автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Алгоритмы обнаружения объектов контроля для систем видеонаблюдения при взаимном перемещении объекта и видеокамеры

На правах рукописи

Диязитдинов Ринат Радмирович

Алгоритмы обнаружения объектов контроля для систем видеонаблюдения при взаимном перемещении объекта и видеокамеры

Специальность 05.12.04 - Радиотехника, в том числе системы и устройства телевидения

Автореферат диссертации на соискание ученой степени кандидата технических наук

-1 ДЕК 2011

005003098

Самара-2011

005003098

Работа выполнена в ФГОБУ ВПО «Поволжский государственный университет телекоммуникаций и информатики» (ПГУТИ)

Научный руководитель

доктор технических наук, профессор Васин Н.Н.

Официальные оппоненты

доктор технических наук, доцент Горячкин О.В. доктор технических наук, профессор Ташлинский А.Г.

Ведущая организация:

Институт систем обработки изображений (ИСОИ) РАН, г. Самара

Защита состоится «23» декабря 2011 г. в 13.00 часов на заседании диссертационного совета Д 219.003.01 при Поволжском государственном университете телекоммуникаций и информатики по адресу: 443010, г. Самара, ул. Льва Толстого д.23.

С диссертацией и авторефератом можно ознакомиться в библиотеке

ФГОБУ ВПО ПГУТИ

Автореферат разослан « <§ » Ученый секретарь

диссертационного совета Д 219.003.01

2011 г.

доктор физико-математических наук, доцент

Осипов О.В.

Общая характеристика работы

Диссертация посвящена исследованию и разработке методик и алгоритмов обработки видеосигналов, позволяющих расширить функциональные возможности систем видеонаблюдения с целью обнаружения объектов контроля.

Актуальность темы. В настоящее время происходит быстрое развитие систем видеонаблюдения и повсеместное внедрение их во все сферы деятельности на транспорте, на военных и промышленных объектах. Системы видеонаблюдения дополнительно к традиционному наблюдению за объектами обладают потенциальными техническими возможностями для решения целого ряда задач. По мнению специалистов компаний Cisco и IBM, создание интегрированных систем видеоаналитики является важным направлением развития систем видеонаблюдения. Актуальными задачами, которые должны решать системы видеоаналитики в ближайшем будущем, являются обнаружение, идентификация объектов и определение трасс их движения, измерение скорости дзижения объектов, внедрение систем видеонаблюдения в автоматизированные системы управления технологическими процессами (АСУ ТП), работающих в режиме реального времени, а также эффективное использование каналов передачи данных за счет предобработки сигналов и передачи технической (аналитической) информации вместо передачи видеоизображения.

Теоретическим и практическим вопросам разработки алгоритмов, способов, методов и устройств для обнаружения объектов контроля посвящены работы российских ученых Белоцерковского О.М., Глазунова A.C., Горелика A.JI., Гуревича И.Б., Пешкова Н.Н, Скрипкина В.А., Сойфера В.А., Ташлинского А.Г., и др. и зарубежных ученых Wren С., Azarbayejani A., Darrell Т., Pentland A., Stauffer С., Grimson W., Elgammal A., Harwood D., Kim К., Szirany Т., и др.

Существующие алгоритмы обнаружения объектов контроля используют методы математической статистики. Использование этих методов позволяет проектировать оптимальные и квазиоптимальные алгоритмы согласно выбранному критерию. Несмотря на наличие многочисленных исследований в этой области, следует отметить, что наибольшее внимание уделяется раздельному изучению статистических характеристик изображения, соответствующих либо объекту контроля, либо фону. В результате чего ранее разработанные алгоритмы характеризуются невысокой достоверностью обнаружения объектов контроля в условиях изменяющейся освещенности.

Постоянно растущие требования к точности измерений при сборе технической (аналитической) информации в системах видеоаналитики предполагают повышение достоверности обнаружения объектов контроля при определении их местоположения. Это говорит о том, что повышение достоверности обнаружения при движении объектов контроля и видеокамеры относительно друг друга является актуальной задачей, требующей своего решения.

Данная диссертационная работа посвящена разработке алгоритмов, позволяющих повысить достоверность обнаружения объектов контроля за счет учета совокупных статистических характеристик изображений как «объектов контроля», так и «фона», а также компенсации мешающих факторов, возникающих в процессе съемки.

Целью работы является разработка алгоритмов обработки сигналов видеоизображения для обнаружения объектов контроля при движении объектов контроля и видеокамеры относительно друг друга.

Основные задачи, решаемые в диссертационной работе для достижения поставленной цели:

1. Анализ существующих методов и алгоритмов обнаружения объектов контроля.

2. Разработка математической модели видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений.

3. Разработка методики и алгоритмов обнаружения объектов контроля при изменяющейся освещенности.

4. Разработка методики и алгоритмов обнаружения объектов контроля для подвижной видеокамеры.

5. Компьютерное моделирование и экспериментальная проверка разработанных алгоритмов обнаружения.

Методы исследования

Для проведения исследования в работе использованы методы теории вероятностей и случайных процессов, статистической теории систем связи. Для проведения расчетов использован пакет прикладных программ МаШСасЗ и МаИ,аЬ.

Научная новизна заключается в следующем:

1. Предложена математическая модель для описания объектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.

2. Предложена методика и разработан алгоритм обнаружения движущихся объектов контроля в сложных условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

3. Предложена методика и разработан алгоритм обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанные на анализе плотности вероятности яркостей и геометрических параметров объектов.

Практическая ценность работы

1. Разработано программное обеспечение систем видеонаблюдения, позволившее проводить обнаружение объектов контроля з сложных погодных условиях при изменяющейся освещенности.

2. Разработана система компьютерного моделирования для оценки качества работы алгоритмов обнаружения объектов контроля.

Основные положения, выносимые на защиту:

1. Математическая модель для описания о&ьектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.

2. Методика обнаружения объектов контроля изображений в условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

3. Методика обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанная на анализе плотности вероятности яркостей и геометрических параметров объектов.

Достоверность основных результатов работы по указанным положениям обеспечивается выбором методов статистической теории принятия решений, теории

оценивания, методов компьютерного моделирования, подтверждением теоретических результатов натурными экспериментами.

Апробация работы. Основеью результаты диссертационной работы доложены и обсуждены на следующих конференциях и семинарах: XVI, XVII российской научной конференции ППС, научных сотрудников и аспирантов (Самара, 2009 -

2010 гг.); X международной научно-технической конференции «Проблемы техники и технологий в телекоммуникациях» (Самара, 2009 г.); X международной научно-методической конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2010 г.); XI Международная научно-техническая конференция «Оптические технологии в телекоммуникациях» (Уфа, 2010 г.); XIII Международная конференция «Проблемы управления и моделирования в сложных системах» (Самара,

2011 г.); X Международная научно-техническая конференция «Физика и технические приложения волновых процессов» (Самара, 2011 г.).

Реализация результатов работы.

Результаты работы использоваш ЗАО НПЦ ИНФОТРАНС (г. Самара), а также в учебном процессе кафедры систем связи 111 УТИ. Реализация результатов работы подтверждена соответствующими актами.

Публикации. По теме диссертации опубликовано 19 печатных работ, в том числе 3 печатные работы в изданиях перечня, рекомендованных ВАК, а также 2 авторских свидетельств о государственной регистрации программ на ЭВМ.

Структура и объем работы. Работа состоит из введения, четырех глав и заключения, изложенных на 140 страницах машинописного текста, списка использованных источников из 113 наименований и 3 приложений на 10 страницах. Диссертационная работа содержит 37 рисунков и 5 таблиц. Общий объем диссертации 150 страниц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, приведен обзор работ по теме диссертации, сформулирована цель и основные задачи исследования, описан состав и структура работы, определены ее новизна и научная ценность.

В первой главе с целью постановки задачи дается обзор существующих методов и алгоритмов обнаружения объектов контроля на видеоизображении. Описываются существующие математические модели «объектов контроля» и «фона», рассматриваются их недостатки и причины снижения достоверности обнаружения.

Задачи обнаружения можно условно поделить на две группы: обнаружение движущихся «объектов контроля» при съемке неподвижной видеокамерой и обнаружение неподвижных объектов при съемке движущейся видеокамерой.

Для задачи с неподвижной видеокамерой изображение «фона» от кадра к кадру меняется медленно, поэтому можно его оценить и использовать полученную оценку для обнаружения объектов контроля. Для задачи с движущейся видеокамерой «фон» постоянно изменяется, поэтому различить сигналы фона и объекта контроля можно по некоторым признакам (яркости, форме, местоположению на изображении и т.д.), характерным для каждого из сигналов.

Проведенный анализ методов обнаружения показал, что существующие способы не позволяют проводить достоверное обнаружение движущихся объектов контроля при изменяющейся освещенности, которые приводят к нарушению работы алгоритмов, что говорит о необходимости разработки математической модели, позволяющей учитывать мешающие воздействия изменений освещенности и компенсировать их. В соответствии с выявленными недостатками в рассмотренных методах, а

также в соответствии с заданными требованиями определяется цель и ставятся задачи исследования.

Во второй главе разрабатывается математическая модель для описания «объектов контроля» и «фона» на основе совокупных статистических характеристик их изображений. В задаче обнаружения движущихся объектов определяются вероятностные характеристики сигналов яркости «фона» и «объекта контроля», которые определяют функцию плотности вероятности (ФПВ) яркости элемента изображения в виде смеси двух распределений.

Модель для описания «объектов контроля» и ><фона» записывается в виде: х,=в-Ь,-+(1 -*)•/,(1) где символ (■),. обозначает значение яркости в / -тый момент времени.

При этом математическая модель для описания яркости элемента изображения принимает вид (см. рис. 1):

р(х) = Р{Нь}-р(х\Нь) + Р'Н}- р{х | Нг), (2)

где р(х | Нь), р(дг | ) - плотность вероятности яркости для фрагмента изображения при условии, что справедлива гипотеза Нь и Н{ соответственно; Нь - гипотеза о наличии сигнала «фона»; Н{ - гипотеза о наличии сигнала «объекта контроля»; Р{Я,,},Р{Яу} - априорные вероятности наличия сигнала «фона» и «объекта контроля» соответственно.

Р\н

плотность вероятности

Р[ЯуЫ* Я/)

яркость

Рис. 1 - Плотность вероятности яркости элемента изображения Плотность вероятности яркости фона р{х\Нь) описывается нормальным распределением с математическим ожиданием равной ть и среднеквадратическим отклонением (СКО) <7„, а плотность вероятности объекта контроля р(х \ Н^) описывается формулой:

р{х\нЛ=

^ С/т ах Утт)

ф

-ф

Х-/т

(3)

Ж - функция Крампа.

Плотность вероятности р{х\Нь) выводиться из предположения, что яркость заднего плана Ь на интервале анализа полагается постоянной величиной ть, плотность вероятности яркости элемента изображения, заслоненного объектом контроля р{х\Ну) описывается равномерным законом распределения, границы которых определяются минимальным (/т|п) и максимальные значение яркости (/тах), способные фиксировать видеокамерой, а шум, влияющий нг яркостные характеристики, полагается нормально распределенным с нулевым математическим ожиданием и СКО <7„.

В этой задаче основным мешающим факторам является изменение освещенности. Помимо предположения об изменении яркости видеоизображения (/?) при из-

6

менении освещенности, было предложено учитывать изменения контрастности видеоизображения (а). Параметры а и ¡3 могут быть определены из выражения:

а,-ть+р, = при 0 = 1, (4)

где х,-П; - яркость фона {9 = 1) в элементе изображения в /-тый момент времени, наблюдаемого в текущий момент времени без шумовой составляющей; ть - значение яркости фона в элементе изображения, оценка которого производится в ходе работы алгоритма.

Модель для описания «объектов контроля» и «фона» при изменениях освещенности будет иметь вид:

х,=ва^ + {\-в)а>/1 + Р1 + п1 (5)

Для описания статистических характеристик параметра а используется плотность вероятности, которая приблизительно описывается нормальным законом распределения, отличие состоит в том, что контрастность видеоизображения а сверху и снизу ограничивается минимальным и максимальным значением контрастности fy.fi

р{а) =

-ехр

{а-та)

¿Л

л/2хсха

2<г1

,сее[атт,ат

(6)

С =-

42лОа СХР

{а-та)

г л

2а2„

- нормирующий множитель;

<1а

та, ап - это параметры распределения.

Параметр та определяет такое значение контрастности видеоизображения, при котором достигается наибольшее значение плотности вероятности контрастности видеоизображения; параметры сга, атш, а[ШХ определяют дисперсию контрастности видеоизображения. Параметр та = 1 и отражает тот факт, что наиболее вероятным является событие, при котором а = 1. Параметры атЫ = 0, атш = 2, так как увеличение яркости элементов изображения за короткий период времени в два раза, или уменьшение до нуля при съемках не бывает. Для описания статистических характеристик параметра ¡3 используется нормальный закон распределения с нулевым средним и среднеквадратическим отклонением ар.

Учитывая изменения освещенности, математическая модель объекта контроля и фона, представленная в общем виде выражением (2), описывается ниже представленными выражениями (7) и (8):

( I \т-

р{х р{х

\Нь,ть)-

1

о\ + а] + о1т\

ехр

■тпт

н,)=

ъ

ф

^(./тах -/п

+ Сг1

)-42ясга х-а-/т

-Ф

<7 я +СГ„

■ ехр

{а-та)

2а%

(7)

(В)

с1а,

где р(х | Нь,ть) и р[х \ Н() - плотности распределения яркостей для «фона» и «объекта контроля» при изменяющейся освещенности.

Параметр а„ учитывает изменение контрастности видеоизображения, а параметр Од - изменение яркости видеоизображения при изменяющейся освещенности.

С учетом разработанной математической модели для описания объекта контроля и фона проводится обнаружение объекта контроля, для чего предварительно оценивается яркость фона согласно выражению:

ш4=агёшах ¿1п(р{Я4}-р{х, \ НЬут„) + р{я7} ■ р{х,|Я,)) . (9)

"Ч 1_<=1

Решение о наличии объекта контроля принимается в соответствии с выражениями:

р{х\Нг) Р{я4}'

где Л (л) - отношение правдоподобия; р(х\Нь) вычисляется по формуле (7) при тк = т,

Ъ - шь > р{х\ Hf) вычисляется по формуле (8); Г) - порог обнаружителя.

Обнаружение объектов контроля проводится согласно статистической проверке гипотез по выражениям плотности распределения яркости фона р[х\Нь) и объекта контроля р(х| Нj-). Если выполняется неравенство р(х \НЬ)-Р{Нь}< р[х\ Hj-)-Р{Я f), то соответствующий элемент изображения помечается как относящийся к «объекту контроля», а если выполняется неравенство p(x\Hb)-P{Hb}> р{х\Н /}-Р{н то соответствующий элемент изображения помечается как относящийся к «фону».

В третьей главе разрабатываются алгоритмы, позволяющие повысить достоверность обнаружения при изменениях освещенности. Выводятся формулы для оценивания изменения яркости и контрастности видеоизображения, которые используются для итерационной процедуры повторного обнаружения.

Изменение контрастности видеоизображения и изменение яркости видеоизображения снижают достоверность обнаружения. Чтобы повысить достоверность, производится оценка не только яркости, но и контрастности видеоизображения. Полученные оценки используются для повторного обнаружения объектов контроля.

Разработанный алгоритм обнаружения движущихся объектов при съемке неподвижной видеокамерой включает три этапа. Первые два этапа приведены во второй главе при описании модели «фона» и «объекта контроля». На третьем этапе для определения появления объекта контроля с учетом изменений освещенности, чтобы компенсировать влияние а и ß, производится их оценка:

ä = Z-M-Sx-Sbj=Eb-Sx-Z.S, Eb-M-Sb Еь ■ М -Sb

м t \ м t \ м м t \ где Еь = £KJ> Z = Y,\xjmb.j), Sx = £(хД Sb =

Xj - значение яркости J -того пикселя изображения, классифицированного, как «фон»; mh - оценка яркости заднего плана, соответствующего J-тому пикселю

изображения; М - число пикселей, классифицированных, как «фон».

Оценки изменения контрастности и яркости видеоизображения после предварительного определения появления «объекта контроля» обозначим как ä0, ß0.

Для повышения достоверности обнаружении разработана итерационная процедура обнаружения объекта контроля, для чего:

- выбираются

значения

параметров

>аа, >:>оаЛ >0,

(Тр, > орл >.. > Ор к > 0, где к - количество итераций, а„ > <УаЛ, <Хд > Од,;

на каждой итерации обнаружение объектов контроля проводится с использованием формул:

р{х\Нь)= р(х\Иг)=

ГД.У

с.

-X

•ехр

■тка.

"Я

++

)

В

ф

2 (/шах "/»¡. №»■„./

ехр

{<*-та

\2>

Ю1

с1а.<

(12)

(13)

где _/' - номер итерации, у = 1,2.А; , - контрастность видеоизображения и яркость видеоизображения, оценка которых производится по формуле (11) после у -1 итерации.

Для обнаружения неподвижных объектов при съемке движущейся видеокамерой был разработан двухэтапный алгоритм обнаружения.

На первом этапе проводиться классификация фрагментов изображения для определения фрагментов, относящихся к «объекту контроля», для чего использовался алгоритм максимального правдоподобия. В работе рассматривался случай, когда «объект контроля» и «фон» характеризуются не детерминированным значением яркости, а некоторым диапазоном яркости.

Плотность вероятности яркости «фона» g¡,^b) описывается формулой:

ьтах - ьь

рь

МКьМ ;

(14)

0Аек',„-6тах1

Физический смысл формулы (14) состоит в следующем: яркость пикселей внутри фрагмента изображения может принимать значение [Ьь, ] и доля таких пикселей равна рь, яркость остальных пикселей фрагмента может принимать значение 1Ашп А]- Значение рь близко к единице и отражает тот факт, что наиболее вероятным является событие, при котором яркость элемента, соответствующего «фону», будет принадлежать диапазону яркости [бт1П ,ЬЬ].

Аналогичным образом задается плотность вероятности gf{f)^

- (/&»/тах] *

/тах У!

Уй ./тт о, Л £ 1/шо > /шах 1

Яркость пикселей внутри фрагмента изображения может принимать значение [Л./шах] и доля таких пикселей равна 1 - Р/, яркость остальных пикселей фрагмента может принимать значение [/т|„,/4]. Значение р/ близко к единице и отражает тот факт, что наиболее вероятным является событие, при котором яркость элемента, соответствующего «объекту контроля», будет принадлежать диапазону яркости [Уб'/шах]'

Плотность вероятности шума п описывается нормальным законом распределения с нулевым средним и СКО сгп.

Плотность вероятности р(х \ Нь) сигнала х при условии, что справедлива гипотеза Нь:

0-Р»)

ф

х-Ьи

Рь

2

.(16)

Плотность вероятности р[х \ Н Л сигнала х при условии, что справедлива гипо-

теза Н

\х\Н,) =

Р1

2(Л,„ -Л)

Ф

•Л

" Ут

Ь-Рг)

2(Л-Л»)

ф

-ф

.(17)

Полагая, что фрагмент изображения соответствует либо «фону», либо «объекту контроля», яркости каждого элемента (пикселя) фрагмента изображения , J = 0,\..N, N - количество пикселей во фрагменте изображения, представляют собой независимые случайные величины, имеющие одинаковое распределение вероятностей, то совместные плотности вероятности яркостей элементов фрагмента изображения будут равны произведению плотностей вероятностей отдельных величин. Решение об обнаружении объекта контроля для анализируемого фрагмента принимается по алгоритму максимального правдоподобия.

На втором этапе по фрагментам, классифицированным как «объект контроля», решение о наличии «объекта контроля» принимается по геометрическим размерам области, которую они (фрагменты) занимают, и по геометрической форме контура «объекта» (параметры контура определяются по методу наименьших квадратов).

В четвертой главе представлены результаты компьютерного моделирования и экспериментальной проверки разработанных алгоритмов. Определяются погрешности оценивания яркости фона при варьировании параметров, которые описывают модель сигнала яркости на видеоизображении. Проводится сравнение разработанных алгоритмов с существующими аналогами. Приводятся результаты работы алгоритмов для реальных видеоизображений.

Блок у правлен ия

равномерное < раснредленис < fO.lJ !

ГС1/

порог

определяет вероятность

рвд

Для анализа качества работы алгоритма обнаружения объектов контроля в условиях изменяющейся освещенности было проведено компьютерное моде- ¿ лирование. Схема формирования сигнала яркости элемента изображения (пикселя), который то ото- /

бражаеТ фон С ЯРКОСТЬЮ равномерное ть, то заслонен объектом контроля, представлена на О. Р п

ОИС 7 Величина Р\н } Рис' ^ ~ ^хема формирования сигнала яркости элемента

" L /J изображения (пикселя)

определяет априорную вероятность наличия сигнала «объекта контроля».

Погрешность оценивания яркости ть :

ГСЧ

+

£2 = [ть - ть ]2 = — X {ты - ть )2,

N /=о

где ть - действительное значение яркости фона; ть- оценка яркости фона на -том опыте; N - количество опытов для оценки яркости.

В отдельности исследовалось влияние на оценку яркости фона ть СКО шума и„ и априорная вероятность Р{# /} (рис. 3), влияние на оценку яркости фона ть незнание апри-

РК}

орнои вероятности

(рис. 4), а также влияние на оценку яркости фона ть количество отсчетов яркостей при различных значениях параметра оа (рис. 5).

В работе проводилось сравнение существующих алгоритмов - MoG, KDE, позволяющих обнаруживать движущиеся объекты контроля, и предложенного алгоритма. Качество работы оценивалось по вероятности ошибки. Результаты моделирования представлены на рис. 6.

р[/д=о.б /

I/

____

/ ! . •

/ X . ' / /'

/

• р{н,} = 0.5 P[Hf}-0¿

JpKJ = 0 4

Рис. 3 - Результаты моделирования предложенного алгоритма для оценивания яркости фона для различных значений СКО шума <тп при ть = 40

---?{■'>,} 05

N

Pj/^J-0.4

Р[Я f}= 0.2 р{я/]=0.1

—

Рис. 4 - Результаты моделирования предложенного алгоритма для оценивания яркости фона, если установленная значение априорной вероятность р{нг\ не совпадает с

действительным р{нг\ при сг„ = 7 и ть =40

Из рис. 6 видно, что в отсутствие мешающих факторов наилучшие результаты обнаружения имеет алгоритм КХ)Е, однако, при изменяющейся освещенности разработанный алгоритм снижается вероятность ошибки до 2-3% вместо 4-6% у существующих алгоритмов.

/

/

......."р. к = 400

' ...1 А'= ЗОС к = 2000

П5

Рис. 5 - Результата моделирования предложенного алгоритма для оценивания яркости фона для различных значений сг„ при сг, =7, ть =220, р{я/}=о,5

□.Об

0.04

0.02

ккрояттоп-гъ ОТЧУЬк-И

КОЕ

Мса предложенный алгоритм

О 0.01 0.02 3.03 Ш 005 Рис. 6 - Результаты моделирования определения вероя-ности ошибки для алгоритмов Мой, КОЕ и предложенного алгоритма при различных значениях <та

Результаты экспериментов, которые получены с помощью разработанного алгоритма, позволяют обнаруживать объекты контроля для движущихся систем видеонаблюдения (рис. 7, 8, 9), а также обнаруживать движущиеся объекты контроля при кратковременных изменениях освещенности и в сложных погодных условиях (рис. 10, 11).

а

Рис. 7 - Обнаружение железнодорожной колев: анализируемое изображение (а), результат обнаружении (б)

б

Рис. 9 - Измерение смещения рельсов относительно «маячных» шпал: анализируемое изображение (а), результат обнаружения (б)

Рис. 10 - Автомобильная трасса (резкое изменение освещенности): фон (а), анализируемое изображение (б), результат обнаружения (в)

Рис. 8 - Обнаружение переходов: анализируемое изображение (а), результат обнаружения (б)

а б в

Рис. 11 - Парковка во время вьюги: фон (а), анализируемое изображение (б), результат

обнаружения (в)

В заключении изложены результаты и сформулированы выводы по работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Анализ методов и алгоритмов обнаружения объектов контроля показал, что существующие алгоритмы разработаны на основании вероятностных методов, однако, для систем видеонаблюдения с неподвижными видеокамерами учитываются только статистические характеристики сигнала яркости, соответствующие «фону», а для движущихся систем наблюдения - «объекту контроля», что ухудшает достоверность обнаружения разработанных алгоритмов; проблема изменений освещенности рассматривается только в некоторых алгоритмах, но решение этой задачи не производится.

2. Разработанная математическая модель видеоизображения фона и объектов контроля на основе совокупных статистических характеристик их изображений позволяет принимать решение по совместной плотности вероятности яркостей элементов изображения.

3. Разработанная методика и алгоритм обнаружения объектов контроля в сложных условиях при изменяющейся освещенности характеризуются тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

4. Предложено повысить достоверность обнаружения объектов контроля за счет обработки видеоизображения в три этапа: оценивания изображения фона, предварительного обнаружения и повторного обнаружения с учетом оценки изменений освещенности.

5. Разработанная методика обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой позволила проводить достоверное обнаружение объектов контроля, основанное на анализе плотности вероятности яркостей и геометрических параметров объектов.

6. Компьютерное моделирование показало, что разработанный алгоритм обнаружения объектов контроля при изменениях освещенности снижает вероятность ошибки обнаружения объекта контроля до 2-3 %, что ниже, чем у существующих алгоритмов-аналогов; в ходе экспериментальной проверки алгоритм, разработанный для движущихся систем наблюдения, показал высокую достоверность обнаружения объектов контроля, а для систем с неподвижной видеокамерой показал высокую достоверность обнаружения в сложных погодных условиях при изменяющейся освещенности.

7. Разработанное программное обеспечение систем видеонаблюдения дало возможность обнаруживать движущиеся объекты контроля в сложных погодных условиях при изменяющейся освещенности и неподвижные объекты контроля (для движущихся

14

видеокамер), которые отличаются от «фона» своими яркостными характеристиками и геометрическими параметрами.

Публикации автора в изданиях, рекомендованных ВАК:

1. Диязитдинов, P.P. Использование контурных линий при поиске посторонних объектов на полутоновом изображении [Текст] // Инфокоммуникационные технологии. -2010. -Т.8, №3. - с.76-81.

2. Буцких, В.А. Адаптивная система управления железнодорожным переездом [Текст] / В.А.Буцких, P.P. Диязитдинов, A.A. Шапорин // Вестник транспорта Поволжья. -2010.-№4(24).-с.4-11.

3. Васин, H.H. Алгоритмы идентификации объектов в системах видеонаблюдения с использованием статистических методов [Текст] / H.H. Васин,Р.Р. Диязитдинов // Инфокоммуникационные технологии. -2011,- Т.9, №3. - с.23-28.

Публикации автора в других изданиях.

1. Диязитдинов, P.P., Система мониторинга загрузки железнодорожных вагонов [Текст] // XVI Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов: тез. докладов, г. Самара. - 2009. - с. 97-98.

2. Васин, H.H. Система обнаружения объектов на железнодорожном переезде [Текст] / Н.Н.Васин, P.P. Диязитдинов // Наука и образование транспорту: тез. докладов Международная научноОпрактическая конференция, 5-7 октября 2009., г. Самара. -2009. - с. 146-147.

3. Васин, H.H. Алгоритмы распознавания образов. Обнаружение объектов на железнодорожном переезде [Текст] / H.H. Васин, P.P. Диязитдинов // Проблемы техники и технологий в телекоммуникациях: тез. докладов X Международная научно-техническая конференция, 17-19 ноября 2009., г. Самара. - 2009. - с.72-74.

4. Буцких, В.А. Применение нечеткой логики для управления сигнализацией на железнодорожном переезде [Текст] / В.А. Буцких, P.P. Диязитдинов // Информатика: проблемы, методология, технологии: тез. докладов X международная научно-методическая конференция, 11-12 февраля 2010., г. Воронеж. - 2010. - с. 145-148.

5. Диязитдинов, P.P. Поиск посторонних объектов на железнодорожных переездах [Текст] / P.P. Диязитдинов, В.А. Буцких // Информатика: проблемы, методология, технологии: тез. докладов X международная научно-методическая конференция, 11-12 февраля 2010., г. Воронеж. - 2010. - с.233-237.

6. Васин, H.H. Распределение шума на изображениях, полученных разностным способом [Текст] / H.H. Васин, P.P. Диязитдинов // XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов: тез. докладов, г. Самара - 2010. - с.80.

7. Диязитдинов, P.P. Использование метода Maximum Entropy для поиска посторонних объектов, полученных разностным способом [Текст] // XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов: тез. докладов, г. Самара - 2010,- с.81.

8. Диязитдинов, P.P. Поиск посторонних объектов на разностных изображениях с использованием метода выделения контурных линий [Текст] // XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов: тез. докладов, г. Самара - 2010. - с.82.

9. Диязитдинов, P.P. Модифицированный усредняющий фильтр. Определение мощности шума на видеоизображении [Текст] / P.P. Диязитдинов, В.А. Буцких И

Перспективные информационные технологии для авиации и космоса: тез. докладов Международная конференция с элементами научной школы для молодежи, 29 сентября - 1 октября 2010., г. Самара. - 2010 г. - с.479-483.

10. Диязитдинов, P.P. Байесовский подход для оценивания заднего плана и обнаружения посторонних объектов на видеоизображении [Текст] / P.P. Диязитдинов, В.А. Буцких // Перспективные информационные технологии для авиации и космоса: тез. докладов Международная конференция с элементами научной школы для молодежи, 29 сентября - 1 октября 2010., г. Самара. - 2010 г. - с.484-488.

11. Диязитдинов, P.P. Байесовский подход к обнаружению посторонних объектов на видеоизображении [Текст] // Оптические технологии в телекоммуникациях: тез. докладов XI Международная научно-техническая конференция, 16-18 ноября 2010., г. Уфа. -2010, -с. 159-161.

12. Васин, H.H. Элементы и устройства обработки сигналов железнодорожного транспорта [Текст] / H.H. Васин, В.Ю. Куринский, С.В. Кузьмин, В.А. Буцких, P.P. Диязитдинов // Оптические технологии в телекоммуникациях: тез. докладов XI Международная научно-техническая конференция, 16-18 ноября 2010., г. Уфа. - 2010. - с. 167168.

13. Васин, H.H. Идентификация движущихся объектов в сложных условиях изменяющейся освещенности [Текст] / H.H. Васин, P.P. Диязитдинов // Проблемы управления и моделирования в сложных системах: тез. докладов XIII Международная конференция, 15-17 июня 2011..г.Самара.-2011,- с. 282-287.

14. Диязитдинов, P.P. Методы обработки сигналов систем видеонаблюдения для обнаружения объектов контроля [Текст] // Физика и технические приложения волновых процессов: тез. докладов X Международная научно-техническая конференция, 11-17 сентября, 2011., г. Самара. - 2011. - с. 366-367.

15. Диязитдинов, P.P. Система обнаружения появляющихся на видеоизображении объектов в условиях изменяющейся освещенности // Свидетельство о государственной регистрации программы для ЭВМ № 2011617610.

16. Диязитдинов, P.P. Обнаружение рельсов на видеоизображении для системы видеонаблюдения, расположенной на подвижном объекте // Свидетельство о государственной регистрации программы для ЭВМ № 2011618222.

Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования «Поволжский государственный университет телекоммуникаций и информатики» 443010, г. Самара, ул. Льва Толстого 23.

_Отпечатано фотоспособам в соответствии с материалами, представленными заказчиком

Подписановпечагь01.11.11 г. Формат 60х84'/|6 Бумага писчая№1. Гарнитура Тайме.

_ЗаказШОО. Печать оперативная .Усл. печ.л.0.98. Тираж 130экз.

Отпечатано в издательстве учебной и научной литературы Поволжского государственного университета телекоммуникаций и информатики 443090, г. Самара, Московское шоссе 77. т.(84б)228-00-44

Введение.

Глава 1 Обзор методов и алгоритмов обнаружения объектов контроля в системах видеонаблюдения.

1.1 Обнаружение объектов контроля с использованием изображения фона для неподвижных систем видеонаблюдения.

1.2 Обнаружение объектов контроля с предварительной оценкой плотности распределения яркости элементов видеоизображения.

1.3 Эвристические методы обнаружения объектов контроля.

1.4 Обнаружение объектов контроля для движущихся систем видеонаблюдения.

Выводы по Главе 1.

Глава 2 Методика решения задач обнаружения объекта контроля на видеоизображении.

2.1 Постановка задачи обнаружения объектов контроля.

2.2 Распределение яркости фона и объекта контроля в элементе изображения

2.3 Модель видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений.

2.4 Математическая модель видеоизображения фона и движущихся объектов контроля в условиях изменяющейся освещенности.

2.5 Постановка задачи обнаружения объекта контроля для движущихся систем видеонаблюдения.

Выводы по Главе 2.:.

Глава 3 Алгоритмы обнаружение объектов контроля.

3.1 Двухэтапный алгоритм обнаружения; ¡ объектов контроля при изменяющейся освещенности. :.\,.гл!.и лI г.«. .>.:. /.:.

3.2 Трехэтапный алгоритм обнаружения ' объектов контроля при изменяющейся освещенности.:.

3.3 Реализация алгоритма.

3.4 Алгоритмы обнаружения неподвижного объекта контроля при съемке движущейся видеокамерой.

3.5 Определение мощности шума.

Выводы по Главе 3.

Глава 4 Экспериментальная проверка разработанных алгоритмов обнаружения объектов контроля.

4.1 Эффективность разработанного алгоритма при оценивании яркости фона

4.2 Сравнение разработанного трехэтапного алгоритма с существующими

4.3 Результаты экспериментальной проверки разработанных алгоритмов обнаружения объектов контроля при изменениях освещенности.

4.4 Результаты обнаружения объектов контроля на видеоизображениях, полученных с видеокамер, установленных на подвижных объектах.

Выводы по Главе 4.

Актуальность темы исследования

В настоящее время происходит быстрое развитие систем видеонаблюдения и повсеместное внедрение их во все сферы деятельности на транспорте, на военных и промышленных объектах. Системы видеонаблюдения дополнительно к традиционному наблюдению за объектами обладают потенциальными техническими возможностями для решения целого ряда задач. По мнению специалистов компаний Cisco и IBM, создание интегрированных систем видеоаналитики является важным направлением развития систем видеонаблюдения. Актуальными задачами, которые должны решать системы видеоаналитики в ближайшем будущем, являются обнаружение, идентификация объектов и определение трасс их движения, измерение скорости движения объектов, внедрение систем видеонаблюдения в автоматизированные системы управления технологическими процессами (АСУ ТП), работающих в режиме реального времени, а также эффективное использование каналов передачи данных за счет предобработки сигналов и передачи технической (аналитической) информации вместо передачи видеоизображения.

Теоретическим и практическим вопросами разработки алгоритмов, способов, методов и устройств для обнаружения объектов контроля посвящены работы российских ученых Гуревича И.Б., Белоцерковского О.М., Глазунова A.C., Щенникова В.В., Горелика A.JL, Скрипкина В.А., Сойфера В.А., Шишова A.JL, Ташлинского А.Г., Деева А.Д., Пешкова Н.Н, Каплан JI. Г., Александрова А.Г. Бондаренко A.B., Докучаева И.В., Князева М.Г., Коноплянникова Ю.К., Лазаренко Ю.М., Прилепского Б.В. и др. и зарубежных ученых Wren С., Azarbayejani A., Darrell T., Pentland А., Cucchiara R., Grana С., Piccardi M., Prati A.,.Stauffer С., Grimson W., Elgammal A., Harwood D., Davis L., Ridder С., Munkelt О., Kirchner H., Kim К., Szirany Т., Schindler К., Wang H. и др.

Существующие алгоритмы обнаружения объектов контроля используют методы математической статистики. Использование этих методов позволяет проектировать оптимальные и квазиоптимальные алгоритмы согласно выбранному критерию. Несмотря на наличие многочисленных исследований в этой области, следует отметить, что наибольшее внимание уделяется раздельному изучению статистических характеристик изображения, соответствующих либо объекту контроля, либо фону. В результате чего ранее разработанные алгоритмы характеризуются невысокой достоверностью обнаружения объектов контроля в условиях изменяющейся освещенности.

Постоянно растущие требования к точности измерений при сборе технической (аналитической) информации в системах видеоаналитики предполагают повышение достоверности обнаружения объектов контроля при определении их местоположения. Это говорит о том, что повышение достоверности обнаружения при движении объектов контроля и видеокамеры относительно друг друга является актуальной задачей, требующей своего решения.

Данная диссертационная работа посвящена разработке алгоритмов, позволяющих повысить достоверность обнаружения объектов контроля за счет учета совокупных статистических характеристик изображений как «объектов контроля», так и «фона», а также компенсации мешающих факторов, возникающих в процессе съемки.

Целью работы является разработка алгоритмов обработки сигналов видеоизображения для обнаружения объектов контроля при движении объектов контроля и видеокамеры относительно друг друга.

Основные задачи, решаемые в диссертационной работе для достижения поставленной цели:

1. Анализ существующих методов и алгоритмов обнаружения объектов контроля.

2. Разработка математической модели видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений.

3. Разработка методики и алгоритмов обнаружения объектов контроля при изменяющейся освещенности.

4. Разработка методики и алгоритмов обнаружения объектов контроля для подвижной видеокамеры.

5. Компьютерное моделирование и экспериментальная проверка разработанных алгоритмов обнаружения.

Объектом исследования данной работы является выходной сигнал приемно-регистрирующего устройства системы наблюдения. В работе исследуется взаимосвязь между изменением обстановки в зоне наблюдения и изменением параметров выходного сигнала системы видеонаблюдения.

Методы исследования

Для проведения исследования в работе использованы методы теории вероятностей и случайных процессов, статистической теории систем связи. Для проведения расчетов использован пакет прикладных программ МаШСаё и МагЬаЬ.

Обоснованность и достоверность основных результатов работы по указанным положениям обеспечивается выбором методов статистической теории принятия решений, теории оценивания, методов компьютерного моделирования, подтверждением теоретических результатов натурными экспериментами.

Научная новизна

1. Предложена математическая модель для описания объектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.

2. Предложена методика и разработан алгоритм обнаружения движущихся объектов контроля в сложных условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

3. Предложена методика и разработан алгоритм обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанные на анализе плотности вероятности яркостей и геометрических параметров объектов.

Практическая ценность работы

1. Разработано программное обеспечение систем видеонаблюдения, позволившее проводить обнаружение объектов контроля в сложных погодных условиях при изменяющейся освещенности.

2. Разработана система компьютерного моделирования для оценки качества работы алгоритмов обнаружения объектов контроля.

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 проведены натурные испытания разработанных алгоритмов.

Основные положения, выносимые на защиту:

1. Математическая модель для описания объектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.

2. Методика обнаружения объектов контроля изображений в условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

3. Методика обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанная на анализе плотности вероятности яркостей и геометрических параметров объектов.

Публикация и апробация полученных результатов

По теме диссертации опубликовано 23 печатных работ, в том числе 3 печатных работ в изданиях перечня, рекомендованных ВАК, 2 авторских свидетельства о государственной регистрации программ на ЭВМ и 1 учебно-методическое указание для проведения лабораторных работ.

Апробация работы

Основные результаты диссертационной работы доложены и обсуждены на следующих конференциях и семинарах: XVI, XVII, XVIII российской научной конференции ППС, научных сотрудников и аспирантов (Самара, 2009 - 2011 гг.); X международной научно-технической конференции «Проблемы техники и технологий в телекоммуникациях» (Самара, 2009 г.); X международной научно-методической конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2010 г.); XI Международная научно-техническая конференция «Оптические технологии в телекоммуникациях» (Уфа, 2010 г.), XIII Международная конференция «Проблемы управления и моделирования в сложных системах» (Самара, 2011 г.), X Международная научно-техническая конференция «Физика и технические приложения волновых процессов» (Самара, 2011 г.).

Реализация результатов работы

Результаты работы использованы ЗАО НПЦ ИНФОТРАНС (г. Самара), а также в учебном процессе кафедры систем связи ПГУТИ. Реализация результатов работы подтверждена соответствующими актами.

Диссертация состоит из введения, четырех глав и заключения, изложенных на 140 страницах машинописного текста, списка использованных источников из 113 наименований и 3 приложений на 10 страницах. Диссертационная работа содержит 37 рисунков и 5 таблиц. Общий объем диссертации 150 страниц.

Выводы по Главе 4

1. Разработанная система компьютерного моделирования позволила провести сравнительный анализ предложенного способа обнаружения и ранее известных алгоритмов обнаружения объектов контроля.

2. Компьютерное моделирование показало, что в отсутствии мешающих факторов, наилучшие результаты обнаружения имеет известный алгоритм KDE, но при изменяющейся освещенности предложенный алгоритм позволяет снизить вероятность ошибки до 2-3 % вместо 4-6% ранее известных алгоритмов.

3. Разработанный алгоритм обнаружения объектов контроля для задачи с неподвижной камерой работает в сложных погодных условиях (дождь, снегопад, туман и т.д.), в которых ранее разработанные алгоритмы давали сбои в работе, что подтверждено результатами экспериментальной проверки.

4. Разработанный алгоритм обнаружения объектов контроля для задачи с подвижной камерой позволил решить задачу обнаружения заданных объектов контроля, что подтверждено результатами экспериментальной проверки и актом внедрения.

ЗАКЛЮЧЕНИЕ

1. Анализ методов и алгоритмов обнаружения «объектов контроля» показал, что существующие алгоритмы разработаны на основании вероятностных методов, однако, для систем видеонаблюдения с неподвижными видеокамерами учитываются только статистические характеристики сигнала яркости, соответствующие «фону», а для движущихся систем наблюдения - «объекту контроля», что ухудшает достоверность обнаружения разработанных алгоритмов; проблема изменений освещенности рассматривается только в некоторых алгоритмах, но решение этой задачи не производится.

2. Разработанная математическая модель видеоизображения «фона» и «объектов контроля» на основе совокупных статистических характеристик их изображений позволяет принимать решение по совместной плотности вероятности яркостей элементов изображения.

3. Разработанная методика и алгоритм обнаружения «объектов контроля» в сложных условиях при изменяющейся освещенности характеризуются тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

4. Предложено повысить достоверность обнаружения «объектов контроля» за счет обработки видеоизображения в три этапа: оценивания изображения фона, предварительного обнаружения и повторного обнаружения с учетом оценки изменений освещенности.

5. Разработанная методика обнаружения неподвижных «объектов контроля» при съемке движущейся видеокамерой позволила проводить достоверное обнаружение «объектов контроля», основанное на анализе плотности вероятности яркостей и геометрических параметров объектов.

6. Компьютерное моделирование показало, что разработанный алгоритм обнаружения «объектов контроля» при изменениях освещенности снижает вероятность ошибки обнаружения объекта контроля до 2-3 %, что ниже, чем у существующих алгоритмов-аналогов; в ходе экспериментальной проверки алгоритм, разработанный для движущихся систем наблюдения, показал высокую достоверность обнаружения «объектов контроля», а для систем с неподвижной видеокамерой показал высокую достоверность обнаружения в сложных погодных условиях при изменяющейся освещенности.

7. Разработанное программное обеспечение систем видеонаблюдения дало возможность обнаруживать движущиеся «объекты контроля» в сложных погодных условиях при изменяющейся освещенности и неподвижные «объекты контроля» (для движущихся видеокамер), которые отличаются от «фона» своими яркостными характеристиками и геометрическими параметрами.

1. Wren, С., Azarbayejani, A., Darrell, Т., Pentland, A.: Pfinder: Real-time tracking of the human body. 1.EE Transactions on Pattern Analysis and Machine Intelligence 19(7), 780-785, 1997.

2. R. Cucchiara, C. Grana, M. Piccardi, and A. Prati, "Detecting moving objects, ghosts and shadows in video streams", IEEE Trans, on Patt. Anal, and Machine Intell., vol. 25, no. 10, Oct. 2003, pp. 1337-1342.

3. Stauffer C, Grimson WEL. Adaptive background mixture models for real-time tracking. IEEE International Conference on Computer Vision and Pattern Recognition 1999;2:246-52.

4. Elgammal A, Harwood D, Davis LS. Non-parametric model for background subtraction. European Conference on Computer Vision 2000;2:751-67.

5. C. Ridder, O. Munkelt, H. Kirchner, Adaptive background estimation and foreground detection using kalman-filtering, in: Proceedings of International Conference on Recent Advances in Mechatronics, 1995, pp. 193-199.

6. K. Kim, Т.Н. Chalidabhongse, D. Harwood and L. Davis. Real-time Foreground-Background Segmentation using Codebook Model. Real-Time Imaging, vol.11, issue 3, pp. 167-256, June 2005.

7. Csaba Benedek and Tamas Szirany. Markovian Framework for Foreground-Background-Shadow Separation of Real World Video Scenes. ACCV, 2006,pp. 898-907.

8. Konrad Schindler, Hanzi Wang. Smooth Foreground-Background Segmentation for Video Processing. ACCV 2006, Hyderabad, India, Volume 3852, pages 581-590.

9. Патент RU2031545C1, 04.02.1992.

10. Патент RU2250478C2, 11.04.2003.

11. Патент RU2140721C1,27.12.1984. : ' V

12. Патент US7742650, 12.11.2003.

13. Патент US7359552, 15.12.2004.

14. Патент US20080095435, 23.03.2001.

15. Патент US7373012, 01.02.1005.

16. Патент US7415164, 05.01.2005.

17. Horpresert et al, "A Statistical Approach for Real-Time Robust Background and Shadow Detection", Computer Vision Laboratory, University of Maryland, Colledge Park, MD 20742, pp. 1-19, circa 1999.

18. McKenna et al., "Tracking Groups of People", Computer Vision and Image Understanding, Academic Press, San Diego, С A, US, vol. 80, No. 1, Oct. 2000, pp.45-56, XP004439258.

19. C. Harris and M. Stephens, "A combined corner and edge detector", Fourth Alvey Vision Conference, pp. 147-151, 1988.

20. D.G. Lowe. "Object recognition from local scale invariant features", ICCV'99, Sep. 1999.

21. Гмурман B.E. Руководство к решению задач по теории вероятностей и математической статистике. М. Высшая школа // 2004 - с. 121-122., с. 132.

22. Горячкин О.В. Лекции по статистической теории систем радиотехники и связи//2007.-с. 192

23. Ташлинский А.Г. Оценивание параметров пространственных деформаций последовательностей изображений / Ульяновский государственный технический университет. Ульяновск: УлГТУ, 2000. -132 с.

24. Крашенинников В. Р. Основы теории обработки изображений: Учебное пособие. Ульяновск: УлГТУ, 2003. - 150 с.

25. 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.

26. Обухова, Н.А. Метод автоматической сегментации и сопровождения объектов интереса на основе математического аппарата нечеткой логики/

27. Н.А.Обухова // Известия высших учебных заведений России. Сер. Радиоэлектроника. 2007- №3. - С. 53-63.

28. Васин H.H., Куринский В.Ю. Метод обработки. Видеосигналов для измерения скорости движения протяженных объектов // Инфокоммуникационные технологии, 2010. ТЗ. - №2. - С. 36-39.

29. Ляшко И.И., Боярчук А.К., Гай Я.Г., Головач Г.П. Справочное руководство по высшей математике Т.2: Математический анализ: ряды, функции векторного аргумента. М.: Едиториал УРСС, 2003. - с. 196. (определения)

30. ГОСТ 17657—79 «Передача данных. Термины и определения»

31. M. Xu, Т. Ellis, Colour-Invariant Motion Detection under Fast Illumination Changes., 2nd European Workshop on Advanced Video-based Surveillance, pp. 335-345, 2002.

32. Дуда P., Харт П. «Распознавание образов и анализ сцен». // M «МИР», 1976. Пер. с англ. Г. Г. Вайештейнв, А. М. Васьковского, под ред. В. Л. Стефанюка, 509 с.

33. Фуканага К. «Введение в статистическую теорию распознавания образов» // М. Наука, 1979, Пер. с англ. Главная редакция физико-математической литературы, 368 с.

34. И.С. Грузман, B.C. Киричук, Цифровая обработка изображений в информационных системах.

35. Анисимов Б.В., Курганов В.Д., Злобин В.К., «Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов». М.: Высш. шк., 1983 - 295 е., ил.

36. Мандель И.Д. «Кластерный анализ». М.: Финансы и статистика., 1988. - 176 с.

37. Эдвард А. Патрик «Основы теории распознавания образов»: / Пер. с англ. / Под ред. Б.Р. Левина. М. Сов. радио, 1980 - 408 е., ил.

38. Гашников М.В., Глумов Н.И., Ильясова Н.Ю., Мясников В.В., Попов СБ., Сергеев В.В., Сойфер В.А., Храмов А.Г., Чернов A.B., Чернов В.М.,

39. Чичева М.А., Фурсов В. А. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. — 2-е изд., испр. М.: ФИЗМАТЛИТ, 2003. - 784 с. - ISBN 5-9221-0270-2.

40. Дж. Ту, Р. Гонсалес., «Принципы распознавания образов»: / Пер. с англ. И.Б. Гуревича под редакцией Ю.И. Журавлева.- М. «Мир», 1978 с. 403, ил.

41. Прет У. «Цифровая обработка изображений», Пер. с англ. М.: Мир, 1982.-Кн. 2-е. 480, ил.

42. Ван Трис Г. «Теория обнаружения, оценок и модуляции». Т. 3. Обработка сигналов в радио- и гидролокации и прием случайных гауссовых сигналов на фоне помех. Нью-Йорк, 1971. Пер. с англ. под ред. проф. В.Т. Горяинова. М., «Сов. радио», 1977, 664 с.

43. А.Г.Зюко, Д.Д. Кловский, В.И. Коржик, М.В. Назаров «Теория электрической связи»: Учебник для вузов. Под ред. Д.Д. Кловского. -М.: Радио и связь, 1999. 432 е.: 204 ил.

44. Финк JI.M. Сигналы, помехи, ошибки . Заметки о некоторых неожиданностях, парадоксах и заблуждениях в теории связи. 2-е изд. перераб. и доп. - М.: Радио и связь, 1984. - 256с.

45. Прокис Д. Цифровая связь. Пер. с англ. / Под ред. Д.Д. Кловского. М.: Радио и связь. 2000. - 800 с.

46. Н. Kim, R. Sakamoto, I. К. Т. Toriyama, К. Kogure Robust Foreground Segmentation from Color Video Sequences Using Background Subtraction with Multiple Thresholds.

47. Harville M., Gordon G., Woodfill J. Foreground Segmentation Using Adaptive Mixture Models in Color and Depth

48. C. Eveland, K. Konolige, R. Bolles. "Background Modeling for Segmentation of Video-rate Stereo Sequences'Mn CVPR'98, pp.266-271, June 1998.

49. N. Friedman, S. Russell. "Image Segmentation in Video Sequences: a Probabilistic Approach'Mn 13th Conf. on Uncertainty in Artificial Intelligence, August 1997.

50. G. Gordon, T. Darrell, M. Harville, J.Woodfill. "Background Estimation and Removal Based on Range and Color'Mn CVPR'99, Vol.2, pp.459-464, June 1999.

51. Bohyung Han, Dorin Comaniciu, Larry Davis «Sequential kernel density approximation through mode propagation: applications to background modeling»

52. Mustafa Karaman, Lutz Goldmann, Da Yu and Thomas Sikora «Comparison of Static Background Segmentation Methods»

53. N. Ohta, "A Statistical Approach to Background Suppression for Surveillance Systems," Proc. IEEE Int'l Conf. Computer Vision, pp. 481-486, 2001.

54. D. Koller, J.Weber, T. Huang, J. Malik, G. Ogasawara, B. Rao, and S. Russel, "Towards Robust Automatic Traffic Scene Analysis in Real-Time," Proc. Int'l Conf. Pattern Recognition, pp. 126-131, 1994.

55. R. Cucchiara, C. Grana, M. Piccardi, A. Prati, and S. Sirotti, "Improving Shadow Suppression in Moving Object Detection with HSV Color Information," Proc. IEEE Int'l Conf. Intelligent Transportation Systems, pp. 334-339, Aug. 2001.

56. S. Jabri, Z. Duric, H. Wechsler, and A. Rosenfeld, "Detection and Location of People in Video Images Using Adaptive Fusion of Color and Edge Information," Proc. Int'l Conf. Pattern Recognition, pp. 627-630, 2000.

57. N.M. Oliver, B. Rosario, and A.P. Pentland, "A Bayesian Computer Vision System for Modeling Human Interactions," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 831-843, Aug. 2000.

58. A. Prati, R. Cucchiara, I. Mikic, and M.M. Trivedi, "Analysis and Detection of Shadows in Video Streams: A Comparative Evaluation," Proc. IEEE Int'l Conf. Computer Vision and Pattern Recognition, 2001.

59. A. Bainbridge-Smith and R. G. Lane, "Determining Optical Flow Using a Differential Method," Image and Vision Computing, vol. 15, pp. 11-22, 1997.

60. Teresa Ko, Stefano Soatto, and Deborah Estrin «Background Subtraction on Distributions»

61. Jain, R., Nagel, H.:On the analysis of accumulative difference pictures fromimage sequences of real world scenes. IEEE Transactions on Pattern Analysis and Machine Intelligence 1(2), 206-214 (1979)

62. Kameda, Y., Minoh, M.: A human motion estimation method using 3-successive video frames. In: International Conference on Virtual Systems andMultimedia, pp. 135-140 (1996)

63. Harville, M.: A framework for high-level feedback to adaptive, per-pixel, mixture-of-gaussian background models. In: European Conference on Computer Vision, pp. 543-560 (2002)

64. Tian, Y.L., Lu, M., Hampapur, A.: Robust and efficient foreground analysis for real-time video surveillance. In: Computer Vision and Pattern Recognition, pp. 1182-1187 (2005)

65. Mittal, A., Paragios,M.: Motion-based background subtraction using adaptive kernel density estimation. In: IEEE International Conference on Computer Vision and Pattern Recogntion, pp. 302-309 (2004)

66. Comaniciu, D., Ramesh, V., Meer, P.: Kernel-based object tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence 25(5), 564-577 (2003)

67. Sen-Ching S. Cheung, Chandrika Kamath, Robust Background Subtraction with Foreground Validation for Urban Traffic Video

68. S. Maludrottu, C.S. Regazzoni H.Sallam, I. Talkhan and A. Atiya, Corner-based background segmentation using adaptive resonance theory.

69. T. Pun, "A new method for gray-level picture thresholding using the enthropy of the histogram," Signal Processing, vol. 2, pp. 223-237, 1980.

70. A. Cavallaro and T.Ebrahimi, "Change detection based on color edges," Proc. of IEEE International Symposium on Circiuts and Systems, May 2001.

71. S. Avidan Q. Zhu and K.T. Cheng, "Learning a sparse corner-based representation for time-varying background modelling," Proceedings of the Tenth IEEE International Conference in Computer Vision (ICCV'05), 2005.

72. J.H. Reynolds G.A. Carpenter, S. Grossberg, "Artmap: Supervised real-time learning and classification of non-stationary data by a self-organizing neural network," Neural Networks, vol. 4, pp. 565-588, 1991.

73. J. Shi and C. Tomasi, "Good features to track," Proc.IEEE Conf. on Computer Vision and Pattern Recognition (CVPR94), June 1994.

74. P. Tissainayagam and D. Suter, "Assessing the performance of corners detectors for point feature tracking applications," Image and Vision Computing, vol. 22, pp. 663-679, 2004.

75. Shivani Agarwal and Dan Roth Learning a Sparse Representation for Object Detection

76. Logothetis, N.K., Sheinberg, D.L.: Visual object recognition. Ann. Rev. Neurosci. 19 (1996) 577-621

77. Palmer, S.E.: Hierarchical structure in perceptual representation. Cognitive Psychology 9 (1977) 441-474

78. Wachsmuth, E., Oram,M.W., Perrett, D.I.: Recognition of objects and their component parts: responses of single units in the temporal cortex of the macaque. Cerebral Cortex 4 (1994)

79. Biederman, I.: Recognition by components: a theory of human image understanding. Psychol. Review 94 (1987) 115-147.

80. Colmenarez, A.J., Huang, T.S.: Face detection with information-based maximum discrimination. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (1997) 782-787

81. Rowley, H.A., Baluja, S., Kanade, T.: Neural network-based face detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 20 (1998) 23-38

82. Osuna, E., Freund, R., Girosi, F.: Training support vector machines: an application to face detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (1997) 130-136.

83. Amit, Y., Geman, D.: A computational model for visual selection. Neural Computation 11 (1999) 1691-1715.

84. Roth, D., Yang, M.H., Ahuja, N.: Learning to recognize 3d objects. Neural Computation 14 (2002).

85. Viola, P., Jones, M.: Rapid object detection using a boosted cascade of simple features. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (2001).

86. Weber, M., Welling, M., Perona, P.: Unsupervised learning of models for recognition. In: Proceedings of the Sixth European Conference on Computer Vision. (2000) 18-32.

87. Yang, M.H., Roth, D., Ahuja, N.: A SNoW-based face detector. In Solla, S.A., Leen, Т.К., Muller, K.R., eds.: Advances in Neural Information Processing Systems 12. (2000) 855-861.

88. D.M. Gavrila Multi-feature Hierarchical Template Matching Using Distance Transforms

89. Я.А. Фурман, A.K. Передреев, A.A. Роженцов, Р.Г. Хафизов, И.Л. Егоршина, А.Н. Леухин Введение в контурный анализ; приложения к обработке изображений и сигналов/ Под ред. Я.А. Фурмана 2 изд., испр. - М. ФИЗМАЛИТ, 2003, - 592 с. - ISBN 5-9221-0374-1.

90. Krystian Mikolajczyk, Bastian Leibe, Bernt SchieleMultiple Object Class Detection with a Generative Model

91. T. Berg, A. Berg, and J. Malik, Shape Matching and Object Recognition using Low Distortion Correspondence. In CVPR, pages 26-33, 2005.

92. J. Beis and D. Lowe, Shape Indexing Using Approximate Nearest-Neighbour Search in High-Dimensional Spaces. In CVPR, pages 1000-1006, 1997.

93. G. Csurka, C.R. Dance, L. Fan, J. Willamowski, C. Bray. Visual Categorization with Bags of Keypoints In ECCV Workshop, 2004.

94. G. Dorko and C. Schmid. Selection of scale-invariant parts for object class recognition. In ICCV, pages 634-640, 2003.

95. L. Fei-Fei, R. Fergus, P. Perona, A Bayesian Approach to Unsupervised One-Shot Learning of Object Categories. In ICCV, pages 1134-1140, 2003.

96. R. Fergus, P. Perona, and A.Zisserman, Object class recognition by unsupervised scale-invariant learning. In CVPR, pages 264-271, 2003.

97. B. Leibe, E. Seeman, and B. Schiele. Pedestrian Detection in Crowded Scenes. In CVPR, pages 878-885, 2005.

98. B. Leibe, A. Leonardis, and B. Schiele. Robust Object Detection by Interleaving Categorization and Segmentation. Submitted to IJCV, 2006.

99. T. Lindeberg. Feature detection with automatic scale selection. In IJCV, 30(2):79-l 16, 1998.

100. D. Lowe, Distinctive image features from scale-invariant keypoints. IJCV, 2(60):91—110, 2004.

101. K.Mikolajczyk, A. Zisserman, and C. Schmid. Shape recognition with edge-based features. In BMVC, pages 779-788, 2003.

102. K. Mikolajczyk, B. Leibe, and B. Schiele. Local features for object class recognition. ICCV, pages 1792-1799, 2005.

103. J. Shotton, A. Blake and R. Cipolla, Contour-Based Learning for Object Detection. In ICCV, pages 503-510, 2005.

104. J. Sivic, B. Russell, A. Efros, A. Zisserman, andW. Freeman, Discovering object categories in image collections. In ICCV, pages 370-377 , 2005.

105. E. Sudderth, A. Torralba, W. T. Freeman, and A. Wilsky. Learning Hierarchical Models of Scenes, Objects, and Parts. In ICCV, pages 1331— 1338, 2005.

106. A. Torralba, K. Murphy, and W. Freeman. Sharing features: efficient boosting procedures for multiclass object detection. In CVPR, pages 762-769, 2004.

107. M. Weber, M. Welling, and P. Perona, Unsupervised Learning of Models for Recognition. In ECCV, pages 628-0641, 2000.

108. Математический энциклопедический словарь. / Гл. ред. Ю.В.Прохоров; Ред. кол.: С.И. Адян, Н.С.Бахвалов, В.И. Битюцков и др. М.: Сов. энциклопедия, 1988. - 847 с. стр. 459.

109. Майорова О.В., Майоров Е.Е., Туркбоев Б.А. Светотехника // С-Пб., СПбГУИТМО, 2005, с.83.

110. A. Prati, I. Mikic, С. Grana, М. М. Trivedi, «Shadow Detection Algorithms for Traffic Flow Analysis: a Comparative Study», In Proceedings of IEEE Int'l Conf. On Intelligent Transportation Systems, Aug 2001, pp. 340-345

111. H. Farid and E. P. Simoncelli, Differentiation of discrete multi-dimensional signals, IEEE Trans Image Processing, vol. 13(4), pp. 496—508, Apr 2004.

112. Forstner, W. and Gulch, E. 1987, A fast operator for detection and precise location of distinct points, corners and centres of circular features. ISPRS Conference on Fast Processing of Photogrammetric Data, Interlaken. Switzerland, pp. 281-305.

113. Шлезингер М.И., Главач В. Десять лекций по статистическому и структурному распознаванию. Киев: Наук, думка, 2004, 546 с.

114. ПЗ.Монич Ю.И., Старовойтов В.В., Коноплин Е.Е. Сегментация примерно однородных по яркости областей цифровых изображений. Минск: Искусственный интеллект, 2008, 332-338 с.