автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация процессов обработки информации в системах видеонаблюдения на особо опасных производствах



КУЗНЕЦОВ АЛЕКСЕЙ МИХАЙЛОВИЧ

Автоматизация процессов обработки информации в системах видсонаблюдсшш на особо опасных производствах

Специальность 05. ¡3.06- Автоматизация и управление технологическими процессами и производствами (промышленность)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 7 ОЕЗ 2011

Москва 2011

4854366

Работа выполнена в Московском автомобильно-дорожном государственном техническом университете (МАДИ)

Научный руководитель - Заслуженный деятель науки РФ,

доктор технических наук, профессор Николаев Андрей Борисович

Официальные оппоненты: Доктор технических наук, профессор

Суворов Дмитрий Наумович

Кандидат технических наук, Еременко Сергей Владимирович

Ведущая организация: ООО "Автоимпорт", г. Москва.

Защита состоится «4» марта 2011 г. в 10 00 часов на заседании диссертационного совета Д 212.126.05 в Московском автомобильно-дорожном государственном техническом университете (МАДИ), по адресу: г. Москва, Ленинградский просп., д.64, ауд.42

С диссертацией можно ознакомиться в библиотеке Московского автомобильно-дорожного государственного технического университета (МАДИ).

Автореферат разослан «4» февраля 2011г.

Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института.

Ученый секретарь диссертационного совета

кандидат технических наук, доцент

Михайлова Н.В.

Общая хиршасрисгш;:! рабопл

Актуальность проблемы

Системы видсонабяюдеаия - распространённы!! вид технических охранных средств. Как показано в работе, использование средств видеонаблюдения позволяет более эффективно использовать ресурсы охранных структур и организаций для обеспечения эффективного и безопасного функционирования особо опасных производств.

Приблизительно до середины-конца 90-х годов XX века понятие «система видеонаблюдения» обозначало некоторый аппаратный комплекс, состоящий из видеокамер, аппаратуры, записывающей видеосигнал, терминалов с простым управлением для просмотра видео в записи и в реальном времени, а также средств коммуникации между перечисленными элементами. Такие системы принято называть видеорегистраторами. Чаще всего в видеорегистраторах используются неподвижные камеры, реже — камеры на новоротных устройствах.

Системы подобного типа обладают двумя основными недостатками. Во-первых, на операторов, в обязанности которых входит следить за происходящим на изображении, налагается высокая нагрузка, и на практике её можно выдержать только в течение 2-3 часов, даже если камера наблюдения всего одна. Во-вторых, поиск события в видеоархиве, если время события известно не точно, может быть проведён лишь при помощи просмотра архива целиком.

В последнее время системы видеонаблюдения строятся по принципу объединения в единую сеть различных датчиков, регистрирующих обстановку в зоне наблюдения. Цель объединения видеокамер в единую систему заключается в том, чтобы выдавать общую информацию о ситуации в зоне наблюдения в виде единого целого, а не как не связанные друг с другом изображения с видеокамер. Основное назначение подобной системы — максимально упростить анализ информации оператором за счёт первичной обработки и оптимизированного с точки зрения эргономики вывода данных о событиях, происходящих в зоне действия видеоприборов системы, в том числе при осуществлении контроля за ходом производств, относящихся к классу опасных и особо опасных.

Связь видеокамер между собой требует настройки ряда параметров, часть из которых требуется ввести вручную, а часть

автоматически. При этом возникает проблема оптимизации времен» предварительной юстировки сопряжения перед вводом системы в эксплуатацию: чем более прост и более автоматизирован процесс предварительной настройки, тем экономически более . оправдано применение видеосистемы.

Таким. образом, задачи сопряжения видеокамер, связанные с синхронизацией информационных потоков и юстировкой параметров сопряжения, а также задачи оптимального управления поворотными видеокамерами непосредственно связаны с улучшением эффективности видеонаблгодеиия, и поэтому исследования и разработки в данной области являются актуальными.

Цель и основные задачи исследования

Цель работы ........... повысить эффективность контроля особо опасных

производств с помошыо аналитических видеосистем нового поколения за счёт разработки и практической реализации способов автоматического сопряжения и юстировки изображений видеокамер. Создания и анализа алгоритмов синхронизации процессов обработки информационных сигналов от сети видеоприборов и автоматического управления поворотными камерами при наведении на объекты в зоне наблюдения с последующим сопровождением.

Задачи работы. Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести функциональный анализ процессов обработки видеосигналов и разработать описание модели распределённой системы анализа изображений от различных видеоприборов.

2. Определить максимальное количество программ-обработчиков поворотных и неподвижных видеокамер, которые могут быть сопряжены между собой посредством синхронизации информации о наблюдаемых объектах.

3. Вывести соотношения, определяющие параметры сопряжения видеокамер с общей зоной обзора, а также параметры сопряжения видеокамер с планом местности.

4. Для повышения достоверности автоматического выделения, объектов и визуализации событий на изображении исследовать особенности и дополнительные свойства изображений, определяемые юстировкой

видеокамер по отношению к наблюдаемому объекту или технологическому процессу.

5. Разработать способы автоматической настройки параметров сопряжения неподвижных и поворотных видеокамер. Исследовать различные модели управления фокусным расстоянием в объективах поворотных видеокамер.

6. Разработать алгоритм управления поворотными видеокамерами для автоматического наведения на движущиеся объекты.

7. Разработать методики оценки погрешности сопряжения различных типов видеокамер и изображений.

Научная новизна

Состоит в разработке, анализе и применении в приборах и в аналитических видеосистемах эффективных алгоритмов синхронизации изображений и управления поворотными видеокамерами, а также способов автоматизации юстировки параметров сопряжения и обработки информации. В работе развивается концепция систем видеонаблюдения, которая строится на совместной обработке информации с различных видеокамер и на применении элементов теории распознавания образов, что позволяет существенно повысить эффективность контроля особо опасных производствах. В процессе выполнения диссертационной работы получены новые научные результаты.

1. Впервые разработаны алгоритмы сопряжения поворотных и неподвижных видеокамер, использующие автоматическое выделение объектов из потока изображений неподвижных камер, с последующим автоматическим наведением и сопровождением этих объектов в технологическом процессе поворотными камерами для получения изображений большего разрешения. Достигнуты показатели достоверности 99,0% при сопоставлении изображений неподвижных и поворотных камер при наведении.

2. Разработан алгоритм сопоставления изображений одного и того же объекта в поле зрения сопряжённых неподвижных видеокамер с пересекающимися зонами наблюдения за счёт синхронизации информации об изображениях, что позволило исключить дублирующие сигналы об

объектах в зоне наблюдения.

3. Разработаны методики измерения погрешности сопряжения н достоверности сопоставления изображении сопряжённых видеоприборов для оценки эффективности алгоритмов и способов сопряжения.

Достоверность результатов

Для. повышения достоверности классификации впервые применён быстрый алгоритм триангуляции для двумерного признакового пространства. ■ Синтезированы наборы признаков изображений, которые позволяют применить разработанный алгоритм и известные алгоритмы классификации с достоверностью 90%-95%.Достовер1юсть подтверждается сходимостью результатов моделирования основных процессов функционирования разработанных с участием автора видеосистем с данными, полученными в ходе промышленной эксплуатации образцов видеоприборов и видеосистем на различных промышленных предприятиях.

Внедрение результатов

Результаты диссертационной работы внедрены в системе видеонаблюдения «Оте112к», которая используется в целях обеспечения безопасности хранения автомобилей от угона, возгорания и актов вандализма в ООО "Автоимпорт", а также при обеспечении мониторинга за технологическими процессами производства особо горючих веществ. Применение систем подтверждено актами о внедрении.

Структура и объём диссертации

Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений.

Содержание и результаты работы

Во введении даётся обоснование актуальности темы диссертации, формулируются основные цели и задачи работы, описывается практическое значение полученных результатов, а также структура диссертации и краткое содержание глав.

В главе 1 проведён обзор основных методов обработки цифровых видеосигналов, а также методов классификации изображений. Выявлены достоинства методов, позволяющие решать поставленные в работе задачи, и недостатки, которые необходимо устранить. На основе анализа существующих видеосистем определены необходимые параметры

сопряжения и синхронизации изображения: оптимальная' погрешность сопряжения поворотных и неподвижных видеокамер определена как 0,1°, предельная погрешность преобразования сопряжения неподвижных видеокамер, при которой ещё возможно эффективное сопоставление изображении, равна 4 пикселам, и задержка синхронизации данных не должна превышать 3 - ККс. Определены цели и задами работы, заключающиеся в достижении выведенных параметров за счёт разработки высокоэффективных алгоритмов.

В главе 2 описана схема параллельных вычислении распределенных обработчиков аналитической видеосистемы. Проведён вывод ограничении на количест во камер, которые могут взаимодействовать друг с другом при использовании конкретного типа вычислительной техники. Выведены соотношения для сопряжения видеокамер: неподвижных с неподвижными, неподвижных с планом местности, и неподвижных Р1 поворотных. Предложены способы автоматизации настройки сопряжения.

Передача сигналов видео и управления. Наиболее распространённый способ передачи видеосигнала от поворотных и неподвижных видеокамер

до обрабатывающих ЭВМ ....... либо при помощи коаксиального кабеля,

либо по витой паре.

Сигналы управления поворотными устройствами и объективами с переменными параметрами чаще всего передаются по линиям последовательного интерфейса 118-485, дальность передачи по которым не превышает несколько сотен метров. Скорость передачи сигнала зависит от типа поворотной камеры и её настройки, наиболее распространены скорости 4800кбит/с, 9600кбит/с и 19200кбит/с.

Именно расстояния, на которых надежно работает передача сигналов видео и управления, определяют то, что компоненты одной «зоны наблюдения» расположены не далее, чем в одном километре друг от друга.

Любая ЭВМ, способная выполнять операции обработки видеопотока достаточно быстро, может быть сервером аналитической видеосистемы. Количество видеокамер, которое может быть подключено к одному серверу, определяется вычислительной мощностью ЭВМ. Для сохранения архива видео и событий ЭВМ должна обладать внешним носителем информации со скоростью записи и чтения данных, достаточной для сохранения потока видео в реальном времени.

Поскольку программные модули, запускаемые на терминалах аналитических видеосистем, должны принимать сжатый цифровой

■ видеосигнал от многочисленных обработчиков мастер-камер и едейв-камер, и в реальном времени выполнять процедуру декомпрессии видеосигналов, -то требования к вычислительной мощности терминальных ЭВМ также достаточно велики.

База данных аналитической видеосистемы хранит реляционные таблицы с информацией нескольких типов: таблица поворотных и обзорных видеокамер системы с настройками обработчиков для данных камер, таблица-архив событий вместе со свойствами (время возникновения, распознанный тип, файл с фотографией, место события в архиве видео, т.д.), таблица фильтров событий, иначе называемой таблицей «датчиков тревог», таблица кластеров системы с их параметрами, таблица операторов системы с их правами и обязанностями, связанными с наблюдением за зоной (рис.1).

События,фильтры

База данных

/ \

\

/

Терминальные модули

/I

Серверы разпознавания

Серверы видео |

Видеоуправление

Рис. 1. Схема программных компонент

Обычно в системе имеется одна ЭВМ с реляционной базой данных. Любой компонент системы получает доступ к данным в базе посредством SQL-запросов, возможно, выполняемых по сети. Сервер распознавания запускает модули обработчиков видеосигнала, выполняющих алгоритмы системы .по анализу видео с целью распознавания событий, а также алгоритмы управления поворотными камерами и сопряжения различных камер между собой. Выделенные и классифицированные события (в том числе факт срабатывания одного из «датчиков тревог», т.е. факт обнаружения события, прошедшего заданный фильтр) пересылаются но сети в терминальный модуль, чтобы на терминале отображалась текущая ситуация.

Способы автоматизации настройки сопряжении

Рассмотрим три случая расположения двух мастер-камер s и d.

1. Камеры закреплены на значительном расстоянии друг от друга, поверхность зоны наблюдения камер плоская.

2. Камеры закреплены на значительном расстоянии друг от друга, поверхность зоны наблюдения не является плоской, т.е. на экране присутствуют крутые холмы либо индустриальные объекты.

3. Камеры закреплены близко друг от друга настолько, что расстояние между ними пренебрежимо мало по сравнению с расстояниями до зон наблюдения, форма поверхности зоны наблюдения — произвольная.

Первому случаю соответствует рис. 2.

Во втором случае установки камер, когда наблюдаемая поверхность не плоская. В общем случае это преобразование не является даже непрерывным: то, что находится в поле зрения камеры на камере d может быть скрыто каким-нибудь препятствием. Чтобы получить приближение для преобразования в данном сложном случае, необходимо составить либо кусочное преобразование, отдельно выделив на камерах «приближенно-плоские» участки, либо использовать менее точные методы, описанные в п. 2.4. Последний способ не всегда даёт удовлетворительный результат, а выделение участков плоской поверхности связано с объёмным и рутинным подбором исходных данных — на каждом плоском «куске» требуется сетка из не менее, чем четырёх точек, чтобы задать проективное преобразование. Поэтому на практике

камеры, размещённые в соответствии со вторым случаем, не сопрягают друг с другом.

Рис, 2. Два мастера, удалённые друг от друга на расстояние С1С2 Третий случай расположения камер в одной точке замечателен тем, что преобразование координат изображения с одной камеры на другую всегда проективное, независимо от формы наблюдаемой поверхности. В доказательство, рассмотрим плоскость, расположенную перпендикулярно оптической оси камеры Любая точка изображения в общей зоне соответствует прямой, проходящей через центр проекции для камеры и точку зоны, причем эта же прямая соответствует изображению данной точки я для камеры с}, поскольку центры проекции у камер # и й находятся в одной точке. Рассматриваемая прямая пересекает введённую нами плоскость в некоторой точке, поэтому мы можем интерпретировать изображение камер « и с1 как изображение, получаемое с введённой нами

ю

плоскости. Таким образом, третий случай расстановки камер сводится к первому.

Таким образом, наиболее предпочтительно сопрягать камеры, расположенные в одной точке. В этом случае формулы преобразования координат являются проективными, и можно применить описанный метод поиска преобразования с помощью введённых вручную опорных точек.

Начало

Получить кадр Р из сервера видео

X

Обработать кадр алгоритмами выделения движения .получить индикаторную функцию I <х, у) и список объектов ,запустить процедуру класификацни объектов.

Обработать сообщения от других модулей, проверить объекты с других ' камер в общей зоне наблюдения.

Записать полученные данные в базу данных

Да

Конец

Рис, 3, Алгоритм сопряжения поворотных и неподвижных камер

В главе 3. Приведены оценки погрешности сопряжения поворотных и неподвижных видеокамер, а также разработан способ статистической оценки погрешности сопряжения. По результатам теоретической оценки погрешность наведения на неподвижный объект 0,5°, на подвижный объект — 20° в исследованных условиях наведения.

В ряде случаев при наведении слейв может «промахиваться» мимо объекта- цели из-за неточностей различного характера. Если погрешность наведения достаточно велика по отношению к выбранному углу зрения поворотной камеры (т.е. по отношению к увеличению на поворотной камере), то на изображении слейв-камеры не окажется объекта, на который производилось наведение.

Погрешность наведения обусловлена следующими факторами:

1) из-за неточных входных данных и из-за применения приближения малых углов преобразование координат т = А (г), переводящее координаты объекта г ~ (х,у) на мастер-камеры в азимут и склонение т = (а,/3) оп тической оси слейва, вычислено неточно;

2) погрешность метода решения уравнения оказывается достаточно велика, чтобы влиять на точность упреждения;

3) алгоритм выделения движения на изображении мастер-камеры может выдать ошибочные данные о положении объекта на кадре, поэтому скорость объекта V. являющаяся параметром уравнения упреждения, тоже вычисляется с погрешностью;

4) уравнение вычисления упреждения рассчитано на движение объекта с постоянной скоростью и не учитывает того, что объект может ускоряться и замедляться;

5) расчётное время поворота слейв-камеры Т отличается от действительного в силу случайной природы некоторых процессов управления поворотным устройством.

Оценка погрешности преобразования координат изображения мастер-камеры в углы наведения. Будем считать, что разрешение изображения мастера равно \\'*Ь, \у = 352,Ь=288. Введём систему координат с началом в центре изображения мастера и предположим, что для преобразования г = А (г) задана сетка из пяти опорных точек, четыре

точки располагаются в углах изображения мастера и одна точка в центре изображения Со с координатами (0,0).

Расчёт коэффициентов преобразования А (г) производится на основании уравнения отдельно для каждого треугольника' из триангуляции, произведённой на опорных точках. Поэтому, если погрешность исходных данных в точках С/, /' = 0,1,2,3,4, то для вектора г - (х,у) погрешность преобразования г= Л(г) определяется формулами

дР+ С1

31 f дх ^

Вывод соотношения для общей погрешности наведения. Чтобы получить общую формулу для погрешности, введем обозначение г = А(г) для преобразования и г* = А (г*) для преобразования по формулам. Пусть Т, v

......-точные значения времени наведения и средней скорости изображения

объекта за время наведения, соответственно, а Т*, v* — отклонения от точных значений из-за ошибки оценки.

Погрешность ввода данных при сопряжении можно не учитывать, поскольку она соответствует небольшим значениям углов. Погрешность линейной модели преобразования /I можно устранить, либо применяя точные формулы расчёта углов, либо используя опорные точки в точках изображения с максимальной погрешностью. Погрешность, возникающая из-за погрешностей у* и Т*, обусловлена современным состоянием теории алгоритмов, анализирующих движущиеся объекты, а также техническими характеристиками поворотных видеокамер и вычислительных машин, поэтому в рамках данной работы она не может быть устранена. Из оценок, приведённых выше, следует, что для человека, находящегося в центре изображения мастер-камеры, у которой угол зрения 30° и дальность наблюдения L = 100м, при условии, что он двигается с большим ускорением и скоростью, но скорость, тем не менее, определена точно, погрешность наведения может складываться из величин 15° (движение с

ускорением) И 5° (Т* = 0,2с).

При погрешности наведения поворотной камеры 20° и угле зрения сопряжённой неподвижной камеры 30° увеличение изображений объектов более, чем в 1,5 раза, невозможно при условии требования высокой достоверности сопоставления изображений. Либо необходимо ограничить угол зрения поворотной камеры снизу, то есть получать изображения невысокого разрешения по сравнению с изображением мастера, либо упитывать высокую долю промахов при наведении на объект с углом зрения, в несколько раз меньшим, чем погрешность наведения.

Данная оценка приведена для наихудших условий, н выполняется на практике редко. Кроме того, промахи наведения, обусловленные погрешностью определения скорости объекта и времени наведения, можно частично компенсировать многократными попытками наведения, поскольку погрешности V* и Т* носят случайный характер.

При каждом получении списка объектов от мастера диспетчер сохраняет объекты (блок 1), добавляет их в отсортированный список (блок 4), и распределяет объекты из отсортированного списка по свободным слейвам (блок 5). Все три операции будут происходить с частотой /М. При получении сообщения от слейва диспетчер лишь исправляет статус занятости слейва, что практически не занимает процессорного времени. Таким образом, данный алгоритм большую часть времени работает в цикле приёма сообщений от мастеров. На рис.4 изображена блок-схема алгоритма.

Получить сообщение

! I

Тип {

сообщения !

)

Ч...............................

Блок 1: копирование

.......I 1 ...................

Блок 4; Вставка с сохранением сортировки

Сообщение выхода

Рис. 4. Блок-схема алгоритма сопоставления изображений

15

■ В главе 4. Рассмотрены основные результаты работы, которые нашли практическое внедрение при разработке аналитических видеосистем нового поколения.

В основе.диссертационной работы, лежит программное обеспечение с названием «Отее112к. Вклад автора диссертации в разработку данного программного обеспечения заключается во внедрении алгоритмов сопряжения и синхронизации различных приборов-видеокамер, во внедрении алгоритмов управления поворотными камерами, а также в применении алгоритмов классификации.

Основными приборами и оборудованием в «Оте1!2к» являются:

I) неподвижные и поворотные видеокамеры, тип которых определяется типом внешнего освещения и требуемым углом наблюдения;

2} ЭВМ, именуемые серверами системы и предназначенные для анализа видеосигнала и управления поворотными видеокамерами;

3) коммутационное оборудования, предназначенное для передачи видеосигналов, сигналов управления и передачи электропитания приборам системы;

4) терминалы системы видеонаблюдения;

Можно выделить четыре группы видеокамер в зонах наблюдения (четыре неподвижные видеокамеры и две поворотные купальные видеокамеры), зона производства(двенадцать неподвижных видеокамер и две видеокамеры на поворотном устройстве), зал повышенной безопасности (две неподвижные видеокамеры) и контрольно-пропускной пункт (две неподвижные видеокамеры). Видеосигнал от данных видеокамер обрабатывают пять ЭВМ-серверов. Терминалы системы расположены в двух местах: на рабочем месте оператора службы охраны, и у начальника службы безопасности охраняемого участка завода.

В качестве объекта внедрения выбрано предприятие ООО "Автоимпорт" Предприятие имеет собственный парк ТС, оборудованных видеокамерами последнего поколения. Видеокамера осуществляет контроль за проездом транспорта через пропускные пункты, наблюдение за обстановкой на парковке, ввдеоконтроль за зонами автомобильной деятельности, контроль ограждений парковки с целью предотвращения проникновения, осуществляемый средствами оптического наблюдения и вспомогательными индукционными

датчиками, детектирующих прикосновение к ограждению. Схема выполнения функции камеры представлена на рисунке 5.

Автоматическая локализация на плане места появление объекта.

Автоматическое

наведение и переход в режим АС

Автоматическое сопровождение объекта

Рис. 5. Схема выполнения функций в системе «Отое112к» 17

В результате применения разработанных в диссертации алгоритмов и способов, в системе«Ог№'е112к» полностью автоматизировано управление поворотными видеокамерами с целью получения изображений высокого разрешения для объектов, присутствующих в зоне наблюдения неподвижных камер, производится автоматическое сопоставление синхронных изображений объектов на неподвижных видеокамерах с частично обшей зоной обзора.

Перечислим основные достоинства системы, непосредственно связанные с результатами диссертационной работы.

1. Сопряжение видеокамер с планом местности позволяет в несколько раз уменьшить необходимое количество операторов системы для контроля больших периметров наблюдения за счёт повышения эргономических характеристик терминального модуля.

2. Сопряжение неподвижных видеокамер с общей зоной обзора между собой позволяет с достоверностью более 99% сопоставлять изображения одного и того же объекта на разных камерах, что снижает общее количество сигналов об объектах на наблюдаемой территории и позволяет уменьшить количество операторов системы, контролирующих обстановку на -территории.

3. Алгоритмы сопряжения поворотных и неподвижных видеокамер, а также алгоритмы синхронизации и наведения с упреждением на движущиеся объекты позволяют с вероятностью более 99% получать изображения повышенного разрешения для всех объектов в зоне наблюдения неподвижных видеокамер, которые сопряжены с поворотными. Разрешение изображения повышается в 5-10 раз, а применение поворотных видеокамер вместо неподвижных позволяет сократить общее количество видеокамер системы.

4. Использование алгоритмов классификации позволяет расширить область применения аналитических видеосистем. Например, с помощью алгоритмов классификации могут быть решены следующие задачи: наблюдение за автостоянками с целью предотвращения угона, оценка соответствия количества проданных билетов в кинозалы и реального количества зрителей, выделение оставленных вещей в местах скопления людей.

В заключении приведены основные результаты и выводы работы.

Основные выводы и результаты работы

При выполнении диссертационной работы достигнуты следующие

результаты:

1. Разработаны способы и выведены уравнения автоматизации начальной установки и последующего сопряжённого функционирования видеоприборов.

2. Выведены соотношения и разработан алгоритм управления поворотными камерами с адаптивным упреждением, обеспечивающий малые погрешности наведения для неподвижных (0,5°) и движущихся (3°) объектов, а также повышающий разрешение в 10 раз и значительно уменьшающий количество приборов видеонаблюдения при больших углах зрения, причём время автоматического наведения в 20 раз меньше времени при ручном наведении, что особенно важно при мониторинге за особо опасными производствами.

3. Разработан критерий-условие идентичности объектов, если их изображения получены камерами с общей зоной обзора.Разработаны методики измерения погрешности сопряжения стационарных камер, согласно которым погрешности сопоставления равны 4 пиксела для неподвижных изображений и 6 пикселей для подвижных объектов. При данных погрешностях достоверность сопоставления изображений равна 99%.

4. Предложены и проанализированы новые алгоритмы синхронизации программ-обработчиков сигналов видеоприборов. Установлено, что алгоритм синхронизации в циклах обработки сообщений от поворотных и неподвижных камер наиболее эффективен по использованию вычислительных ресурсов.

5. Разработанные в диссертации алгоритмы и способы позволили создать системы видеонаблюдения нового поколения, обеспечивающие автоматическое обнаружение, наведение и сопровождение объектов, значительное улучшение качества их визуализации, классификации и идентификации и автоматическое формирование сигналов управления устройствами предупреждения и заграждения.

6. Результаты диссертационной работы применены в программно-аппаратных комплексах «Оте112к», разработанных при непосредственном участии автора и используемых для эффективного решения задач обеспечения безопасности, например, для охраны объектов.

Приложение содержит документы об использовании результатов работы.

Публикации по теме работы

По теме диссертации опубликовано 4 работы.

Публикации в изданиях, рекомендуемых ВАК

.1. Кузнецов A.M. Система распознавания и визуализации характерных черт человеческого лица в реальном времени / Вестник МАДИ. 2010. -вып. 3(22).......С.83-87.

Публикации в других изданиях

2 .Кузнецов A.M. Мобильные системы глобальной связи / Логистическая поддержка процессов управления: сб. науч. трудов МАДИ - М., 2009......С. 163-173.

3.Кузнецов A.M. Эффективны!! метод сжатия видео без потерь/Кузнецов А.М., Николаев А.Б./ Оптимизация решений в промышленности, строительстве и образовании: сб. науч. тр. МАДИ - М., 2010. - С.35-38.

4.Кузнецов A.M. Протоколы передачи видеосигнала по высокоскоростным компьютерным сетям/ Методы описания и моделирования бизнес-процессов и технологий в промышленности, строительстве и образовании: сб. науч. тр. МАДИ- М, 2010. - С.157-164.

Подписано в печать 01 февраля 2011 г. Формат 60x84x16 Усл. печ. л. 1,0 Тираж 100 экз. Заказ №3 Типография «Техполиграфцентр» Россия, 125319, г. Москва, Ленинградский пр-т, д.64 Тел.: 8-926-724-79-21

ВВЕДЕНИЕ.

1. Методы обработки цифровых информационных видеосигналов

1.1 Обзор современных приборов и систем видео наблюдения.

1.2. Выбор архитектуры вычислительных приборов, языковой среды и компилятора при разработке программного обеспечения для аналитических видеосистем.

1.3. Классификация методов обработки цифровых информационных видеосигналов.

1.4.Анализ достоинств и недостатков традиционных подходов к обработке информационных видеосигналов.

1.5. Параметры сопряжения, синхронизации и классификации, определяющие достоверность выходных данных информационных приборов и систем видеонаблюдения.

1.6.Цели и задачи диссертационной работы.

Выводы по главе 1.

2. Функциональный анализ параллельных процессов обработки видеосигналов и вывод основных соотношений для вычисления коэффициентов преобразования координат и временных интервалов синхронизации при сопряжении изображений.

2.1 .Разработка и описание распределённой модели обработки синхронных видеосигналов от разных источников.

2.2.Анализ ограничений, вытекающих из пропускной способности сети и быстродействия устройств обработки.

2.3. Вывод соотношений для сопряжения видеокамер с общей зоной обзора.

2.4. Исследование особенностей преобразования координат изображения видеокамер на топографический план местности.

2.5.Разработка способов автоматизации настройки сопряжения неподвижных и поворотных видеокамер.

Выводы по главе 2.

3. Исследование и разработка алгоритмов синхронизации, управления и обработки информации для вычислительных процессов в системах и приборах видеонаблюдения.

3.1. Разработка алгоритмов синхронизации программных модулей обработки цифровых информационных массивов.

3.2. Оценка быстродействия алгоритмов синхронизации.

3.3.Вычисление угла упреждения и разработка алгоритма управления наведением поворотных видеокамер на движущийся объект.

3.4.Оценка погрешностей наведения, обусловленных временными параметрами управления поворотными камерами.

3.5.Определение критерия идентичности объектов на изображениях видеокамер.

3.6.Оценка погрешности сопряжения видеокамер на основе достоверности сопоставления изображений.

3.7. Адаптация алгоритмов классификации для распознавания изображений в системах и приборах видеонаблюдения.

Выводы по главе 3.

4. Экспериментальная оценка эффективности разработанных алгоритмов сопряжения, синхронизации, управления и распознавания изображений. Результаты внедрения.

4.1. Описание схемы приборов и блоков аналитической видеосистемы «Ог\уе112к».

4.2 Методика оценки точности сопровождения движущихся объектов.

4.3. Экспериментальная оценка точности управления поворотными видеокамерами.

4.4.Методика оценки достоверности сопоставления изображений объектов на сопряжённых видеокамерах.

4.5. Экспериментальные результаты сопоставления синхронных изображений объектов

4.6. Результаты применения систем распознавания изображений. Оценка достоверности.

4.7. Апробация и внедрение результатов.

Выводы по главе 4.

Системы видеонаблюдения — распространённый вид технических охранных средств. Как показано в работе , использование средств видеонаблюдения позволяет более эффективно использовать ресурсы охранных структур и организаций для обеспечения эффективного и безопасного функционирования особо опасных производств.

Приблизительно до середины-конца 90-х годов XX века понятие «система видеонаблюдения» обозначало некоторый аппаратный комплекс, состоящий из видеокамер, аппаратуры, записывающей видеосигнал, терминалов с простым управлением для просмотра видео в записи и в реальном времени, а также средств коммуникации между перечисленными элементами. Такие системы принято называть видеорегистраторами. Чаще всего в видеорегистраторах используются неподвижные камеры, реже — камеры на поворотных устройствах.

Системы подобного типа обладают двумя основными недостатками. Во-первых, на операторов, в обязанности которых входит следить за происходящим на изображении, налагается высокая нагрузка, и на практике её можно выдержать только в течение 2-3 часов, даже если камера наблюдения всего одна. Во-вторых, поиск события в видеоархиве, если время события известно не точно, может быть проведён лишь при помощи просмотра архива целиком.

В последнее время системы видеонаблюдения строятся по принципу объединения в единую сеть различных датчиков, регистрирующих обстановку в зоне наблюдения. Цель объединения видеокамер в единую систему заключается в том, чтобы выдавать общую информацию о ситуации в зоне наблюдения в виде единого целого, а не как не связанные друг с другом изображения с видеокамер. Основное назначение подобной системы — максимально упростить анализ информации оператором за счёт первичной обработки и оптимизированного с точки зрения эргономики вывода данных о событиях, происходящих в зоне действия видеоприборов системы, в том числе при осуществлении контроля за ходом производств, относящихся к классу опасных и особо опасных.

Связь видеокамер между собой требует настройки ряда параметров, часть из которых требуется ввести вручную, а часть автоматически. При этом возникает проблема оптимизации времени предварительной юстировки сопряжения перед вводом системы в эксплуатацию: чем более прост и более автоматизирован процесс предварительной настройки, тем экономически более оправдано применение видеосистемы.

Таким образом, задачи сопряжения видеокамер, связанные с синхронизацией информационных потоков и юстировкой параметров сопряжения, а также задачи оптимального управления поворотными видеокамерами непосредственно связаны с улучшением эффективности видеонаблюдения, и поэтому исследования и разработки в данной области являются актуальными.

Цель работы. Цель данной диссертации — повысить эффективность контроля обстановки с помощью аналитических видеосистем нового поколения за счёт разработки и практической реализации способов автоматического сопряжения и юстировки изображений видеокамер. Создания и анализа алгоритмов синхронизации процессов обработки информационных сигналов от сети видеоприборов и автоматического управления поворотными камерами при наведении на объекты в зоне наблюдения с последующим сопровождением.

Задачи работы. Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести функциональный анализ процессов обработки видеосигналов и разработать описание модели распределённой системы анализа изображений от различных видеоприборов.

2. Определить максимальное количество программ-обработчиков поворотных и неподвижных видеокамер, которые могут быть сопряжены между собой посредством синхронизации информации о наблюдаемых объектах.

3. Вывести соотношения, определяющие параметры сопряжения видеокамер с общей зоной обзора, а также параметры сопряжения видеокамер с планом местности.

4. Для повышения достоверности автоматического выделения объектов и визуализации событий на изображении плана местности исследовать особенности и дополнительные свойства изображений, определяемые юстировкой видеокамер по отношению к топографической карте.

5. Разработать способы автоматической настройки параметров сопряжения неподвижных и поворотных видеокамер. Исследовать различные модели управления фокусным расстоянием в объективах поворотных видеокамер.

6. Разработать алгоритм управления поворотными видеокамерами для автоматического наведения на движущиеся объекты.

7. Разработать методики оценки погрешности сопряжения различных типов видеокамер и изображений.

8. Провести синтез наборов признаков изображений объектов, которые позволяют применение алгоритмов классификации изображений и их автоматической идентификации с высокой достоверностью.

Методы исследований. Задачи диссертационной работы решены с применением теории сложности алгоритмов, методов обработки цифровых сигналов-изображений, теории вычислительных методов оптимизации, фактов проективной и сферической геометрии, теории вероятности.

Научная новизна состоит в разработке, анализе и применении в приборах и в аналитических видеосистемах эффективных алгоритмов синхронизации изображений и управления поворотными видеокамерами, а также способов автоматизации юстировки параметров сопряжения и обработки информации. В работе развивается концепция систем видеонаблюдения, которая строится на совместной обработке информации с различных видеокамер и на применении элементов теории распознавания образов. В процессе выполнения диссертационной работы получены новые научные результаты.

1. Разработана модель параллельных вычислений для комплекса программ, обслуживающих сопряжённые видеоприборы. Для данной модели определены ограничения на количество сопряжённых приборов в сети аналитической видеосистемы, а также сформулирована и решена проблема полуавтоматической юстировки начальных параметров сопряжения.

2. Впервые разработаны алгоритмы сопряжения поворотных и неподвижных видеокамер, использующие автоматическое выделение объектов из потока изображений неподвижных камер, с последующим автоматическим наведением и сопровождением этих объектов поворотными камерами для получения изображений большего разрешения. Достигнуты показатели достоверности 99,0% при сопоставлении изображений неподвижных и поворотных камер при наведении.

3. Разработан алгоритм сопоставления изображений одного и того же объекта в поле зрения сопряжённых неподвижных видеокамер с пересекающимися зонами наблюдения за счёт синхронизации информации об изображениях, что позволило исключить дублирующие сигналы об объектах в зоне наблюдения.

4. На основе метода программирования разработаны процедуры сопоставления изображений неподвижных камер с топографической подосновой.

5. Созданы различные модели управления поворотными видеокамерами и предложены несколько способов автоматической юстировки параметров сопряжения поворотных и неподвижных камер. В частности, разработан алгоритм составного перемещения поворотной камеры на заданный угловой вектор.

6. Разработаны методики измерения погрешности сопряжения и достоверности сопоставления изображений сопряжённых видеоприборов для оценки эффективности алгоритмов и способов сопряжения.

7. Для повышения достоверности классификации впервые применён быстрый алгоритм триангуляции для двумерного признакового пространства. Синтезированы наборы признаков изображений, которые позволяют применить разработанный алгоритм и известные алгоритмы классификации с достоверностью 90%-95%.

Внедрение результатов. Результаты диссертационной работы внедрены в системе видеонаблюдения «Ог\уе112к», которая используется в целях обеспечения безопасности хранения автомобилей от угона, возгорания и актов вандализма в ООО "Автоимпорт". Применение систем подтверждено актами о внедрении.

Личный вклад. Автором в рамках диссертационной работы лично решены следующие задачи.

1. Создана модель параллельных вычислений, позволяющая посредством синхронизации информации об анализируемых изображениях объединять в сети обработчики сопряжённых видеокамер. Для данной модели решена задача полуавтоматической юстировки параметров сопряжения видеоприборов.

2. Разработаны алгоритмы сопряжения поворотных и неподвижных видеокамер, обеспечивающие автоматическое наведение поворотных камер с малыми погрешностями на неподвижные(0,5°) и подвижные(3°) объекты, а также позволяющие получать изображения большего разрешения при достоверности наведения и сопровождения 99,0%, причём время автоматического наведения в 20 раз меньше времени, требуемого для ручного наведения.

3. Разработан алгоритм сопоставления изображений в области зрения неподвижных видеокамер с пересекающимися зонами наблюдения, что позволило исключить дублирующие сигналы об одних и тех же объектах в зоне пересечения.

4. Созданы алгоритмы и способы сопоставления изображений неподвижных камер, сопряжённых между собой, и неподвижных камер с изображениями топографического плана местности.

5. Разработаны способы автоматической юстировки параметров сопряжения поворотных и неподвижных камер для различных моделей управления поворотными видеокамерами. Разработан алгоритм составного перемещения поворотных видеокамер на заданные углы.

6. Разработан и реализован быстрый алгоритм триангуляции для классификации изображений с двумя признаками. Решена проблема поиска оптимальных наборов признаков изображений объектов, которые позволяют применить алгоритмы классификации изображений с достоверностью 90%-95%.

7. Разработанные алгоритмы и способы использованы при разработке программных модулей настройки и функционирования сопряжения видеоприборов для видеосистем.

8. Разработаны методики измерения погрешности сопряжения стационарных камер, согласно которым экспериментально получена достоверность сопоставления изображений 99% при погрешностях сопряжения 4 пиксела для неподвижных объектов и б пикселей для подвижных объектов.

9. Автор диссертации участвовал как непосредственно, так и дистанционно в пуско-наладочных работах на объекте при установке видеосистем, в которых внедрены результаты диссертации, а также разрабатывал методические указания по настройке программно-аппаратных комплексов и приборов видеонаблюдения.

На защиту выносится:

1. Алгоритм параллельных вычислений, позволяющий посредством синхронизации информации об анализируемых изображениях объединять в сети обработчики сопряжённых видеокамер и способы полуавтоматической юстировки параметров сопряжения видеоприборов.

2. Алгоритмы сопряжения поворотных и неподвижных видеокамер, обеспечивающие автоматическое наведение поворотных камер с'малыми погрешностями 0,5° на неподвижные объекты и 3° на подвижные объекты, а также позволяющие получать изображения большего разрешения при достоверности наведения и сопровождения 99,0%, причём время автоматического наведения в 20 раз меньше времени, требуемого для ручного наведения.

3. Алгоритм сопоставления изображений в области зрения неподвижных видеокамер с пересекающимися зонами наблюдения, исключающий дублирующие сигналы об одних и тех же объектах.

4. Алгоритмы и способы сопоставления изображений неподвижных камер с изображеииями топографического плана местности.

5. Способы автоматической юстировки параметров сопряжения поворотных и неподвижных камер для различных моделей управления поворотными видеокамерами. Алгоритм автоматического составного перемещения поворотных видеокамер на заданные углы.

6. Алгоритм классификации изображений на основе быстрого алгоритма триангуляции и синтез наборов признаков изображений, которые позволяют применение алгоритмов классификации с достоверностью 90%-95%.

7. Программные модули настройки и функционирования сопряжения видеоприборов для видеосистем.

8. Методики измерения погрешности сопряжения стационарных камер, согласно которым экспериментально получена достоверность 99% для сопоставления изображений видеокамер с общей зоной обзора при погрешностях сопряжения 4 пиксела для неподвижных объектов и б пикселей для подвижных объектов.

Содержание и результаты работы. Во введении даётся обоснование актуальности темы диссертации, формулируются основные цели и задачи работы, описывается практическое значение полученных результатов, а также структура диссертации и краткое содержание глав.

В главе 1 проведён обзор основных методов обработки цифровых видеосигналов, а также методов классификации изображений. Выявлены достоинства методов, позволяющие решать поставленные в работе задачи, и недостатки, которые необходимо устранить. На основе анализа существующих видеосистем определены необходимые параметры сопряжения и синхронизации изображения: оптимальная погрешность сопряжения поворотных и неподвижных видеокамер определена как 0,1°, предельная погрешность преобразования сопряжения неподвижных видеокамер, при которой ещё возможно эффективное сопоставление изображений, равна 4 пикселам, и задержка синхронизации данных не должна превышать 3 - 10-2с. Определены цели и задачи работы, заключающиеся в достижении выведенных параметров за счёт разработки высо коэ ф ф ективных алгоритмов.

В главе 2 описана схема параллельных вычислении распределённых обработчиков аналитической видеосистемы. Проведён вывод ограничений на количество камер, которые могут взаимодействовать друг с другом при использовании конкретного типа вычислительной техники. Выведены соотношения для сопряжения видеокамер: неподвижных с неподвижными, неподвижных с планом местности, и неподвижных Р1 поворотных. Предложены способы автоматизации настройки сопряжения. Разработан алгоритм, полностью автоматизирующий настройку управления фокусировкой при сопряжении поворотных видеокамер. Приведены теоретические оценки точности преобразования сопряжения.

В главе 3 на основе результатов предыдущей главы разработаны алгоритмы синхронизации и приведены оценки их быстродействия, а также выведены соотношения для угла упреждения при управлении поворотной камерой в процессе наведения на движущиеся объекты, предложен критерий идентичности изображений объектов в зоне пересечения областей зрения двух видеокамер. Приведены оценки погрешности сопряжения поворотных и неподвижных видеокамер, а также разработан способ статистической оценки погрешности сопряжения. По результатам теоретической оценки погрешность наведения на неподвижный объект 0,5°, на подвижный объект — 20° в исследованных условиях наведения. Рассмотрены способы применения алгоритмов распознавания в аналитических видеосистемах.

В главе 4 предложены методики измерения погрешности сопряжения и достоверности результатов алгоритмов распознавания. Проведены экспериментальные измерения, в результате которых оказалось, что погрешность наведения поворотных видеокамер на неподвижный объект равна 0,5°, а погрешность наведения па подвижный объект равна 3°. Рассмотрены основные результаты работы, которые нашли практическое внедрение при разработке аналитических видеосистем нового поколения.

В заключении приведены основные результаты и выводы работы.

Выводы

1. Проведён функциональный анализ приборно-блочной схемы обобщённой аналитической видеосистемы на примере системы «Опуе112к, разработанной с участием автора диссертации. Показано, что данная система за счёт автоматизации функциональных блоков в 20 раз быстрее выполняет действия, аналогичные действиям систем, рассмотренных в главе 1.

2. Для систем типа «Опуе112к впервые разработаны методики измерения погрешности наведения поворотных видеокамер и погрешности сопряжения изображений неподвижных видеокамер с пересечением зон наблюдения.

3. Измерена погрешность наведения поворотных видеокамер на неподвижные объекты при использовании методов сопряжения, описанных в диссертационной работе. Погрешность составила 0,5°, что совпадает с теоретической оценкой, полученной ранее с достоверностью 20%.

4. Экспериментально обоснована эффективность алгоритма наведения с адаптивным упреждением, разработанного в диссертационной работе: измеренная погрешность наведения составляет 3°, что более чем в два раза меньше погрешности при применении простейшего алгоритма наведения без упреждения.

5. Разработанный в диссертации алгоритм наведения с адаптивным упреждением позволяет автоматически получать изображения объектов с разрешением в 10 раз большим, чем разрешение изображения того же объекта на неподвижной камере, при этом не требуется увеличение количества видеокамер в сотни раз.

6. В результате обработки массива экспериментальных данных вычислена погрешность сопряжения неподвижных изображений для мастер камер с общей зоной обзора, которая составила 4 пиксела. В то же время для подвижных изображений в условиях локальной синхронизации данных погрешность сопряжения б пикселей, а при сетевой синхронизации — 10 пикселей. Увеличение погрешности сопряжения в 2 раза привело к увеличению количества ошибок сопоставления более, чем в 10 раз, что подтверждает целесообразность обработки изображений сопряжённых мастеров на одной ЭВМ.

7. Измерена доля ошибок при сопоставлении изображений объектов, выделенных обработчиками мастер-камер, запущенных на одной и той же ЭВМ. По результатам измерений доля промахов составила 1%.

8. Проведён синтез наборов признаков классификации изображений, для которых измерена достоверность классификации при применении алгоритмов распознавания. Достоверность классификации достигает уровня 90%-95%.

ЗАКЛЮЧЕНИЕ

При выполнении диссертационной работы достигнуты следующие результаты.

1. Разработаны способы и выведены уравнения автоматизации начальной установки и последующего сопряжённого функционирования видеоприборов.

2. Выведены соотношения и разработан алгоритм управления поворотными камерами с адаптивным упреждением, обеспечивающий малые погрешности наведения для неподвижных (0,5°) и движущихся (3°) объектов, а также повышающий разрешение в 10 раз и значительно уменьшающий количество приборов видеонаблюдения при больших углах зрения, причём время автоматического наведения в 20 раз меньше времени при ручном наведении.

3. Разработан критерий-условие идентичности объектов, если их изображения получены камерами с общей зоной обзора. Проанализированы и установлены ограничения критерия: скорость движения человека <15км/ч, автомобиля <90км/ч. При больших скоростях достоверность критерия понижается.

4. Разработаны методики измерения погрешности сопряжения стационарных камер, согласно которым погрешности сопоставления равны 4 пиксела для неподвижных изображений и б пикселей для подвижных объектов. При данных погрешностях достоверность сопоставления изображений равна 99%.

5. Предложены и проанализированы новые алгоритмы синхронизации программ-обработчиков сигналов видеоприборов. Установлено, что алгоритм синхронизации в циклах обработки сообщений от поворотных и неподвижных камер наиболее эффективен по использованию вычислительных ресурсов.

6. Исследованы способы применения алгоритмов классификации изображений в аналитических видеосистемах. Впервые предложено использовать триангуляцию при классификации объектов. Проведён синтез наборов признаков, при которых достоверность классификации 90%-95%.

7. Разработанные в диссертации алгоритмы и способы позволили создать системы видеонаблюдения нового поколения, обеспечивающие автоматическое обнаружение, наведение и сопровождение объектов, значительное улучшение качества их визуализации, классификации и идентификации и автоматическое формирование сигналов управления устройствами предупреждения и заграждения.

1. Петричкович Я.Я., «Электронные системы обеспечения безопасности на основе интегральных интеллектуальных датчиков», диссертация на соискание степени доктора технических наук, Москва, 2006.

2. Гарсиа М., «Проектирование и оценка систем физической защиты», Пер. с англ. —М.: Мир, 2003.

3. Введенский Б. «Современные системы охраны периметров», журнал «Алгоритм безопасности», №4, 2003.

4. Линев Н.В,.Никитин А.А,.Климов А.В, «Раннее обнаружение несанкционированного проникновения», журнал «Системы безопасности», № 27, М.: 1999, с. 24-31.

5. Т. Kanade, R. Collins, A. Lipton, P. Anandan and P. Burt, "Cooperative multisensor video surveillance", Proc. of the DARPA Image Understanding Workshop, May 1997, volume 1, pp. 3-10.

6. V.R. Dorin Comaniciu and P. Meer, "Kernel-based object tracking", Transactions on Pattern Analysis and Machine Intelligence 25, May 2003.

7. D. Beymer, P. McLauchlan, B. Coifman, and J. Malik, "A real-time computer vision system for measuring traffic parameters", IEEE Proc. CVPR, 1997, pp. 495-501.

8. B. Coifman, D. Beymer, P. McLauchlan, and J. Malik, "A real-time computer vision system for vehicle tracking and traffic surveillance", Transportation Research: Part C, vol. 6, №4, 1998, pp. 271-288.

9. D. Kollery, K. Daniilidisy, and H.-H. Nagelyz, "Model-based object tracking in monocular image sequences of road traffic scenes", International journal of Computer Vision, №10, 1993, pp. 257-281.

10. Cheung, S.-C. Kamath, C. Kamath, "Robust techniques for background subtraction in urban traffic video", Proc. of Electronic Imaging: Visual Communications and Image Processing 2004 (Part One), San Jose, California, 2004.

11. Вапник B.H., Червоненкис А.Я., «Теория распознавания образов», М.: «Наука», 1974.

12. Журавлёв Ю.И., «Непараметрические задачи распознавания образов», «Кибернетика», №6, 1976,

13. Дуда Р., Харт П., «Распознавание образов и анализ сцен», М.: Мир, 1976.

14. Галушкин А.И., «Единый подход к решению задач обучения и самообучения систем распознавания образов», труды МИЭМ, вып. 6, 1970, с. 104-120.

15. Ахмед Н., Pao К.Р., «Ортогональные преобразования при обработке цифровых сигналов», пер. с англ./под ред. И.Б. Фоменко, М.: Связь, 1980.

16. Грузман И.С, Киричук B.C., Косых В.П., Перетягин Г.И., Спектор А.А, «Цифроваяобработка изображений в информационных системах», Новосибирск: Издательство НГТУ, 2000.

17. Ярославский Л.П., «Введение в цифровую обработку изображений», М.: Советское радио, 1979.

18. Прэтт Е., «Цифровая обработка изображений», пер. с англ., М.: Мир, 1982, кн. 1.19. «Применение цифровой обработки сигналов», под ред. Оппенгейма, пер. с англ., М: Мир, 1980.

19. Т. Kanade, R. Collins, A. Lipton, P. Burfc and L. Wixson, "Advances in cooperative multisensor video surveillance", Proc. of the DARPA Image Understanding Workshop, November 1998, volume 1, pp. 3-24.

20. Зворыкин В.К., «Телевидение».//М.: «Успехи физических наук», 1934, т. XIV, с. 778807.

21. W.S. Boyle, G.E. Smith, "Charge coupled semiconductor devices", Bell Syst. Tech. J., 1970, №49, pp. 587-93.

22. G. Booch, "Object-Oriented Analysis and Design with Applications", Benjamin/Cummings, 1994, ISBN 0-8053-5340-2.31. "Standard for the С++ programming language", ISO/IEC 14882, 1998.

23. B. Straustrup, "The С++ programming language", AT&T Labs Florham Park, New Jersey, 2004.

24. Даджеон Д., Мерсеро P., «Цифровая обработка многомерных сигналов», пер. с англ., М.: Мир, 1988.

25. Блейхут Р., «Быстрые алгоритмы цифровой обработки сигналов», пер. с англ., М: Мир, 1989.

26. D.L Вашеа, H.F. Silverman, "A class of algorithms for fast digital image registration", IEEE Trans. Computers, №21, 1972, pp. 179-186.

27. J.P. Lewis, "Fast template matching", Vision Interface conference, 1995, pp. 120-123.

28. Steven L. Kilthau, Mark S. Drew and Torsten Moller, "Full search content independent block matching based on the fast Fourier transform", IEEE 1CIP, I, 2002, pp. 669-672

29. Bruce D. Lucas, Takeo Kanade, "An iterative image registration technique with an application to stereo vision", Proc. of Imaging Understanding Workshop, 1981, pp. 121-130.

30. Chris Stauffer, and W. Eric L. Grimson, "Learning patterns of activity using realtime tracking", IEEE transactions on pattern analysis and machine intelligence, vol. 22, №8, August, 2000, pp. 747-757.

31. Y. Matsushita, K. Nishino, K. Ikeuchi, M. Sakauchi, "Illumination normalization with time-dependent intrinsic images for video surveillance", IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Proc, vol. 1, 2003, pp. I-3-I-10.

32. Prati, I. Mikie, C. Grana, M. Trivedi, "Shadow detection algorithms for traffic flow analysis: a comparative study", IEEE Trans. Intell. Transport. Syst. (2001), pp. 340-345.

33. J. Staiider, R. Mech, J. Ostermann, "Detection of moving cast shadows lor object segmentation", IEEE. Trans. Multimedia, 1:1, pp. 65-76, 1999.

34. T. Horprasert, D. Harwood, L. Davis, "A statistical approach for real time robust background subtraction and shadow detection", in IEEE Frame Rate Workshop, 1999.

35. Ying-Li Tian, Arun Hampapur, "Robust salient motion detection with complex background for real-time video surveillance", IEEE Workshop on Motion and Video Computing (WACV/MOTION'05), volume 2, 2005.

36. E.H. Adelson and J.R. Bergen, "The plenoptic function and the elements of early vision", in M.S. Landy and J.A. Movshon (Eds.), "Computational Models of Visual Processing", Cambridge, Massachusetts: MIT Press, 1991, pp. 3-20.

37. Kevin J. Bradshaw, Ian D. Reid, and David W. Murray, "The active recovery of 3D motion trajectories and their use in prediction", IEEE transactions on Pattern Analysis and Machine Intelligence, vol. 19, №3, March 1997, pp. 219-234.

38. R. Collins, Y. Tsin, J.R. Miller, and A. Lipton, "Using a DEM to determine geospatial object trajectories", in Proc. DARPA Image Understanding Workshop, Monterey, CA, Nov.1998, pp. 115-122.

39. G. Stein, R. Romano, and L. Lee, "Monitoring activities from multiple video streams -establishing a common coordinate frame", IEEE Trans. PAMI, vol. 22, Aug. 2000, pp. 758767.

40. S. Khan and M. Shah, "Consistent labeling of tracked objects in multiple cameras with overlapping fields of view", IEEE PAMI, 25(10), 2003, pp. 1355-1360.

41. Kim C. Ng, Hiroshi Ishiguro Mohan Trivedi, Takushi Sogo, "An integrated surveillance system human tracking and view synthesis using multiple omnidirectional vision sensors", "Image and Vision Computing", vol. 22, issue 7, July 2004, pp. 551-561.

42. Mohan Trivedi, Kohsia Huang, Ivana Mikic, "Intelligent environments and active camera networks", IEEE Proc. conference on systems, man, and cybernetics, Oct. 2000, pp. 804809.

43. K.S. Huang and M.M. Trivedi, "Video arrays for real-time tracking of persons, head, and face in an intelligent room", Machine Vision Applications, vol. 14, №2, 2003, pp. 103-111.

44. S.A. Hutchinson, G.D. Hager, and P.I. Corke, "A tutorial on visual servo control", IEEE Trans. Robotics and Automation, vol. 12, №5, Oct. 1996, pp. 651-670.

45. Robert T. Collins, Omead Amidi, Takeo Kanade, "An active camera system for aquiring multiview video", Carnegy Mellone Univ, IEEE ICEP 2002.

46. Айзерман M.A., Броверман Э.М., Розенэр Л.И., «Метод потенциальных функций в теории обучения машин», М.: «Наука», 1970.

47. Журавлёв Ю.И., «Об алгебраическом подходе к решению задач распознавания или классификации», «Проблемы кибернетики», выпуск 33, М.: Наука, 1978.

48. Журавлёв Ю.И., «Построение алгоритмов распознавания, корректных для заданной выборки», журнал вычислительной математики и математической физики, том 19, №3, май-июнь 1979.

49. Журавлёв Ю.И., «Об алгоритмах распознавания с представительными наборами (о логических алгоритмах)», журнал вычислительной математики и математической физики, том 42, №9, 2002, с. 1425-1435.

50. Лапко А.В., Лапко В.А., Соколов М.И., Ченцов СВ., «Непараметрические системы классификации», Новосибирск: «Наука», 2000.

51. Горелик А.Л., Скрипкин В.А., «Методы распознавания», М.: «Высшая школа», 1977.

52. Айвазян С.А., Бухштабер В.М., Енгоков И.С, Мешалкин Л.Д., «Прикладная статистика: классификация и снижение размерности, справочное издание», пер. с англ., М: Финансы и статистика, 1989.

53. Simon Hay kin, "Nueral networks — a comprehensive foundation", 2nd Ed., Prentice-Hall of India Private Ltd., New Delhi, 1999.