В ходе испытаний компьютерная модель показала устойчивое функционирование и адекватность реакции на различные изменения в зоне наблюдения. Таким образом, в четвертой главе приведены данные экспериментов, подтверждающие эффективность предложенных автором алгоритмов.

В приложении приведены тексты программных реализаций описанных алгоритмов на Ассемблере. Выбор данного языка обусловлен повышенными требованиями ко времени исполнения алгоритмов и возможностью их переноса на микроконтроллерные устройства с ограниченным набором команд.

Заключение

В работе проведены исследования, касающиеся основных задач, возникающих при использовании средств технического наблюдения. Предложенные решения применимы к системам наблюдения различной структуры и назначения. Основной акцент в работе сделан на создание помехоустойчивой модели системы видеонаблюдения, включающей алгоритмы анализа изображений с целью подавления шумов, обнаружения присутствия и измерения параметров посторонних объектов.

Исходя из результатов исследования, сделаны следующие выводы.

1 .Существенное значение для обеспечения помехоустойчивости и адекватно -

сти принятия решений в автоматизированной системе видеонаблюдения имеет правильная организация условий наблюдения, включающая следующие

моменты:

1.1. Для ограничения светового потока в светлое время суток необходимо комплексное применение оптико-механических и электронных средств корректировки чувствительности видеокамер. В качестве таковых наиболее часто используют ирисовые диафрагмы, светофильтры и регулировку времени экспозиции ПЗС - матрицы.

1.2. При пониженной освещенности важна правильная организация искусственной подсветки. Использование инфракрасной подсветки при всех неоспоримых достоинствах обладает рядом особенностей, связанных с различием характеристик чувствительности видеокамер и светоотражатель-ных свойств объектов в видимом и инфракрасном диапазоне.

2. Предложен ряд методов и алгоритмов, позволяющих расширить функциональность и повысить помехоустойчивость систем наблюдения.

2.1. Алгоритм подавления белого шума, позволяющий при амплитуде шумов, соизмеримой с амплитудой полезных изменений, производить достоверное выявление полезного сигнала, основанное на различии его временных характеристик с характеристиками белого шума.

2.2. Алгоритм двухпороговой временной селекции объектов, позволяющий производить селекцию посторонних объектов по времени их присутствия в определенной области изображения и выявлять посторонние объекты, состояние которых остается постоянным настолько, что они могут быть признаны установившимися элементами фона.

2.3. Алгоритм пространственной селекции объектов, позволяющий определить набор точек, принадлежащих каждому из объектов, в случае присутствия на изображении нескольких посторонних объектов; производить индивидуальные измерения характеристик каждого из объектов, а также -дополнительную селекцию шумовых объектов, размеры которых обычно значительно меньше размеров важных объектов.

2.4. Метод измерения пространственных координат объектов, позволяющий при помощи системы из двух перпендикулярно расположенных видеокамер производить измерение всех трех координат объекта, а также -пространственную селекцию множественных объектов по координате, измеряемой обеими камерами.

3. Реализована компьютерная модель системы видеонаблюдения, включающая модуль анализа изображений, построенный на основе предложенных алгоритмов. В ходе натурных испытаний модель показала высокую устойчивость и адекватность реагирования в различных достаточно сложных условиях.

Список публикаций по теме диссертационного исследования

1. Каплан Л.Г., Пешков Н.Н. Цифровое моделирование системы сбора и обработки метеорадиолокационной информации // 46-я научно-методическая конференция преподавателей и студентов «21 век-век образования»: Тез.докл. - Ставрополь, 2001. С. 115-116.

2. Пешков Н.Н. Моделирование радиолокационного сигнала протяженных метеорологических объектов и местных предметов // Региональная научная конференция «Теоретические и прикладные проблемы современной физики»: Тез. докл. - Ставрополь, 2002. С. 177-178.

3. Пешков Н.Н. Численная модель метеорадиолокационной системы // Краевая научно-практическая конференция «Молодежь и наука III тысячелетия»: Тез.докл. - Ставрополь, 2002. С.76-77.

4. Пешков Н.Н. Моделирование процесса обнаружения и измерения параметров объектов на видеоизображениях // Обозрение прикладной и промышленной математики. - М.: Редакция журнала «ОПиПМ», 2003. - т.Ю. - Вып. 3. -С.721-722.

5. Пешков Н.Н. Алгоритм пространственной селекции множественных объектов на видеоизображениях // XVII международная научная конференция "Математические методы в технике и технологиях":Тез.докл. - Кострома, 2004. С.66-67.

6. Пешков Н. Н Определение положения объекта в пространстве с помощью системы из двух видеокамер // Пятая всероссийская конференция «Наука -XXI веку»: Тез.докл. - Майкоп, 2004. С.164-165.

7. Пешков Н.Н. Подавление белого шума на видеоизображениях // 49-я научно-методическая конференция «Университетская наука - региону»:Тез.декл. -Ставрополь, 2004. С. 48-49.

8. Пешков Н.Н. Временная селекция объектов на видеоизображениях // Обозрение прикладной и промышленной математики. - М.: Редакция журнала «ОПиПМ», 2004. -т.И. - Вып. 2. - С.387-388.

Отпечатано в ООО «Агентство СН». г. Ставрополь, пр. Карла Маркса, 78, тел. (8652) 94-10-89 Подписано в печать 13.092004 Заказ №1309. Тираж 100 экз. Формат 145 X 205. Бумага офсетная, 80 г/м2

ВВЕДЕНИЕ

ГЛАВА 1. ВИДЕОНАБЛЮДЕНИЕ КАК СПЕЦИФИЧЕСКИЙ ТИП ТЕХНИЧЕСКОГО НАБЛЮДЕНИЯ

1.1. Общие сведения о наблюдении.

1.2. Основные особенности и недостатки систем наблюдения.

1.3. Физические характеристики регистрирующих устройств систем видеонаблюдения.

1.4. Видеонаблюдение в условиях естественной и искусственной освещенности.

1.5. Методы коррекции чувствительности телевизионных камер.

1.6. Характеристики передачи контраста изображения в сложных условиях освещенности.

ГЛАВА 2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ВЫХОДНОГО СИГНАЛА ПРИЕМНОГО ТРАКТА СИСТЕМЫ ВИДЕОНАБЛЮДЕНИЯ.

2.1. Задачи и методы оптимальной обработки сигналов.

2.2. Оптимальная обработка в условиях неполной информации.

2.3. Структура устройств оптимальной обработки сигнала.

2.4. Построение математической модели выходного сигнала АЦП на основе априорных сведений.

2.5. Синтез оптимального фильтра и оценка его эффективности.

ГЛАВА 3. ОБЗОР СУЩЕСТВУЮЩИХ АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

3.1. Функция яркости как математическая модель изображения.

3.2. Двумерные линейные системы.

3.3. Дискретизация и средства ввода изображений.

3.4. 2Р-последовательности и системы.

3.5. Методы поэлементной обработки изображений.

3.6. Методы выделения контуров изображений.

3.7. Метод обработки изображения «скользящим окном».

3.8. Модели помех при регистрации изображений и алгоритмы их фильтрации.

ГЛАВА 4. РАЗРАБОТКА И ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА АЛГОРИТМОВ ОБНАРУЖЕНИЯ И ИЗМЕРЕНИЯ ПАРАМЕТРОВ ОБЪЕКТОВ НА ВИДЕОИЗОБРАЖЕНИЯХ

4.1. Структура цифровой системы видеонаблюдения и особенности представления видеосигнала в цифровой форме.

4.2. Критерий присутствия объекта в точке.

4.3. Характеристики объектов видеонаблюдения

4.4. Определение присутствия постороннего объекта на видеоизображении в существующих системах видеонаблюдения.

4.5. Модификация критерия присутствия объекта в точке с использованием фильтрации белого шума.

4.6. Двухпороговая временная селекция объектов.

4.7. Алгоритм пространственной селекции множественных объектов и ограничения области анализа изображения.

4.8. Определение положения светящегося точечного объекта.

4.9. Структура и характеристики аппаратно-программного интерфейса, обеспечивающего преобразование видеоизображений в цифровую форму.

4.10. Исследование эффективности алгоритмов выделения сигнала постороннего объекта на фоне белого шума и фоновых объектов.

Актуальность темы исследования

В настоящее время все более широкое распространение получают методы опосредованного технического наблюдения, позволяющие с помощью разнообразных технических средств производить регистрацию и исследование объектов и явлений, недоступных непосредственному восприятию.

Техническое наблюдение осуществляется с использованием систем наблюдения, включающих в себя совокупность средств, необходимых для слежения за объектами, которые являются целями наблюдения. Техническое наблюдение включает в себя обнаружение целей и измерение параметров принимаемого от них сигнала, характеризующего относительное положение и скорость взаимного перемещения системы наблюдения и целей, а также размеры целей, их конфигурацию, ориентацию и т.д.

По существу задачами, решаемыми посредством систем технического наблюдения, являются задачи радиолокации, радиоастрономии, оптической астрономии и т.д., касающиеся обнаружения и измерения параметров объектов некоторого вида (в частности, быстродвижущихся и внезапно появляющихся) на фоне других объектов и шума. В последнее время особую актуальность приобрели системы видеонаблюдения, которые применяются при решении задач охраны и контроля доступа на промышленных и торговых предприятиях, в жилых и административных зданиях, а также военных объектах. Структура и назначение систем наблюдения могут быть самыми различными, однако задачи и методы обработки данных наблюдения имеют много схожих признаков.

При решении задач видеонаблюдения по сей день часто используются системы аналогового типа, содержащие только регистрирующие устройства (видеокамеры) и устройства отображения (мониторы). Данные системы имеют наименьший уровень автоматизации и ответственность за принятие решений практически полностью ложится на наблюдателя.

Несмотря на то, что в данный момент существуют достаточно эффективные методы анализа сигналов и изображений, их практическая реализация в виде аналоговых устройств весьма затруднена из-за чрезвычайно высокой сложности, неидеальности параметров и сложностей с оперативной настройкой данных узлов.

С бурным развитием электронных технологий и вычислительной техники стало возможным и экономически выгодным преобразование высокочастотных сигналов в цифровой код с помощью специализированных быстродействующих аналого-цифровых преобразователей. Однако использование преобразованного сигнала зачастую сводится к простому вводу информации в ЭВМ для последующего отображения и сохранения на цифровых носителях. Задача автоматизированного принятия решений в таких системах также либо не решается вовсе, либо решается малоэффективными методами.

Цель работы

Диссертационная работа посвящена разработке эффективного решения задачи обнаружения и измерения параметров сторонних объектов в системах видеонаблюдения.

Объект и предмет исследования

Объектом исследования является выходной сигнал приемно-регистрирующего устройства системы наблюдения. Предметом исследования является связь структуры и параметров выходного сигнала с определенными изменениями обстановки в зоне наблюдения.

Задачи исследования

Для достижения поставленной цели автором решены следующие задачи:

1. Определены типичные физические условия функционирования систем видеонаблюдения и предложены общие рекомендации для поддержания рабочей точки системы.

2. Разработана математическая модель выходного сигнала приемно-регистрирующего устройства (видеокамеры), основанная на априорных сведениях о характеристиках сигналов объектов наблюдения и источников шума.

3. На основе данной модели произведен синтез устройства оптимального обнаружения сигнала посторонних объектов на фоне шума.

4. Разработаны алгоритмы, реализующие функциональность устройства оптимального обнаружения численными методами.

5. Предложены методы вторичной обработки сигнала, позволяющие определять основные характеристики объектов наблюдения.

Методы исследования

В работе применен общий подход к нахождению оптимального статистического решения для обнаружения полезного сигнала на фоне шумов, при наличии априорных сведений о структуре сигналов. В качестве критерия оптимальности был выбран минимум величины времени необнаруженного присутствия стороннего объекта в точке при заданном среднем интервале ложного срабатывания системы.

Основная гипотеза исследования

Предполагается, что выходной сигнал приемного тракта системы видеонаблюдения состоит из аддитивной смеси шумовой составляющей и сигнала объекта наблюдения. При этом шумовая составляющая достаточно хорошо описывается моделью белого шума, а полезный сигнал имеет форму, близкую к форме прямоугольного импульса.

Научная новизна

• Разработаны методы обработки движущихся изображений, сочетающие высокую эффективность с простотой реализации и низкими требованиями к вычислительным мощностям оборудования.

• Разработана модель системы видеонаблюдения, реализующая многоуровневый анализ изображений и алгоритмы принятия решений.

Достоверность и обоснованность теоретических положений и экспериментальных результатов обусловлены следующими факторами:

1. Корректность применения апробированного математического аппарата теории статистических решений, геометрии, дискретной математики).

2. Хорошее согласование теоретических выводов с результатами компьютерного моделирования и натурных испытаний.

Положения, выносимые на защиту

Методы поддержания оптимальных условий видеонаблюдения в условиях изменяющейся естественной и искусственной освещенности. Математическая модель выходного сигнала АЦП в системе видеонаблюдения.

Алгоритм двухпороговой временной селекции объектов. Алгоритм пространственной селекции объектов. Метод измерения координат объектов с помощью пары видеокамер.

Личный вклад автора

Автором произведен обширный анализ современных решений в области организации систем видеонаблюдения, предложена математическая модель выходного сигнала приемного тракта системы видеонаблюдения, разработаны алгоритмы анализа изображений, а также практически реализована компьютерная модель системы видеонаблюдения и произведены ее натурные испытания в различных условиях.

1.

2.

3.

4.

5.

Публикации и апробация полученных результатов.

Автором опубликовано 8 научных работ по теме диссертации, включая две публикации в центральной печати. Подана заявка на выдачу патента РФ на изобретение «Устройство выделения сигнала постороннего объекта».

Эффективность предложенных решений проверена в ходе эксплуатации компьютерной модели системы в реальных условиях и подтверждена актом внедрения на государственном унитарном предприятии «Краевая техническая инвентаризация» ( г.Ставрополь).

Практическая значимость работы

• Приведенный анализ условий и методов организации видеонаблюдения позволяет производить проектирование и реализацию эффективных систем.

• Разработанные алгоритмы и компьютеризованные устройства для их реализации повышают помехоустойчивость и надежность реагирования и расширяют другие возможности систем наблюдения.

• Минимальный набор предложенных вычислительных инструкций позволяет оптимальным образом реализовывать специализированные устройства видеонаблюдения, что существенно улучшает их экономическую эффективность.

Структура и общая характеристика работы

Работа проводилась на кафедре теоретической физики Ставропольского государственного университета под руководством доктора физико-математических наук, профессора Каплана JI. Г.

Работа состоит из введения, четырех глав, заключения, списка литературы и приложения.

Первая глава посвящена обзору публикаций, отражающих основные специфические особенности систем видеонаблюдения.

Особое внимание уделено рассмотрению задачи сжатия динамического диапазона входного сигнала, необходимого для поддержания нормального функционирования системы в изменяющихся условиях. Диапазон амплитудных значений сигнала на входе приемно-регистрирующего устройства обычно на несколько порядков превышает ширину линейного участка приемного тракта. В системах метеорадиолокации причиной этому является значительный разброс отражательных свойств метеообъектов и расстояний до них, в системах видеонаблюдения - широкий диапазон значений освещенности при суточном и годовом ходе.

Для сжатия динамического диапазона в метеорадиолокационных системах применяется логарифмическое преобразование выходного сигнала. Однако, в связи с очень большим динамическим диапазоном выходного сигнала в системах видеонаблюдения этого метода недостаточно и для ограничения светового потока при повышенной освещенности необходимо введение дополнительных оптико-механических устройств и приспособлений. В качестве таковых обычно используют ирисовые диафрагмы и светофильтры. Кроме того, дополнительное расширение диапазона достигается регулированием времени экспозиции ПЗС — матрицы. Приведен обзор схем управления указанными устройствами корректировки чувствительности видеокамеры.

При пониженной естественной освещенности необходимой задачей становится обеспечение качественной искусственной подсветки. Использование для этих целей видимого света не всегда является приемлемым из энергетических соображений и требований к скрытности функционирования системы наблюдения. Использование инфракрасной подсветки во многом лишено описанных недостатков, однако многие объекты наблюдения обладают различными светоотражательными свойствами в различных диапазонах, что может привести к ошибкам их идентификации.

Таким образом, в первой главе приведен обзор наиболее типичных ситуаций и решений при видеонаблюдении и показано, что необходимо применение специальных методов и соответствующих устройств для поддержания оптимальных условий при естественном и искусственном освещении.

Во второй главе производится анализ широко применяемых в радиолокации оптимальных статистических методов обнаружения сигнала цели на фоне шумов. Оптимальные методы обработки сигнала, обеспечивают минимальное значение некоторого статистического признака, соответствующего наиболее критичному событию, при фиксировано заданных остальных параметрах наблюдения. Часто в качестве критерия оптимальности используют минимум вероятности пропуска цели р», при заданной вероятности ложного обнаружения сигнала. В качестве другого критерия оптимальности может быть использовано время необнаруженного существования цели *ц при заданном среднем времени ложного срабатывания системы.

Обнаружение сигнала на фоне шумов зачастую происходит в условиях априорной неопределенности некоторых параметров распределений и woium) t а также полного отсутствия информации об этих распределениях. В данном случае получение оценок указанных распределений производится на этапе обучения, на основе анализа реализаций сигнала, о которых известно, что они представляют собой смесь шума и сигнала цели.

Таким образом, задача анализа сигналов сводится к определению статистических различий между параметрами полезного сигнала и шумов. Выбор метода обнаружения определяется конструктивными особенностями и требованиями к тактико-техническим характеристикам системы.

Особо важной задачей в данном случае является выбор модели сигнала, которая бы с приемлемой точностью описывала структуру реального сигнала и в то же время позволяла произвести синтез простого в реализации устройства или алгоритма обнаружения сигнала объектов наблюдения на фоне шумов.

В ходе анализа существующих подходов к моделированию процессов в электронных цепях в качестве модели помех была выбрана модель белого шума - идеализированного случайного процесса с равномерной спектральной характеристикой: ао

S(co)= \8{т)е~)а*dr = S0.

-00

В качестве модели сигнала стороннего объекта был выбран прямоугольный импульс длительностью г имеющий спектральную характеристику

1 - eJuir

JCO

Для выбранных моделей получен комплексный коэффициент передачи оптимального фильтра, обеспечивающего максимум выходного напряжения в момент окончания импульса, и на его основе синтезирована схема фильтра.

В третьей главе автором рассмотрены широко используемые алгоритмы обработки изображений. Большинство алгоритмов состоит из двух основных шагов:

1) препарирование - преобразование изображений из естественной формы, представленной функцией яркости, в форму, удобную для машинной обработки. К такому преобразованию относят, в частности, пороговую обработку, приводящую к формированию двухградационного изображения, одна из градаций которого представляет полезные объекты, а другая — фон. Основными подходами к пороговой обработке является разделение элементов изображения по уровню яркости, либо по градиенту яркости — такой подход применяется при определении контуров изображений;

2) фильтрация - удаление искажений, вызванных воздействием шумовых источников различного рода. Наиболее часто используемым общим подходом к фильтрации изображений является метод обработки «скользящим окном». Данный метод заключается в поочередном определении значений точек отфильтрованного изображения на основе некоторого правила, которое связывает значение ключевой точки со значениями группы соседних точек изображения. Специфические методы обработки отличаются размерами и формой «окна» (группы точек), а также правилом определения значения ключевой точки.

Большинство алгоритмов обработки изображений включают в себя оба описанных этапа обработки, причем их параметры и последовательность выполнения могут существенно варьироваться.

Следует отметить, что рассмотренные методы ориентированы на обработку отдельных изображений в предположении того, что сторонние и фоновые объекты известным образом отличаются по яркости. Однако специфика видеонаблюдения не позволяет однозначно классифицировать наблюдаемые объекты по уровню яркости, поскольку один и тот же объект может быть как фоновым, так и сторонним в зависимости от ситуации.

Опираясь на вышесказанное, автор считает более эффективным применение описанных алгоритмов к разностному изображению, полученному с использованием текущего изображения и эталонного изображения, на котором каким-либо образом выделены только фоновые объекты.

Применение пространственных методов фильтрации не всегда оправдано из-за большого числа выполняемых операций, а также из-за отсутствия универсального критерия эффективности фильтрования.

В четвертой главе приводится описание предлагаемых автором решений основных задач, связанных с повышением уровня автоматизации систем видеонаблюдения и надежности их функционирования. Приведена структура компьютерной модели системы видеонаблюдения, реализованной на основе описанных алгоритмов и результаты ее натурного испытания.

Предложен алгоритм подавления шума, реализующий функционирование синтезированного ранее оптимального фильтра. На основе предложенного алгоритма определен критерий присутствия стороннего объекта в точке:

R(x ) = М(*002ЬГ,.

КХ,У) 10,S(x,y)<Ts, где k=Q

Рассмотрена задача выбора эталонного изображения Y0. Согласно предложенному алгоритму двухпороговой временной селекции, элементами фона становятся точки изображения, в которых непрерывно обнаруживалось присутствие некоторого объекта в течение заданного интервала времени (второго временного порога) тот: Г» , где

0 > .Ко ) = К (*о . У о )\?п-1 (xfl,>'o) + A/J.

В последнем выражении г„ - время непрерывного присутствия объекта в точке (х0,у0) при получении «-го изображения. Введение более низкого первого временного порога т^ <тзт иногда требуется для предупреждения ложных срабатываний системы при одиночных кратковременных изменениях в зоне наблюдения.

В случае, когда на изображении обнаруживается два и более пространственно разделенных объекта, вычисление их параметров по алгоритмам, определенным для одиночных объектов будет малоинформативно.

В указанном контексте задача селекции при известности всех точек изображения, в которых присутствие посторонних объектов считается установленным, сводится к определению принадлежности каждой из таких точек к конкретному объекту.

Автором предложен алгоритм пространственной селекции объектов, позволяющий определять всю совокупность точек, принадлежащих изображению объекта при указании любой из принадлежащих ему точек.

Особо важной задачей является определение положения наблюдаемого объекта в пространстве. Данная задача не реализуема при использовании только одной видеокамеры. Использование анализа стереопарных изображений, полученных с разнесенных на некоторое расстояние соосно направленных видеокамер, при малом разрешении последних приводит к значительной погрешности измерений.

Автором предложен метод измерения пространственных координат объектов с помощью системы из двух перпендикулярно расположенных видеокамер. у—

В случае присутствия объекта на обоих изображениях его координаты определяются выражениями х'„ х = т+ FAFB-yAXB )

FAFB-yAXB где х'я, у'А - смещения условного центра изображения объекта от центра матриц видеокамер В и А соответственно.

Для исследования эффективности подавления белого шума были использованы записи различных реальных сцен, в том числе слабоосвещенных, содержащих шумы источника питания, внешние помехи, наведенные через неэкранированный кабель передачи видеосигнала, а также шумы системы автоматической регулировки усиления, наиболее отчетливо проявляющиеся в условиях пониженной освещенности.

Для оценки эффективности алгоритма временной селекции использовались видеозаписи сцен с движущимися объектами различного количества и величины. Для снятия характеристик обработки изображений визуально выбирались точки трех типов:

1) точки, в которых не наблюдалось появление посторонних объектов,

2) точки, в которых наблюдалось кратковременное появление посторонних объектов

3) точки, в которых посторонние объекты появлялись и оставались постоянными или задерживались на длительное время.

В ходе испытаний компьютерная модель показала устойчивое функционирование и адекватность реакции на различные изменения в зоне наблюдения.

В приложении приведены тексты программных реализаций описанных алгоритмов на Ассемблере. Выбор данного языка обусловлен повышенными требованиями ко времени исполнения алгоритмов и возможностью их переноса на микроконтроллерные устройства с ограниченным набором команд.

Выводы

1) Изображение в реальной системе видеонаблюдения неизбежно содержит шумы, вызванные как внешними источниками, так и обусловленные физическими принципами функционирования оборудования. Некоторую часть шумов обычно не удается подавить организационными мерами. Ввиду большого количества источников шумов, является затруднительным точное определение характера суммарного шума, однако неплохие результаты дает предположение о том, что суммарный шум имеет равномерную спектральную характеристику.

2) Для подавления белого шума рекомендуется производить суммирование величин изменения освещенности в течение нескольких периодов измерения. Различие между статистическими характеристиками белого шума и устойчивых изменений, вызванных появлением посторонних объектов, при суммировании проявляется более отчетливо.

3) Измерение длительности непрерывного присутствия объекта в точке позволяет производить дополнительную селекцию медленно перемещающихся объектов на фоне быстрых изменений освещенности, вызванных шумами.

4) Введение второго временного порога присутствия объекта в точке позволяет определять объекты, не изменяющие своего положения в течение определенного промежутка времени, которые могут быть признаны установившимися объектами фона и внесены в эталонный кадр.

5) В случае, когда на изображении присутствуют несколько объектов, для корректного анализа необходимо определить точки, которые^ принадлежать каждому из них. Эта задача может быть решена с помощью предложенного алгоритма пространственной селекции объектов.

6) Для корректного определения геометрических характеристик объекта необходимо измерить все его пространственные координаты. Эту задачу возможно решить с помощью предложенного метода, основанного на применении системы из двух перпендикулярно расположенных видеокамер.

ЗАКЛЮЧЕНИЕ

В работе проведены исследования, касающиеся основных задач, возникающих при использовании средств технического наблюдения. Предложенные решения применимы к системам наблюдения различной структуры и назначения. Основной акцент в работе сделан на создание помехоустойчивой модели системы видеонаблюдения, включающей алгоритмы анализа изображений с целью подавления шумов, обнаружения присутствия и измерения параметров посторонних объектов.

Исходя из результатов исследования, сделаны следующие выводы.

1 .Существенное значение для обеспечения помехоустойчивости и адекватности принятия решений в автоматизированной системе видеонаблюдения имеет правильная организация условий наблюдения, включающая следующие моменты.

1.1. Для ограничения светового потока в светлое время суток необходимо комплексное применение оптико-механических и электронных средств корректировки чувствительности видеокамер. В качестве таковых наиболее часто используют ирисовые диафрагмы, светофильтры и регулировку времени экспозиции ПЗС — матрицы.

1.2. При пониженной^ освещенности важна правильная организация искусственной подсветки. Использование инфракрасной подсветки при всех неоспоримых достоинствах обладает рядом особенностей, связанных с различием характеристик чувствительности видеокамер и светоотражательных свойств объектов в видимом и инфракрасном диапазоне.

2. Предложен ряд методов и алгоритмов, позволяющих расширить функциональность и повысить помехоустойчивость систем наблюдения.

2.1. Метод измерения пространственных координат объектов, позволяющий при помощи системы из двух перпендикулярно расположенных видеокамер производить измерение всех трех координат объекта, а также - пространственную селекцию множественных объектов по координате, измеряемой обеими камерами.

2.2. Алгоритм подавления белого шума, позволяющий при амплитуде шумов, соизмеримой с амплитудой полезных изменений, производить достоверное выявление полезного сигнала, основанное на различии его временных характеристик с характеристиками белого шума.

2.3. Алгоритм двухпороговой временной селекции объектов, позволяющий производить селекцию посторонних объектов по времени их присутствия в определенной области изображения и выявлять посторонние объекты, состояние которых остается постоянным настолько, что они могут быть признаны установившимися элементами фона.

2.4. Алгоритм пространственной селекции объектов, позволяющий определить набор точек, принадлежащих каждому из объектов, в случае присутствия на изображении нескольких посторонних объектов; производить индивидуальные измерения характеристик каждого из объектов, а также - дополнительную селекцию шумовых объектов, размеры которых обычно значительно меньше размеров важных объектов.

3. Реализована компьютерная модель системы видеонаблюдения, включающая модуль анализа изображений, построенный на основе предложенных алгоритмов. В ходе натурных испытаний модель показала высокую устойчивость и адекватность реагирования в различных достаточно сложных условиях.

1. Абрамов О.В., Инберг С.П. Параметрический синтез настраиваемых технических систем. /Отв. редактор. В.П. Чипулис. АН СССР, Дальневосточный научный центр, Институт автоматики и процессов управления — М.: Наука, 1986. 121с.

2. Авербах И.Л., Цурков В.И. Оптимизация в блочных задачах с целочисленными переменными. М.: Наука, изд. фирма «Физ.- мат. лит.», 1995.-225с.

3. Адаптивная оптика. Межвуз. сб. статей. Казанский авиационный институт им. А. Н. Туполева. Казань, КАИ, 1987, 83с.

4. Адаптивные системы автоматического управления. Респ. межвед. научно-технический сборник. /Министерство высшего и профессионального образования УССР. Киев, Тэхника, 1973 — 141с.

5. Алгоритмы обработки сигналов в радиоэлектронных устройствах. Сб. статей. / Под. ред. Федорова И. Б. М., изд-во МГТУ, 1989, 168с.

6. Александров А. Г. Оптимальные и адаптивные системы. Учебное пособие для вузов по специальности «Автоматика и управление в технических системах». М., Высшая школа, 1989, 262с.

7. Арзуманян Э. П. Способ измерения координат объектов по телевизионному изображению. Патент РФ 2189701, 20.09.2002.

8. Артюхин Б. Н. и др. Телевизионная техника: справочник. Под общ. ред. Ю. Б. Зубарева, Г. Л. Глорионова. М., Радио и связь, 1994, 312с.

9. Астапов Ю. М. и др. Теория оптико-электронных следящих систем. М., 1988,324с.

10. Ю.Бакулев П. А., Стекин В. М. М., Методы и устройства селекции движущихся целей. М., Радио и связь, 1986,286с.

11. П.Барсуков А.С., Летуновский А.В. Телевизионные системы. Изд-во МО СССР, 1986,376с.

12. Басби Е.С. Фильтр с переменной оптической плотностью для камер. Патент США, кл.350/314 No3700314. 1972.

13. Башкиров О.А., Бовырин А.В., Губанов А.В., Родюшкин К.В., Куря-кин В.Ф. "Real-time search and recognition of objects in the image by the structural template." // Распознавание образов анализ изображений, т. 11, №2,2001, с. 138-140.

14. Бовырин А.В., Губанов А.В., Курякин В.Ф., Родюшкин К.В., Чудинович Б.М. "Многослойный анализ фотоизображений: метод, алгоритмы, приложения." // Искусственный интеллект, №2, Донецк, 2000, с.322-327.

15. Болнокин В. Е. Чинаев П. И. Анализ и синтез систем автоматического управления на ЭВМ: Алгоритмы и программы. М., Радио и связь, 1991,255с.

16. Бухштабер В. М. и др. Конструирование интерактивных систем анализа данных. М., «Финансы и статистика», 1989, 117с.

17. Быков Р. Е., Гуревич С. Б. Анализ и обработка цветных и объемных изображений. М., Радио и связь, 1984 —284с.

18. Вабщевич П. Н. Численное моделирование / Под ред. А. А. Самарского. М., изд-во МГУ, 1993, 152с.

19. Вагин В. Н. Дедукция и обобщение в системах принятия решений. М., Наука, 1988,383 с.

20. Валов Н. И. и др. Оптические головки телепередающих камер цветного телевидения. Справочник. Под общ. ред. О. Н. Василевского. Л., Машиностроение, Ленингр. отделение, 1988, 111с.

21. Василенко Г. И., Тараторин А. М. Восстановление изображений. М., Радио и связь, 1986, 301с.

22. Воеводин В. В. Математические модели в параллельных процессах. М., Наука, 1986. 296с.

23. Воронцов М.А., Шмальгаузен В. И. Принципы адаптивной оптики. М., Наука, 1985,335с.

24. Галкин О.Е., Губанов А.В., Ильинов Н.В. "О поиске прямоугольников на векторной модели изображения с помощью преобразования Хоха." // 11-я международная конференция по компьютерной графике и машинному зрению ГрафиКон'2001, с.98-105.

25. Геометрические модели и алгоритмы. Межвуз. темат. сб. трудов. /Ленингр. инж. строит, ин-т, Л., ЛИСИ, 1986, 79с.

26. Гершберг А.Е. Электронные глаза телевидения. М., Радио и связь, 1989, 76с.

27. Голд Б., Рейдер Ч. Цифровая обработка сигналов. — М.: Сов. радио, 1973.-367с.

28. Губанов А.В., Куликов А.В. "Алгоритм поиска прямоугольников на векторной модели изображения." // 11-я международная конференция по компьютерной графике и машинному зрению ГрафиКон'2001, с.208-214.

29. Дворкович А.В. и др. Цифровая обработка телевизионных и компьютерных изображений. Под. ред. Ю. Б. Зубарева, В.П. Дворковича. М., Международный центр научной и технической информации, 1997,212с.

30. Джеонг-Ван Ко. Устройство для выделения сигнала движущегося изображения. Патент РФ 2113068, 10.06. 1998.

31. Джечанг Джеонг, Воойоун Ахн. Способ и устройство для сравнения сигнала изображения между соседними кадрами и оценки движения изображений. Патент РФ 02117412, 10.08.1998.

32. Друзин Я. В. Многострочные телевизионные системы: учебное пособие. /Ленингр. электротехнический институт связи им. М. А. Бонч-Бруевича, Л., ЛЭИС, 1988 32 с.

33. Дэвис М. Линейное оценивание и стохастическое управление. Пер. с английского М.В. Бурлашева, А. А. Новикова. М., Наука, 1984, 205с.

34. Ершов К. Г., Дементьев С. Б. Видеооборудование: справочное пособие. СПб., Лениниздат, 1993,271с.38.3олтан В. Современная видеозапись. Пер. с венг. И. С. Балаша. Под. ред. Л. С. Виленчика. М., Радио и связь, 1987 171с.

35. Иваненко А. Г., Степашко В. С. Помехоустойчивость моделирования. Киев, Наук, думка, 1985, 214с.

36. Иконика: цифровая обработка видеоинформации. Сб. науч. трудов. Отв. ред. Ю. М. Штарьков. М., Наука, 1989, 128с.

37. Йонг-Ван Ко. Устройство выделения сигнала движущегося изображения. Патент РФ 2113067, 10.06.1998.

38. Каплан Л. Г. Исследование статистических методов обнаружения и измерения параметров метеоцелей. Кандидатская диссертация. Главная геофизическая обсерватория, Ленинград, 1983.

39. Каплан Л. Г. Оптимизация обнаружения распределенной множественной цели на фоне белого шума. Труды ВГИ, 1981, вып. 50.

40. Каплан JI. Г., Абшаев М. Т. Некоторые возможности радиолокационного обнаружения распределенной множественной цели на фоне местных предметов и белого шума. Труды ВГИ, 1982, вып. 48.

41. Каплан Л.Г. Оптимальное обнаружение объекта на фоне нормального шума сигналов от других объектов. Вопросы радиоэлектроники, 1968, вып. 8.

42. Каплан Л.Г., Пешков Н.Н. Цифровое моделирование системы сбора и обработки метеорадиолокационной информации. //Материалы 46 н-м конференции преп. и студ. «21 век-век образования» Изд-во Ставропольского государственного университета. 2001г. с.115.

43. Кириллов В. И. Высокоэффективные системы информационного обмена для пространственно разнесенных телевизионных комплексов. Минск, Вышейшая школа, 1989 — 210с.

44. Коваленко И. Н. Вероятностный анализ и оптимизация. Киев: Наук, думка, 1989, 191с.

45. Кодирование и обработка изображений. Сб. статей АН СССР, Институт проблем передачи информации. М., Наука, 1988, 180с.

46. Козлов В. Н. и др. Вычислительные методы синтеза систем автоматизированного управления. Ленингр. политехнический институт им. М. И. Калинина. Л., ЛГУ, 1989 222с.

47. Колесников А. А., Гельфет А.Г. Проектирование многокритериальных систем управления промышленными объектами. М., Энерго-атомиздат, 1987 151с.

48. Колин К. Т., Смаглиенко Т. Г. Стереотелевидение. Учебное пособие. /Ленингр. электротехнический институт связи им. М. А. Бонч-Бруевича. Л., ЛЭИС, 1991, 18с.

49. Красильников Н. Н. Теория передачи и восприятия изображений. Теория передачи изображений и ее приложения. М., Радио и связь, 1986-246с.

50. Кривошеев В. И., Федунин В.Г. Интерактивное телевидение. М., Радио и связь, 2000, 341с.

51. Купер Дж., Макгиллен К. Вероятностные методы анализа сигналов и систем. Пер. с англ. Е.М. Лиговецкого, Л.И. Папкова. Под ред. В. Т. Горяинова. М., Мир, 1989, 376с.

52. Курякин В.Ф., Бовырин А.В., Губанов А.В., Родюшкин К.В. "Solution of video information recognition tasks on the basis of multi-level vector image processing in real time." // Распознавание образов анализ изображений, т. 11, №2, 2001.

53. Лаврус B.C. Практика измерений в телевизионной технике. М., Солон: Наука и техника, 1996, 192с.5 8.Лобанов В.Д., Е.В. Соловьёв, Н.Е. Уваров, Н.Г. Хитрово. Управление чувствительностью камер на ФПЗС. Техника кино и телевидения. № 9. 1988. С. 12-16.

54. Мамаев Н.С. Цифровое телевидение. М., Горячая линия — телеком, 2001, 178с.

55. Матвеев И. Н и др. Адаптация в информационных оптических системах. Под. ред. Н. В. Устинова. М., Радио и связь, 1984 343с.

56. Матвеев Н. М., Доценко А. В. Математическое моделирование реальных процессов. Л., Ленингр. орг. о-ва «Знание» РСФСР, 1985, 32 с.

57. Математические методы моделирования и системного анализа в условиях неполной информации. Сб. научных трудов АН УССР, ин-т кибернетики им. В.М. Глушкова. Науч. совет АН УССР по пробл. «Кибернетика». Киев: ИК, 1991, 79с.

58. Математические методы управления несколькими динамическими процессами. М., изд. МГУ, 1990, 196с.

59. Математические модели и вычислительные методы. Сб. трудов факультета вычисл. математики и кибернетики МГУ, под ред. А. Н. Тихонова, А. А. Самарского. М., изд-во МГУ, 1987, 269 с.

60. Математические модели, методы и системы обработки информации и принятия решений. Харьковский авиац. ин-т им. Н. Е. Жуковского, Харьков, 1988, 186с.

61. Математическое моделирование и дискретная оптимизация. Сб. статей / АН СССР, ВЦ. Отв. ред. А.А. Петров, М., ВЦ АН СССР, 1987, 78 с.

62. Математическое моделирование и методы оптимизации. Межвуз. сб. трудов. Горьковский гос. университет им. Н.И. Лобачевского, Горький, ГТУ, 1989, 159с.

63. Меркл Бернд, Заэнгер Иене. Способ и устройство для определения величины шума, которая соответствует шуму сигнала. Патент РФ 2155456,27.08.2000.

64. Методы классификации и оптимизации в прикладных задачах. Сб. научн. трудов. /АН СССР, Урал, отделение. Отв. ред. В. М. Кисляк, А. И. Смирнов, Свердловск, УрО АН СССР, 1988, 103с.

65. Муттер В. М. Основы помехоустойчивой телепередачи информации. Л., Энергоатомиздат, Ленингр. отделение, 1990 -282с.

66. Неизвестный С.И., Никулин О.Ю. "Приборы с зарядовой связью -основа современной телевизионной техники. Основные характеристики ПЗС", "Специальная техника", № 5,1999.

67. Новые системы телевидения: цифровые методы обработки изображений. М., Радио и связь, 1992, 88с.

68. Орлов В.А., Петров В.И. Приборы наблюдения ночью при ограниченной видимости. М. Военное издательство, 1989.

69. Петраков А. В. Телевидение предельных возможностей (регистрация быстропротекающих процессов). М., Знание, 1991, 62с.

70. Петропавловский В.А. и др. Телевизионные передающие камеры. М., Радио и связь, 1990, 303с.

71. Пешков Н. Н. Моделирование процесса обнаружения и измерения параметров объектов на видеоизображениях. //Обозрение прикладной и промышленной математики, т. 10, вып. 3. М.: Редакция журнала «ОПиПМ», 2003, с.721-722.

72. Пешков Н. Н. Моделирование радиолокационного сигнала протяженных метеорологических объектов и местных предме-тов.//Материалы Региональной научной конференции «Теоретические и прикладные проблемы современной физики». Ставрополь, 2002, с. 177.

73. Пешков Н. Н. Подавление белого шума на изображениях. //Материалы 49-й научно-методической конференции преподавателей и студентов «Университетская наука региону». Изд-во Ставропольского государственного университета, 2004., с. 48.

74. Пешков Н. Н. Устройство выделения сигнала постороннего объекта. Заявка на патент РФ №2004110413.

75. Полупроводниковые формирователи сигналов изображения. Под ред. П. Йесперса Изд-во "Мир", М.,1979, с. 337-373.

76. Попов А. Комплексы компьютерной обработки в системах видеоконтроля//http:Wdaily.sec.ru. 08.04.2002 20:07.

77. Попов А. Трансфокатор не панацея, а всего лишь выход из положения // http:Wdaily.sec.ru. 06.10.2003 02:00.

78. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов / Пер. с англ. под ред. Ю.Н. Александрова. — М.:Мир, 1978с.-848с.

79. Рекурсивные преобразователи информации. Учеб. пособие для вузов по спец. «Прикладная математика». Киев, Вища школа, 1987, 230с.

80. Руцков М. Видеодетекторы — взгляд изнутри (часть вторая -практическая плоскость) // http:Wdaily.sec.ru. 09.06.2003 04:00.

81. Руцков М. Видеодетекторы — взгляд изнутри // http:Wdaily.sec.ru. 09.04.2003 04:00.

82. Самойлов В.Ф., Хромой Б.П. "Телевидение", Изд-во "Связь" 1975.

83. Синилов В. Г. Охранное телевидение в системе безопасности объекта// http:Wdaily.sec.ru. 06.04.2003 04:00.

84. Стогний А. А., Кондратьев А. И. Теоретико-игровое информационное моделирование в системах принятия решений. /АН УССР, инт-т кибернетики им. В. М. Глушкова. Киев, Наук, думка, 1986, 277с.

85. Сусов B.C. и др. Микропроцессоры в телевидении. М., Радио и связь, 1991, 183с.

86. Тайпао Чин. Современный взгляд на видеонаблюдение с ИК -освещением. Пер. Ю.М.Гедзберг. //http:Wdaily.sec.ru. 10.12.2002.

87. Ткаченко А.П., Кириллов В.И., "Техника телевизионных измерений", изд-во "Вышэйшая школа", Минск, 1976, с. 46.

88. Уваров Н. Визуальная обстановка в системах телевизионного наблюдения. Мир безопасности. Ноябрь-декабрь, 1998. С. 40-41.

89. Уваров Н. Е. Динамика воспроизведение контраста ТВ камерой // http:Wdaily.sec.ru. 29.04.2002 19:35.

90. Уваров Н. Е. Настройка системы диафрагмирования ТВ камер// http:Wdaily.sec.ru. 24.09.2003 02:00.

91. Уваров Н. Е. Практические советы по фокусировке телевизионных камер. Безопасность-NEWS, №31, сентябрь, 2001 г., стр. 3.

92. Уваров Н. Е. Секреты высокой чувствительности ТВ камер// http:Wdaily.sec.ru. 22.01.2003 04:00.

93. Уваров Н. Е. Средства адаптации к изменениям освещенности. // http:Wdaily.sec.ru. 10.07.2001 17:42.

94. Уваров Н. Е. Средства управления чувствительностью ТВ камер. // http:Wdaily.sec.ru. 05.05.2003 04:00.

95. Уваров Н. Е. Технические помехи в телевизионных сетях систем наблюдения и охраны// http:Wdaily.sec.ru. 23.04.2003 04:00.

96. Уваров Н.Е. Визуальная обстановка в системах телевизионного наблюдения//http:Wdaily.sec.ru. 22.06.2001 23:38.

97. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989-440с.

98. Фридлянд И. В., Сошников В. Г. Системы автоматического регулирования в устройствах видеозаписи. М., Радио и связь, 1988, 167с.

99. Хеймен Р. Светофильтры. М.: Мир, 1988.

100. Хемминг Р. В. Цифровые фильтры. М.: Сов. радио, 1980. -224с.

101. Хромов Л.И. и др. Твердотельное телевидение. Телевизионные системы с переменными параметрами на ПЗС и микропроцессорах. М., Радио и связь, 1986, 183с.

102. Чубаров Е.П. Управление системами с подвижными источниками воздействия. М., Энершатомиздат, 1989, 324с.

103. Шаронов В.В. Таблицы для расчета природной освещённости и видимости. М.: Изд-во АН СССР, 1945.

104. Шерайзин С. М. Адаптивная коррекция и фильтрация телевизионного сигнала. М., Радио и связь, 1987, 88с.

105. Эпштейн М.И. Измерения оптического излучения в электронике. "Энергия", 1975.

106. CCTV Today, September/October 2002, "Product testing Cameras", pp. 30-34.

107. Hsia T.C. A simplified adaptive recursive filter design. Proc. IEEE, vol. 69, p. 1153., Sept. 1981.

108. Janesick J., Klaasen K. and Elliott T. "CCD charge collection efficiency and the photon transfer technique" in Solid State Imaging Arrays, K. N. Prettyjohns and E. L. Dtrtniak, eds., Proc. SPIE 570, 7-19 (1985).

109. Koford J.S., Groner G.F. The use of an adaptive threshold element to design a linear optimal pattern classifier. IEEE Trans. Inf. Theory, vol. IT-12, pp.42-50, Jan. 1966.