автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения

На правах рукописи

Никитин Руслан Владимирович

МЕТОД И АЛГОРИТМЫ СТИЛИЗАЦИИ ИЗОБРАЖЕНИЯ В ЦИФРОВЫХ СИСТЕМАХ ОХРАННОГО ТЕЛЕВИДЕНИЯ

Специальность: 05.12.04 — Радиотехника, в том числе системы и устройства

телевидения

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург - 2006

Работа . выполнена в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» имени В. И. Ульянова (Ленина)

Научный руководитель - доктор технических наук, профессор Лысенко Н. В.

Официальные оппоненты:

доктор технических наук, профессор Полосин Л. Л. кандидат технических наук Никифоров С. Г.

Ведущая организация — Федеральное Государственное Унитарное Предприятие «Научно-исследовательский институт телевидения», г. Санкт-Петербург.

Защита состоится « 2-0 » _2006 г. в часов на заседании

диссертационного совета Д^212.2^8.03 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В. И. Ульянова (Ленина) по адресу: 197376, г. Санкт-Петербург, ул. Проф. Попова, 5.

С диссертацией можно ознакомиться в библиотеке СПбГЭТУ «ЛЭТИ».

Автореферат разослан « 2.0 .» НЛдЗ^Л- 2006 г.

Ученый секретарь диссертационного совета

Баруздин С. А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Рассматривая довольно короткую еще историю человечества в 21-ом веке, приходится констатировать, что одной из характерных черт данного времени является не улучшающаяся криминалистическая обстановка в обществе, поэтому охранные системы в целом и системы охранного телевидения (СОТ) в частности являются востребованными в наивысшей степени.

Ведущие фирмы Российской Федерации и мира занимаются разработкой СОТ: ФГУП «НИИТ», ЗАО «INFOPRO», Группа компаний ИСТА, ITV, ЗАО «ЭВС», Bosch Security Systems, Panasonic, Axis Communications, SANYO VIDEO Vertrieb AG и др.

Значительный вклад в развитие, совершенствование теории и практики СОТ внесли отечественные и зарубежные ученые: А.К. Цыцулин, Л. JL Полосин, Б.С. Тимофеев, А.Н. Куликов, V. Damjanovski и др.

В настоящее время в сфере СОТ на фоне интенсивного технического прогресса уделяется незаслуженно мало внимания такой области, как психофизиология восприятия изображения оператором СОТ. Однако любые СОТ по-прежнему основываются на способности операторов обнаруживать и идентифицировать происшествия, а их физические возможности не безграничны.

Большинство СОТ управляется коллективом операторов, которые смотрят на «видеостены» (совокупность мониторов, воспроизводящих разнородную информацию). При этом люди устают и, кроме того, зрительный аппарат человека не в состоянии быстро выявить мелкие изменения картины такие, как оставленный кейс или пакет. Необходимо также принимать во внимание фактор недобросовестности операторов СОТ -зачастую, несмотря на установку большого количества телевизионных камер (ТК) с целью максимального охвата территории наблюдения, в действительности оператор СОТ может тщательно не контролировать сектор, за который несет ответственность. Кроме того, иногда невозможно обеспечить нужное количество операторов для просмотра изображения со всех установленных ТК. Следовательно, видеоданные от многих ТК пропадают. Более того, основная часть передаваемого на мониторы изображения не имеет никакого значения, а иногда даже не имеет никакого отношения к тем рискам, которые характерны для данного объекта.

Таким образом, можно предположить, что использование некоего специального метода обработки изображения (метода стилизации изображения) сконцентрирует внимание оператора СОТ на самых существенных, самых информативных подробностях наблюдаемого изображения в контексте решаемой задачи.

Стилизация изображения приведет к снижению времени реакции оператора на нештатную ситуацию и обеспечит принятие наиболее целесообразных мер защиты и противодействия возникающим

обстоятельствам. Следовательно, повысится эффективность работы оператора СОТ. Поэтому разработка методов стилизации изображения для систем охранного телевидения является актуальной.

Цель и задачи работы. Целью работы является разработка метода и алгоритмов обработки (стилизации) изображения в цифровых СОТ для сокращения времени опознавания объектов оператором при решении задач идентификации движения и идентификации сцен.

Для достижения указанной цели требуется решение следующих

задач:

1. Анализ специфических особенностей СОТ.

2. Анализ особенностей механизма зрительного восприятия изображения человеком.

3. Разработка метода стилизации изображения для задач идентификации движения и задач идентификации сцен.

4. Разработка алгоритмов стилизации изображения для задач идентификации движения и задач идентификации сцен.

5. Проведение экспериментальных исследований, оценивающих эффективность разработанного метода стилизации изображения.

Методы исследования. В диссертации использованы методы теории зрительного восприятия, математического аппарата теории вероятностей, теории wavelet-анализа, теории дискретных сигналов, цифровой обработки изображений. Экспериментальная часть исследования базировалась на обработке и анализе цифровых изображений с помощью ПЭВМ с последующей численной и визуальной оценкой результатов. Для программной реализации разработанных алгоритмов использовались системы математического моделирования Mathcad и MATLAB.

Научная новизна диссертационной работы состоит в следующем:

1. Разработан метод стилизации изображения в СОТ для решения задач идентификации движения и идентификации сцен, моделирующий операции зрительной системы человека по выделению и подчеркиванию простых признаков изображения (контуры, сегменты).

2. Предложено использовать сегментацию изображения при реализации метода стилизации изображения в СОТ для решения задач идентификации движения и идентификации сцен.

3. Разработан комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed.

Научные положения, выносимые на защиту:

1. Сегментация изображения комбинацией алгоритмов: дискретного wavelet-преобразования, детектора контуров Канни, сегментации watershed позволяет моделировать операции выделения и подчеркивания простых признаков изображения в зрительной системе человека.

2. Решение задачи идентификации движения по сегментированному изображению позволяет уменьшить время опознавания объектов.

3. Решение задачи идентификации сцен по изображению, подвергнутому сегментации и ранжированию сегментов по среднему значению их детализирующих wavelet-коэффициентов, позволяет уменьшить время опознавания объектов сцены.

Практическая ценность диссертационной работы:

1. Разработанный метод и соответствующий алгоритм стилизации изображения для задачи идентификации движения позволяет сократить время опознавания объектов оператором СОТ на изображении в среднем в 2 раза.

2. Разработанный метод и соответствующий алгоритм стилизации изображения для задачи идентификации сцен позволяет сократить время опознавания объектов оператором СОТ на изображении в среднем в 1,4 раза.

3. Применение разработанного метода стилизации изображения в СОТ повышает эффективность работы оператора и позволяет либо сократить число рабочих мест операторов при сохранении числа ТК, либо увеличить число ТК при сохранении числа рабочих мест операторов.

Личный вклад. Включенные в диссертацию материалы получены лично автором: метод стилизации изображения, основанный на сегментации изображения; комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed; алгоритмы стилизации изображения для задач идентификации движения и идентификации сцен. Экспериментальные исследования разработанного метода стилизации проведены лично автором.

Реализация результатов работы. Результаты теоретических и прикладных исследований, полученные в работе, использованы при выполнении научно-исследовательской работы «Исследование методов и алгоритмов обработки информации в интегрированном комплексе разнородных РЛС и телевизионной аппаратуры видимого и инфракрасного диапазонов», проводимой в СПбГЭТУ «ЛЭТИ».

Разработанный метод и алгоритмы стилизации изображения для задач идентификации движения и идентификации сцен в СОТ внедрены в:

1. ЗАО «INFOPRO», г. Москва: системы охранного телевидения для Смоленского областного управления федерального казначейства и завода «Ситал»; телевизионная система видеонаблюдения «Город» для г. Смоленск.

2. Главное управление Центрального банка РФ по Смоленской области: специализированное программное обеспечение для системы телевизионной охраны и наблюдения.

Апробация работы. Результаты работы, полученные на различных стадиях ее выполнения были доложены автором на следующих конференциях:

1. 59- 61 научно-технические конференции НТО РЭС им. А.С. Попова, СПб, 2004 - 2006 гг.

2. 3-я международная конференция «Телевидение. Передача и обработка изображений», СПб, 2005.

3. Конференция профессорско-преподавательского состава СПбГЭТУ «ЛЭТИ», СПб, 2006 г.

4. 12-я международная научно-техническая конференция студентов и аспирантов «Радиоэлектроника, электротехника и энергетика», Москва, 2006 г.

и получили положительную оценку.

Достоверность полученных результатов обеспечена:

1. Их базированием на известных концепциях теории зрительного восприятия, математического аппарата теории вероятностей, теории \уауе1е1-анализа, теории дискретных сигналов, цифровой обработки изображения.

2. Применением известных методов исследования, и подтверждена:

1. Результатами экспериментов по оценке эффективности разработанного метода и алгоритмов стилизации.

2. Апробацией и публикацией полученных результатов.

Публикации. По теме диссертации опубликовано 5 научных работ, из них — 1 статья и 4 работы в материалах международных и российских научно-технических конференций.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 85 наименования, и двух приложений. Основная часть работы изложена на 120 страницах. Диссертация содержит 38 рисунков и 4 таблицы.

СОДЕРЖАНИЕ РАБОТЫ

В первой главе рассмотрена структура СОТ и специфические особенности, присущие данному классу систем.

Любая СОТ - это средство для осуществления двух операций: визуальное оценивание и видеорегистрация. Визуальное оценивание подразумевает наличие видеоданных опознавательного и/или описательного свойства во время какого-либо события в настоящий момент времени. Видеорегистрация означает присутствие данных, сохраненных в формате, позволяющем изучать и/или просматривать изображение в будущем. Операции оценивания и видеорегистрации могут выполняться для решения следующих задач:

1. Персональная идентификация: опознавание оператором объекта (установление его личности) на изображении.

2. Идентификация движения: опознавание на изображении движущихся объектов. Здесь, необходимо отметить сам факт движения, а не кем или чем оно осуществляется.

3. Идентификация сцен: ключевым обстоятельством является то, что каждая наблюдаемая сцена имеет свои уникальные отличительные особенности.

Практически это означает опознавание на наблюдаемом изображении изменений такого рода, как появление/исчезновение статических объектов на изображении, изменение состояния объектов (например, открытая/закрытая дверь).

В отличие от вещательного телевидения, в котором существенной является необходимость донести изображение до зрителей как можно лучшего качества при минимальных технических и материальных затратах, СОТ предназначены для узкого круга пользователей, при этом, качество изображения должно быть не максимально возможным, а достаточным для задачи, решаемой СОТ.

Анализ сегодняшней ситуации в области СОТ позволяет сделать заключение, что в сфере СОТ существуют две группы проблем технического и психофизиологического характера. Технические проблемы заключаются в быстром переходе на сетевые технологии при построении СОТ, к чему подталкивают требования современного рынка. При этом необходимым является разработка и внедрение общих стандартов для оборудования СОТ. С другой стороны, постоянное совершенствование техники СОТ отвлекает потребителей СОТ от такого аспекта, как разумное и обоснованное оценивание своих потребностей. Большинство потребителей сейчас не могут квалифицированно дать оценку тому, какие задачи должны быть решены поставляемой им СОТ и какое качество телевизионного изображения для этого необходимо. Одной из причин тому является плохая нормативная база, существующая в нашей стране. С другой стороны такая ситуация выгодна производителям. С точки зрения рекламы легче представляется поразить пользователя привлекательными техническими параметрами оборудования, чем объяснять потребителю принципы разумного построения систем охранного телевидения. Зачастую оборудование с более скромными техническими характеристиками является достаточным для решения поставленных задач. Именно здесь встает вопрос о психофизиологии восприятия изображения человеком, о методах способных помочь оператору при анализе изображения, вырабатываемого СОТ.

Вторая глава посвящена анализу зрительной системы человека в контексте стилизации изображения и разработке метода стилизации изображения для СОТ.

В ходе работы над диссертацией был проанализирован механизм зрительного восприятия изображения человеком, и были выявлены следующие его особенности:

1. Зрительный аппарат человека работает с обобщенным образом увиденного.

2. Число воспринимаемых за один акт опознавания образов ограничено.

3. Образы опознаются последовательно.

4. Образы образуются простыми и сложными признаками.

5. Время опознавания определяется не элементами изображения, а сложными признаками, разделяющими один образ от другого в данном алфавите.

6. Увеличение числа сложных признаков приводит к увеличению времени опознавания.

7. Увеличение числа простых признаков может уменьшить время опознавания.

Принимая к сведению особенности зрительного восприятия изображения человеком, было сделано предположение, что использование метода обработки изображения (стилизации), моделирующего операции зрительной системы человека по выделению и подчеркиванию простых признаков изображения, позволит разгрузить зрительный аппарат оператора СОТ и процесс анализа изображения оператором будет выполняться быстрее, т.е. будет снижено время опознавания объектов оператором СОТ. Практически это означает перенос на аппаратуру СОТ указанных операций зрительной системы человека.

Необходимость сказанного, объясняется тем, что сегодня в большинстве случаев центральным элементом СОТ является человек и при принятии решения по осуществлению мер противодействия нештатным ситуациям, возникшим на объекте, идет счет на секунды и даже доли секунды.

В работах по психофизиологии восприятия изображения человеком установлено, что зрительная система человека выполняет такие операции, как выделение контуров и сегментация. Выделение контуров можно рассматривать как операцию выделения простых признаков, а операцию сегментации, как операцию подчеркивания простых признаков.

Таким образом, под стилизацией изображения в данном исследовании понимается выделение и подчеркивание информативных особенностей изображения (контуры, сегменты) с целью повышения эффективности идентификации объектов.

Согласно вышесказанному в данном исследовании был разработан метод стилизации изображения (рис. 1), центральным элементом которого является сегментация изображения.

Метод состоит в следующем:

1. Задача идентификации движения: предоставление оператору для анализа сегментированного изображения, за счет чего достигается повышение заметности движения на изображении

2. Задача идентификации сцен: предварительная сегментация и предъявление оператору изображения, области которого, пространственно соответствующие полученным сегментам, обработаны таким образом, что повышается различимость объектов, из которых состоит наблюдаемая сцена.

Рис. 1. Метод стилизации изображения

Третья глава посвящена разработке алгоритмов стилизации изображения для задач идентификации движения и идентификации сцен в СОТ, основанных на сегментации изображения.

В рамках диссертации для приведенного метода стилизации был разработан комбинированный алгоритм сегментации изображения, основанный на wavelet-преобразовании с использованием детектора контуров Канни и алгоритма сегментации watershed.

Данное решение было принято, исходя из следующих соображений. Вообще все алгоритмы сегментации можно подразделить на пять классов:

• амплитудная сегментация;

• сегментация с помощью кластеризации;

• сегментации областей;

• определение границ;

• текстурная сегментация.

За основу был взят подход «Определение границ» (детектор контуров Канни), т.к. многочисленные эксперименты подтвердили, что контур представляет собой наиболее информативную часть зрительного объекта.

В общем виде детектор контуров Канни функционирует следующим образом:

1. Исходное изображение, представленное в виде функции

подвергается операции сглаживания с помощью свертки с гауссианом:

G(x, у, о-) = -—т ехр

2яут

2 2 х + у

2а

О)

где <т - параметр степени сглаживания (чем выше а, тем больше сглаживается изображение).

2. Вычисление градиента изображения в вертикальном gv и горизонтальном gH направлениях с помощью одного из операторов первой производной. Полученные значения объединяются с помощью известной формулы:

E{ij) = 4(Sv{ij)Y +{g„(ij)Y . (2)

3. Далее выполняется операция non-maximal suppression. Алгоритм уточняет найденные на предыдущем шаге контуры путем обнуления значений градиента, соответствующих тем элементам изображения, которые на самом деле не находятся на вершине «гребня» градиента. Операция осуществляется с использованием двух порогов Г/ и Т2, причем 7] > Т2. Анализ начинается в точке на «гребне», соответствующее значение градиента которой больше, чем Г/, и продолжается до тех пор, пока высота «гребня» станет меньше порога Т2. Данная процедура предназначена для нахождения значимых контуров изображения.

Основной проблемой направления сегментации «Определение границ» является не замкнутость найденных контуров, которую удалось решить за счет применения к полученным контурам с помощью детектора Канни алгоритма сегментации watershed, который относится к классу алгоритмов «Сегментация областей» и позволяет учесть пространственные свойства изображения.

Алгоритм watershed был развит из основ топографии и гидрологии. Применительно к цифровой обработке изображения, монохромные изображения можно рассматривать как топографические рельефы. Числовое значение каждого элемента изображения отражает при этом высоту возвышения над уровнем моря. Суть алгоритма watershed состоит в нахождении линий водораздела, что приводит к сегментации изображения. Основным недостатком данного подхода является избыточная сегментация. Для его устранения было использовано wavdet-преобразование.

В данной работе для анализа изображений используется дискретное wavelet-преобразование (DWT). Эта разновидность wavelet-преобразования находит наиболее широкое применение в области цифровой обработки изображений.

Согласно пирамидальному алгоритму Малла, изображение подвергается операции свертки с низкочастотным (Lo) и высокочастотным (Hi) фильтрами, которые связаны с материнской wavelet-функцией, и операции уменьшения разрешения в два раза (рис. 2).

Уровень 1 фильтры столбцов

Уровень 2 фильтры строк

Уровень 2 фильтры столбцов

!(Х,У)

рОЕКЭ-рСЕЪ©—Ч3-Чв>-

(П)-•

следующие * уровни

I

(ЛЬ*

Избирательность

направлений детализирующих коэффициентов

Избирательность

направлений детализирующих коэффициентов

Рис. 2 Двухмерное дискретное \уауе1е1-преобразование (Ьо - низкочастотный фильтр, № - высокочастотный фильтр, 1(х,у) -исходное изображение)

На каждом уровне луауе1е1-декомпозиции получаются четыре кадра \уауе1е1-коэффициеитов, которые соответствуют высоким частотам в горизонтальном направлении (НЬ), низким частотам в вертикальном направлении (ЬН), высоким частотам в обоих направлениях (НН) и низким частотам в обоих направлениях (IX). Кадр IX - это низкочастотная версия исходного изображения и называется аппроксимирующим кадром, кадры НЬ, ЬН и НН - это высокочастотная версия изображения и называются детализирующими кадрами. Практическая значимость детализирующих кадров заключается в том, что с их помощью можно выделить горизонтальные (кадр ЬН), вертикальные (кадр НЬ) и диагональные структуры (кадр НН), содержащиеся в исходном изображении (рис. 3). Процесс декомпозиции может быть продолжен, начиная уже с кадра аппроксимирующих коэффициентов ЬЬ.

а) б) в)

Рис. 3. Иллюстрация избирательности направлений а) - популярный способ представление \уауе1е1:-преобразования изображений; б) - тестовое изображение; в) — двух уровневое \уауе1е1-преобразование.

В разработанном алгоритме сегментации используюется \vavelet-функция Хаара (рис. 4). Данный выбор обусловлен следующими обстоятельствами:

• ортогональность;

• компактность носителя, следовательно, хорошая избирательность в пространстве;

• быстрый алгоритм вычисления.

Рис. 4. Wavelet-функция Хаара

Обозначим кадры детализирующих коэффициентов LH, HL и НН как Н, VvlD соответственно, а кадр аппроксимирующих коэффициентов LL, как А.

В общем виде разработанный комбинированный алгоритм сегментации выглядит следующим образом. Анализируемое изображение представляется в виде wavelet-декомпозиции до уровня J=Jo, в результате чего находятся аппроксимирующие и детализирующие коэффициенты. Уровень разложения J0, выбирается исходя из желаемой степени детализации: чем глубже уровень разложения (ниже разрешение), тем больше площадь сегментов и наоборот. Далее к кадру аппроксимирующих коэффициентов применяется детектор контуров Канни. Полученный кадр сегментируется с использованием алгоритма watershed. Затем, с использованием измененных детализирующих wavelet-коэффициентов, осуществляется обратное wavelet-преобразование на один уровень вверх. Процесс повторяется аналогичным образом до тех пор, пока не будет достигнут уровень разложения исходного изображения (J=0).

Реализация алгоритма сегментации таким способом, позволила смоделировать операции зрительной системы человека по выделению и подчеркиванию простых признаков изображения (контуры и сегменты), что проиллюстрировано на рис. 5.

\Л/ауе1е1-преобразование

Уровень 1 фильтры

Уровень 1 столбцов

фильтры аппроксимирующие

рок __коэффициентов А(х,у)

4—4нП—УШ-» "

Кх.у)

П)—LQ-Xgy-СИНЁН

|2>

-р Lo

ЧЖКОЬ

кадры детализирующих коэффициентов

Выделение простых признаков

Нахождение контуров (оператор Канни):

Е(х,уУ V2[л(х,у)* СЛу,а)]

Тг<Е(х,у)<Тх

Е(х,у) - градиент изображения; А(х,у) - кадр аппроксимирующих

коэффициентов; Т,, Т2 - значения порогов.

GAUSS(x,y,o)=

1

2 лег

X +у~ 2ст2

Подчеркивание простых признаков

Нахождение сегментов (алгоритм Watershed)

Рис. 5. Модель операций зрительной системы человека по выделению и подчеркиванию простых признаков изображения

Алгоритм стилизации изображения для задачи идентификации движения по своей сути является алгоритмом сегментации. Оператору для анализа предоставляется сегментированное изображение. Результат стилизации изображения для задачи идентификации движения представлен на рис. 6.

а) б)

Рис. 6. Задача идентификации движения а) - кадр исходной видеопоследовательности; б) - кадр стилизованной видеопоследовательности

Алгоритм стилизации изображения для задачи идентификации сцен также основывается на предварительной сегментации изображения. Оператору предоставляется изображение, области которого, пространственно соответствующие полученным сегментам, обработаны путем изменения значений детализирующих коэффициентов \уауе1е1-преобразования таким образом, что повышается различимость объектов, из которых состоит наблюдаемая сцена.

Обработка детализирующих \уауе1е1-коэффициентов осуществляется по следующему алгоритму:

1. Кадр видеопоследовательности подвергается прямому одноуровневому дискретному \уауе1е1-преобразованию без децимации.

2. Для каждого сегмента изображения находится среднее значение \vavelet-коэффициентов тнь для каждого кадра детализирующих коэффициентов (У,Ни !>).

3. Каждый сегмент изображения 5,- ранжируется согласно следующей процедуре:

• каждое из множеств {ш^}, {тя,} и сортируется по убыванию;

• каждому элементу в отсортированном множестве ставится в соответствие метка, числовое значение которой соответствует порядковому номеру данного элемента в упорядоченном множестве;

• для каждого сегмента изображения 5,- вычисляется сумма значений меток Р„ соответствующих элементам туь тН{ и т°{\

• все сегменты изображения ранжируются по значению вычисленной суммы Р,: ранг г—1 получает сегмент с наибольшем значением суммы, ранг г=Ы, где N ~ количество сегментов, получает сегмент с наименьшим значением суммы.

4. Увеличиваются значения \уауе1е1-коэффициентов для каждого из кадров V, Н и £> пропорционально рангу и вкладам тк„ тн1 и в их общую сумму Л/С,.

5. Осуществляется обратное шаусЫ-преобразование.

Результат стилизации изображения для задачи идентификации сцен представлен на рис. 7.

В заключение главы приводятся рекомендации по практическому использованию разработанного метода стилизации в СОТ. Устройство стилизации помещается перед устройством отображения. В исходном положении видеопоток, поступающий на устройство отображения, предварительно проходит через устройство стилизации. В случае опознавания оператором СОТ объекта на наблюдаемом изображении при решении задачи идентификации движения или идентификации сцен оператором осуществляется комплекс мер противодействия, возникшей ситуации на объекте. В качестве таковых для задачи идентификации движения может выступать, например, блокировка территории, на которой находится опознанный объект (блокировка дверей холла здания) с целью предотвращения дальнейшего несанкционированного передвижения объекта. При решении задачи идентификации сцен блокировка территории может осуществляться с целью ограничения доступа к объекту (под видом опознанного объекта может быть, например, замаскировано взрывное устройство). Далее, переключив передачу видеопотока на устройство отображения напрямую, в обход устройства стилизации, оператор получает изображение для более точного его исследования (например, для установления личности объекта). После успешного разрешения возникшей ситуации видеопоток вновь переключается оператором на устройство стилизации.

- а) б)

Рис. 7. Задача идентификации сцен а) - кадр исходной видеопоследовательности; б) - кадр стилизованной видеопоследовательности

В четвертой главе представлено экспериментальное исследование разработанного метода стилизации изображения для задач идентификации движения и идентификации сцен в СОТ, и приводятся результаты статистического анализа полученных экспериментальных данных.

Применение метода стилизации изображения для задачи идентификации движения в условиях поставленных экспериментов привело к сокращению времени опознавания объектов на наблюдаемом изображении оператором СОТ в среднем 2 раза.

Использованием метода стилизации изображения для задачи идентификации сцен в рамках поставленных экспериментов привело к сокращению времени опознавания объектов на наблюдаемом изображении оператором СОТ в среднем в 1,4 раза.

Статистический анализ результатов экспериментов проводился путем сравнения двух выборок, соответствующих исходным изображениям и стилизованным изображениям, состоящих из измеренных значений времени опознания объектов оператором СОТ на наблюдаемом изображении. Целью данного статистического исследования является установка того, что данные измерений для исходных и стилизованных изображений являются статистически различными, т.е. принадлежат двум различным генеральным совокупностям.

С вероятностью а = 0,98 по критерию Стьюдента установлено, что результаты экспериментов, как для задачи идентификации движения, так и для задачи идентификации сцен для исходных и стилизованных изображений являются статистически различными.' Это означает, что результаты, полученные при использовании стилизации, не являются случайными, а представляют собой следствие влияния принципиально нового фактора (стилизация изображения), приводящего к сокращению времени опознавания.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе решена актуальная научная проблема -разработка метода стилизации изображения для цифровых СОТ. Для решения данной проблемы были разработаны метод и соответствующие алгоритмы стилизации изображения для задач идентификации движения и идентификации сцен. Экспериментальное исследование показало, что время опознавания объектов при решении задач идентификации движения и идентификации сцен с применением разработанного метода стилизации значительно сокращается. Этим доказывается достижение поставленной цели исследования — сокращение времени опознавания объектов оператором СОТ при решении задач идентификации движения и идентификации сцен.

Основные результаты диссертационной работы состоят в следующем: 1. С целью повышения эффективности работы оператора СОТ, которая заключается в сокращении времени опознавания оператором объектов на

изображении при решении задач идентификации личности и идентификации сцен, предложено использовать стилизацию изображения.

2. Разработан метод стилизации изображения в СОТ для задач идентификации движения и идентификации сцен, основным элементом которого является сегментация изображения.

3. Разработанный метод стилизации изображения моделирует операции по выделению и подчеркиванию простых признаков изображения, выполняемых зрительной системой человека.

4. Разработан комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed.

5. Разработан алгоритм стилизации изображения для задачи идентификации движения в СОТ. Алгоритм заключается в предоставлении оператору для анализа сегментированного изображения, за счет чего достигается повышение заметности движения на изображении. Применение разработанного алгоритма в рамках поставленных экспериментов приводит к сокращению времени опознавания объектов оператором СОТ на наблюдаемом изображении в среднем в 2 раза.

6. Разработан алгоритм стилизации изображения для задачи идентификации сцен в СОТ, который заключается в предварительной сегментации и предъявлении оператору для анализа изображения, области которого, пространственно соответствующие полученным сегментам, подвергнуты операции ранжирования по среднему значению их детализирующих wavelet-коэффициентов, за счет чего повышается различимость объектов, из которых состоит наблюдаемая сцена. Данная обработка привела в условиях поставленных экспериментов к сокращению времени опознавания объектов оператором СОТ на наблюдаемом изображении в среднем в 1,4 раза.

7. Экспериментальные исследования подтвердили эффективность разработанного метода и алгоритмов стилизации.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

1. Никитин, Р.В. Оценка качества изображения в системах телевизионного наблюдения // Изв. СПБГЭТУ «ЛЭТИ». Сер. Радиоэлектроника. - 2006. — Вып. 1.-С. 3-6.

2. Никитин, Р.В. Повышение эффективности работы оператора системы охранного телевидения // Телевидение: передача и обработка изображений: Сб. мат-ов 4-ой Междунар. конф., г. Санкт-Петербург, 24-26 мая, 2005. - СПб, 2005. - С. 106-108.

3. Никитин, Р.В. Объективный анализ качества изображения цифровых прикладных телевизионных систем. // Научно-техническая конференция НТО РЭС им. A.C. Попова: Сб. мат-ов 59-ой конф., г. Санкт-Петербург, 16-28 апреля, 2004. - СПб, 2004. - С. 136-138.

4. Никитин, Р.В. Стилизация изображения в системах охранного телевидения. // Научно-техническая конференция НТО РЭС им. A.C. Попова: Сб. мат-ов 60-ой конф., г. Санкт-Петербург, 18-29 апреля, 2005. - СПб, 2005. - С. 152153.

5. Никитин, Р.В. Сегментация изображения с использованием комплексного Вейвлет-преобразования и нечеткой кластеризации. // Научно-техническая конференция НТО РЭС им. A.C. Попова: Сб. мат-ов 61-ой конф., г. Санкт-Петербург, 18-28 апреля, 2006. - СПб, 2006. - С. 125-127.

Подписано в печать 16.11.06. Формат 60*84 1/16. Бумага офсетная. Печать офсетная. Печ. л. 1,0. Тираж 100 экз. Заказ 122.

Отпечатано с готового оригинал-макета в типографии Издательства СПбГЭТУ "ЛЭТИ"

Издательство СПбГЭТУ "ЛЭТИ" 197376, С.-Петербург, ул. Проф. Попова, 5

Введение.

1. Системы охранного телевидения.

1.1. Структура систем охранного телевидения.

1.2. Современные системы охранного телевидения.

1.3. Специфика систем охранного телевидения.

1.4. Проблемы современных систем охранного телевидения.

1.5. Выводы по главе.

2. Метод стилизации изображения.

2.1. Особенности зрительной системы человека.

2.2. Процесс анализа оператором изображения в системах охранного телевидения.

2.3. Определение и метод стилизации изображения.

2.4. Выводы по главе.

3. Алгоритмы стилизации изображения.

3.1. Классификация алгоритмов сегментации изображения.

3.2. Комбинированный алгоритм сегментации изображения.

3.2.1. Дискретное wavelet-преобразование.

3.2.2. Определение контуров изображения.

3.2.3. Алгоритм сегментации watershed.

3.2.4. Описание комбинированного алгоритма сегментации.

3.3. Моделирование операций зрительной системы человека по выделению и подчеркиванию простых признаков изображения.

3.4. Алгоритм стилизации изображения для задачи 86 идентификации движения.

3.5. Алгоритм стилизации изображения для задачи идентификации сцен.

3.6. Сегментация изображения с помощью межкадровой разности.

3.7. Практическое использование метода стилизации изображения для задач идентификации движения и идентификации сцен.

3.8. Выводы по главе.

4. Экспериментальное исследование метода стилизации изображения.

4.1. Экспериментальное исследование метода стилизации изображения для задачи идентификации движения.

4.2. Экспериментальное исследование метода стилизации изображения для задачи идентификации сцен.

4.3. Статистический анализ результатов экспериментов.

4.4. Выводы по главе.

Рассматривая довольно короткую еще историю человечества в 21-ом веке, приходится констатировать, что одной из характерных черт данного времени является не улучшающаяся криминалистическая обстановка в обществе, поэтому охранные системы в целом и системы охранного телевидения (СОТ) в частности являются востребованными в наивысшей степени.

Ведущие фирмы Российской Федерации и мира занимаются разработкой СОТ: ФГУП «НИИТ», ЗАО «INFOPRO», Группа компаний ИСТА, ITV, ЗАО «ЭВС», Bosch Security Systems, Panasonic, Axis Communications, SANYO VIDEO Vertrieb AG и др.

Значительный вклад в развитие, совершенствование теории и практики СОТ внесли отечественные и зарубежные ученые: А.К. Цыцулин [37], Л. Л. Полосин [47], Б.С. Тимофеев [40], [53], А.Н. Куликов [29], V. Damjanovski [15], [67] и др.

В настоящее время в сфере СОТ на фоне интенсивного технического прогресса уделяется незаслуженно мало внимания такой области, как психофизиология восприятия изображения оператором СОТ. В Российской Федерации регламентация функционирования СОТ осуществляется ГОСТом Р 51558-2000 "Системы охранные телевизионные" [12]. Данные требования носят общий характер и не учитывают криминалистические рекомендации по получению и записи изображений. Однако любые СОТ по-прежнему основываются на способности операторов обнаруживать и идентифицировать происшествия, а их физические возможности не безграничны.

Большинство СОТ управляется коллективом операторов, которые смотрят на «видеостены» (совокупность мониторов, воспроизводящих разнородную информацию). При этом люди устают и, кроме того, зрительный аппарат человека не в состоянии быстро выявить мелкие изменения картины такие, как оставленный кейс или пакет. Необходимо также принимать во внимание фактор недобросовестности операторов СОТ -зачастую, несмотря на установку большого количества телевизионных камер (ТК) с целью максимального охвата территории наблюдения, в действительности оператор СОТ может тщательно не контролировать сектор, за который несет ответственность. Кроме того, иногда невозможно обеспечить нужное количество операторов для просмотра изображения со всех установленных ТК. Следовательно, видеоданные от многих ТК пропадают. Более того, основная часть передаваемого на мониторы изображения не имеет никакого значения, а иногда даже не имеет никакого отношения к тем рискам, которые характерны для данного объекта. Согласно статистическим исследованиям [26], только около 20% видеозаписей подходят для криминалистического анализа, а 80% имеют настолько плохое качество, что практически не имеет смысла заниматься их исследованием.

Таким образом, можно предположить, что использование некоего специального метода обработки изображения (метода стилизации изображения) сконцентрирует внимание оператора СОТ на самых существенных, самых информативных подробностях наблюдаемого изображения в контексте решаемой задачи.

Стилизация изображения приведет к снижению времени реакции оператора на нештатную ситуацию и обеспечит принятие наиболее целесообразных мер защиты и противодействия возникающим обстоятельствам. Следовательно, повысится эффективность работы оператора СОТ. Поэтому разработка методов стилизации изображения для систем охранного телевидения является актуальной.

Цель и задачи работы. Целью работы является разработка метода и алгоритмов обработки (стилизации) изображения в цифровых СОТ для сокращения времени опознавания объектов оператором при решении задач идентификации движения и идентификации сцен.

Для достижения указанной цели требуется решение следующих задач:

1. Анализ специфических особенностей СОТ.

2. Анализ особенностей механизма зрительного восприятия изображения человеком.

3. Разработка метода стилизации изображения для задач идентификации движения и задач идентификации сцен.

4. Разработка алгоритмов стилизации изображения для задач идентификации движения и задач идентификации сцен.

5. Проведение экспериментальных исследований, оценивающих эффективность разработанного метода стилизации изображения.

Методы исследования. В диссертации использованы методы теории зрительного восприятия, математического аппарата теории вероятностей, теории wavelet-анализа, теории дискретных сигналов, цифровой обработки изображений. Экспериментальная часть исследования базировалась на обработке и анализе цифровых изображений с помощью ПЭВМ с последующей численной и визуальной оценкой результатов. Для программной реализации разработанных алгоритмов использовались системы математического моделирования Mathcad и MATLAB.

Научная новизна диссертационной работы состоит в следующем:

1. Разработан метод стилизации изображения в СОТ для решения задач идентификации движения и идентификации сцен, моделирующий операции зрительной системы человека по выделению и подчеркиванию простых признаков изображения (контуры, сегменты).

2. Предложено использовать сегментацию изображения при реализации метода стилизации изображения в СОТ для решения задач идентификации движения и идентификации сцен.

3. Разработан комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed.

Научные положения, выносимые на защиту:

1. Сегментация изображения комбинацией алгоритмов: дискретного wavelet-преобразования, детектора контуров Канни, сегментации watershed позволяет моделировать операции выделения и подчеркивания простых признаков изображения в зрительной системе человека.

2. Решение задачи идентификации движения по сегментированному изображению позволяет уменьшить время опознавания объектов.

3. Решение задачи идентификации сцен по изображению, подвергнутому сегментации и ранжированию сегментов по среднему значению их детализирующих wavelet-коэффициентов, позволяет уменьшить время опознавания объектов сцены.

Практическая ценность диссертационной работы:

1. Разработанный метод и соответствующий алгоритм стилизации изображения для задачи идентификации движения позволяет сократить время опознавания объектов оператором СОТ на изображении в среднем в 2 раза.

2. Разработанный метод и соответствующий алгоритм стилизации изображения для задачи идентификации сцен позволяет сократить время опознавания объектов оператором СОТ на изображении в среднем в 1,4 раза.

3. Применение разработанного метода стилизации изображения в СОТ повышает эффективность работы оператора и позволяет либо сократить число рабочих мест операторов при сохранении числа ТК, либо увеличить число ТК при сохранении числа рабочих мест операторов.

Личный вклад. Включенные в диссертацию материалы получены лично автором: метод стилизации изображения, основанный на сегментации изображения; комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed; алгоритмы стилизации изображения для задач идентификации движения и идентификации сцен. Экспериментальные исследования разработанного метода стилизации проведены лично автором.

Реализация результатов работы. Результаты теоретических и прикладных исследований, полученные в работе, использованы при выполнении научно-исследовательской работы «Исследование методов и алгоритмов обработки информации в интегрированном комплексе разнородных PJTC и телевизионной аппаратуры видимого и инфракрасного диапазонов», проводимой в СПбГЭТУ «ЛЭТИ».

Разработанный метод и алгоритмы стилизации изображения для задач идентификации движения и идентификации сцен в СОТ внедрены в:

1. ЗАО «INFOPRO», г. Москва: системы охранного телевидения для Смоленского областного управления федерального казначейства и завода «Ситал»; телевизионная система видеонаблюдения «Город» для г. Смоленск.

2. Главное управление Центрального банка РФ по Смоленской области: специализированное программное обеспечение для системы телевизионной охраны и наблюдения.

Апробация работы. Результаты работы, полученные на различных стадиях ее выполнения были доложены автором на следующих конференциях:

1. 59-61 научно-технические конференции НТО РЭС им. А.С. Попова, СПб, 2004 - 2006 гг.

2. 3-я международная конференция «Телевидение. Передача и обработка изображений», СПб, 2005.

3. Конференция профессорско-преподавательского состава СПбГЭТУ «ЛЭТИ», СПб, 2006 г.

4. 12-я международная научно-техническая конференция студентов и аспирантов «Радиоэлектроника, электротехника и энергетика», Москва, 2006 г. и получили положительную оценку.

Достоверность полученных результатов обеспечена: 1. Их базированием на известных концепциях теории зрительного восприятия, математического аппарата теории вероятностей, теории wavelet-анализа, теории дискретных сигналов, цифровой обработки изображения. 2. Применением известных методов исследования, и подтверждена:

1. Результатами экспериментов по оценке эффективности разработанного метода и алгоритмов стилизации.

2. Апробацией и публикацией полученных результатов.

Публикации. По теме диссертации опубликовано 5 научных работ, из них - 1 статья и 4 работы в материалах международных и российских научно-технических конференций.

Во время обучения в аспирантуре автором была пройдена учебно-производственная практика по теме диссертации на предприятии SANYO VIDEO Vertrieb AG, Германия, г. Аренсбург. По завершению практики был получен положительный отзыв-характеристика.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 84 наименования, и двух приложений. Основная часть работы изложена на 119 страницах. Диссертация содержит 38 рисунков и 4 таблицы.

Основные результаты диссертационной работы состоят в следующем:

1. С целью повышения эффективности работы оператора СОТ, которая заключается в сокращении времени опознавания оператором объектов на изображении при решении задач идентификации личности и идентификации сцен, предложено использовать стилизацию изображения.

2. Разработан метод стилизации изображения в СОТ для задач идентификации движения и идентификации сцен, основным элементом которого является сегментация изображения.

3. Разработанный метод стилизации изображения моделирует операции по выделению и подчеркиванию простых признаков изображения, выполняемых зрительной системой человека.

4. Разработан комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed.

5. Разработан алгоритм стилизации изображения для задачи идентификации движения в СОТ. Алгоритм заключается в предоставлении оператору для анализа сегментированного изображения, за счет чего достигается повышение заметности движения на изображении. Применение разработанного алгоритма в рамках поставленных экспериментов приводит к сокращению времени опознавания объектов оператором СОТ на наблюдаемом изображении в среднем в 2 раза.

6. Разработан алгоритм стилизации изображения для задачи идентификации сцен в СОТ, который заключается в предварительной сегментации и предъявлении оператору для анализа изображения, области которого, пространственно соответствующие полученным сегментам, подвергнуты операции ранжирования по среднему значению их детализирующих wavelet-коэффициентов, за счет чего повышается различимость объектов, из которых состоит наблюдаемая сцена. Данная обработка привела в условиях поставленных экспериментов к сокращению времени опознавания объектов оператором СОТ на наблюдаемом изображении в среднем в 1,4 раза.

7. Экспериментальные исследования подтвердили эффективность разработанного метода и алгоритмов стилизации.

1. Арнхейм, Р. В защиту визуального мышления. Пер. с англ. - М.: Прометей, 1994.-280 с.

2. Арнхейм, Р. Визуальное мышление. -М.: Изд-во МГУ, 1981. 131с.

3. Арнхейм, Р. Искусство и визуальное восприятие. Сокр пер. с англ. В.Н. Самохина. - М.: Прогресс, 1974. - 392 с.

4. Белей, А. Сетевые камеры в телевизионных системах безопасности. // URL: http://daily.sec.ru/dailypblshow.cfm?rid=8&pid=8751&pos=6&stp=10

5. Брунер, Дж. Психология познания. М.: Прогресс, 1977. - 325 с.

6. Веккер, JT.M. Восприятие и основы его моделирования. Л.: ЛГУ, 1964. -194 с.

7. Воробьев, В.И., Грибунин, В.Г. Теория и практика вейвлет-преобразования. СПб.: ВУС, 1999.-204 с.

8. Глезер, В.Д. Зрение и мышление 2-е изд., испр. и доп. СПб.: Наука, 1993. -283 с.

9. Глезер, В.Д. Механизмы опознания зрительных образов. Л.: Наука, 1966 -204 с.

10. Ю.Глезер, В.Д. Переработка информации в зрительной системе. Л.: Наука, 1982.- 167 с.

11. Глезер, В.Д., Цуккерман, И.И. Информация и зрение. М.: Изд-во АН СССР, 1961.-241 с.

12. Гост Р 51558-2000. Системы охранные телевизионные. Введ. 2001-01-01. -М.: Госстандарт России: Изд-во стандартов, 2001. - IV, 27 с.

13. Грановская, P.M. Восприятие и признаки формы. М.: Наука, 1981. - 205 с.

14. Грановская, P.M. Элементы практической психологии. СПб.: Свет, 1997. -608 с.

15. Дамьяновски, В. CCTV. Библия охранного телевидения. М.: ISS-Press, 2003.-344 с.

16. Дамьяновски, В. Видеорегистратор Dallmeier DMS 180 III. // CCTV Фокус. -2003.-№5.-С. 30-38.

17. Демидов, В.Е. Как мы видим то, что видим : 2-е изд., перераб. и доп. М.: Знание, 1987.-237 с.

18. Добеши, И. Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

19. Дуда, Р., Харт, П. Распознавание образов и анализ сцен. М.:МИР, 1976. -511 с.

20. Дьяконов, В. П. Вейвлеты. От теории к практике. М.: COJIOH-Пресс, 2004. - 400 с.

21. Зворыкин, В.К., Мортон, Д.А. Телевидение / ред. Ю.А. Могилевский. М.: Изд. иностранной литературы, 1956. - 780 с. - Библиогр. : с. 753 - 764.

22. Ковалев, М. С. Устройства управления и коммутации видео-сигналов: рекомендации по выбору и применению // Системы безопасности, связи и телекоммуникаций. 2000. - №35. С. 20-23.

23. Колпаков, А. Цифровые (компьютерные) системы видеоконтроля. Критерии сравнения и выбора // URL: http://daily.sec.ru/dailypblshowxfm?rid=8&pid=4236&pos=l&stp=50

24. Котельников Р.Б. Анализ результатов наблюдений. М.: Энергоатомиздат, 1986.- 142 с.

25. Красильников, Н.Н. Теория передачи и восприятия изображений. М.: Радио и связь, 1986. - 246с.

26. Крейг, Д. Применение видеонаблюдения может быть как неудачным, так и успешным выводы британского исследования. II Security News. - 2005. -№4 (9).-С. 5.

27. Крутц, О. Цифровые видеорегистраторы и кассетные видеорегистраторы с прерывистой записью сигнала: история и текущее состояние вопроса // URL: http ://daily. sec .ru/dailypblsho w.cfm?rid=8&pid=5 571 &pos= 1 &stp=5 0

28. Кто придумал первую сетевую телекамеру? // CCTV Фокус. 2004. - №5. -С. 14-16.

29. Куликов, А.Н. Определение реальной разрешающей способности телевизионной камеры // URL: http://www.evs.ru/publl .php?st=5

30. Ли, Д., Адаме, Б. Сравнение характеристик цифровых видеорегистраторов и кассетных видеорегистраторов с прерывистой записью сигнала // URL: http://daily.sec.ru/dailypblshow.cfm?rid=8&pid=5572&pos=l&stp=50

31. Ллойд, Дж. Системы тепловидения. -М.: Мир, 1978. 414 с.

32. Маар, Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. Пер. с англ. - М.: Радио и связь, 1987. -320 с.

33. Мейер, Б. Мир становится цифровым. // CCTV Фокус. 2003. -№1. - С. 13-15.

34. Мейер, Б. Мир становится цифровым. // CCTV Фокус. 2003. -№2. - С. 40-42.

35. Мейер, Б. Новые горизонты CCTV. // CCTV Фокус. 2003. - №3. - С. 30 - 32.

36. Никитин, В. В., Цыцулин, А. К. Телевидение в системах физической защиты: учеб. пособие / СПб. гос. электротехн. ун-т «ЛЭТИ» СПб.: «ЛЭТИ», 2001.-132 с.

37. Никитин, Р.В. Оценка качества изображения в системах телевизионного наблюдения // Изв. СПБГЭТУ «ЛЭТИ». Сер. Радиоэлектроника. 2006. -Вып. 1.-С. 3-6.

38. Нильсон, Ф. Десять мифов сетевого видеонаблюдения. // CCTV Фокус. -2003.- №5. С. 10-12.

39. Первый чип для сжатия изображения в формате JPEG2000. // CCTV Фокус.2003.-№1.-С. 12-13.

40. Подольский, А.И. Формирование симультивного опознавания. М.: Изд-во МГУ, 1978.- 151 с.

41. Поликар, Р. Введение в вейвлет-преобразование. Пер. с англ. В. Г. Грибунин // URL: http://www.autex.spb.ru/download/wavelet/books/tutorial.pdf

42. Полосин, JI.JI. Цифровые системы вещательного телевидения: учеб. пособие / Балт. гос. техн. ун-т СПб.: БГТУ, 2004. - 120 с. - Библиогр. : с. 118.

43. Распознавание лиц технология нашего века. // Hi-Tech Security. - 2006. -№2.-С. 18-24.

44. Рубахин, В.Ф. Психологические основы обработки первичной информации. -Л.: Наука, 1974.-296 с.

45. Рыфтин, Я. А. Телевизионная система. Теория. М.: Советское радио, 1967. - 272 с.

46. Системы распознавания лиц и суровая действительность. // CCTV Фокус.2004. -№6. С. 52-53.

47. Скранжевский, О. Е. Передача видеоизображения по витой паре // URL: http://daily.sec.ru/dailypblshow.cfm?rid=8&pid=4322&pos=l&stp=50

48. Тимофеев, Б.С. Видеокомпьютерные системы для наблюдения за движущимися объектами // Изв. вузов России. 2003. - Вып. 4 : Радиотехника. - С. 32-44. - Библиогр.: с. 43 - 44.

49. Уваров, Н. Е. Визуальная обстановка в системах телевизионного наблюдения // URL: http://daily.sec.ru/dailypblshow.cfm?rid=8&pid=4212&pos=l&stp=50&cd=5&c ш=6&су=2002

50. Уваров, Н.Е. Цифровая обработка изображений в телевизионных системах наблюдения и охраны. // CCTV Фокус. 2004. - №3. С. 56-61.

51. Файн, B.C. Опознавание изображений. М.: Наука, 1970. - 295 с.

52. Цифровая архитектура цифровых систем видеонаблюдения. // CCTV Фокус. -2004.-№5.-С. 70-74.

53. Цифровая видеозапись как доказательство. // CCTV Фокус. 2004. - №12. -С. 77 - 84.

54. Цифровое преобразование изображений: учеб. пособие для вузов / Р. Е. Быков и др. М.: Горячая линия-Телеком, 2003. - 228 с.

55. Цифровой видеорегистратор DVI Linux. // CCTV Фокус. 2003. - №5. - С. 24-29.

56. Цифровые видеорегистраторы Mitsubishi Electric. // CCTV Фокус. 2004. -№1,-С. 36-45.

57. Чуи, Ч. Введение в вейвлеты. Пер. с англ. - М.: Мир, 2001. - 412 с.

58. Canny, J., A Computational Approach То Edge Detection. // IEEE Trans., Patt. Anal. Mach. Intell. 1986. - Vol. 8. - P. 679 - 714.

59. Chen, C., Pavlidis, T. Image Segmentation as an Estimation Problem. // Computer Graphics and Image Processing. 1980. - №12 (2). - P. 153 - 172.

60. Constant, M., Turnbull P. The principles and practice of closed circuit television. Borehamwood: Paramount published, 1994. - 337 p.

61. Constant, M. Guidelines for identification // URL: www.cctv-information.co.uk/constant/identification.html

62. Damjanovski, V. CCTV Networking and digital technology. Second Edition. -New York: Elsevier, 2005. - 578 c.

63. Duda, R. O., Hart, P. E. Use of the Hough Transformation to Detect Lines and Curves in Pictures. // Communication of the ACM. 1972. - №15(1). - P. 11 -15.

64. Fukada, Y. Spatial Clustering Procedures for Region Analysis. // Pattern Recognition. 1980. - №12. - P. 395 - 403.

65. Grossman, A., Morlet, J. Decomposition of Hardy functions into square integrable wavelets of constant shape. // Math. Anal. 1984. - №15 (4). - P. 723 - 736.

66. Haralick, R. M., Shapiro, L. G. Image Segmentation Techniques. // Computer Vision, Graphics, and Image Processing. 1985. - №29 (1). - P. 100 - 132.

67. Illingworth, J., Kittler, J. A Survey of the Hough Transform. // Computer Vision, Graphics and Image Processing. 1988. - №44(1). - P. 87 - 116.

68. ISO/IEC 15444-1. Information technology JPEG 2000 image coding system: Core coding system, 2004.

69. Pavlidis, T. Algorithms for Graphics and Image Processing. Rockville: Computer Science Press, 1982. - 416 p.

70. Peer Group Filtering and Perceptual Color Image Quantization / Y. Deng et al.: proceedings of 1999 IEEE international symposium Circuits and Systems Orlando, 30 May 2 June. 1999. - vol. 4. - Orlando: 1999. - P. 21 - 24.

71. Petrou, M., Shafarenko L., Kittler J. Automatic watershed transformation of randomly textured color images. // IEEE Trans., Image Processing. 1997. - Vol. 6, №11.-P. 1530- 1544.

72. Pierce, Ch. CCTV Basics // URL: http://www.ltctrainingcntr.com

73. Pratt, W. K. Digital image processing. Third Edition. - New York: John Wiley & Sons, 2001.-735 p.

74. Validity-guided (Re)Clustering with application to image segmentation / A. M. Bensaid et al. // IEEE Trans, Fuzzy Systems. 1996. Vol. 4. - P. 112 - 123.

75. Vincent, L, Soille P. Watersheds in digital spaces: an efficial algorithm based on immersion simulations. // IEEE Trans, Pattern Anal. Machine Intell. 1991. -Vol. 13, №6.-P. 583 -598.

76. Visual Perception of Objects // URL: http://www.physpharm.fmd.uwo.ca/undergrad/sensesweb/

77. Xie, X. L, Beni, G. A. Validity measure for fuzzy clustering. // IEEE Trans, PAMI. 1991. - Vol. 8, №3. - P. 841 - 846.