автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка и анализ высокоэффективных способов и алгоритмов автоматического сопряжения, синхронизации, юстировки изображений, управления поворотными камерами и обработки информации в приборах и системах видеонаблюдения

На правах рукописи

Хамухин Анатолий Владимирович

РГБ ОД

2 6 Л8Г 2008

Разработка и анализ высокоэффективных способов и алгоритмов автоматического сопряжения, синхронизации, юстировки изображений, управления поворотными камерами и обработки информации в приборах и системах видеонаблюдения

05 13 01 - «Системный анализ, управление и обработка информации» (в области приборостроения)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

ии^445527

Москва - 2008

003445527

Работа выполнена на государственном унитарном предприятии научно-производственный центр «Электронные вычислительно-информационные системы»

Научный руководитель доктор технических наук

Петричкович Ярослав Ярославович

Официальные оппоненты доктор технических наук,

Щагин Анатолий Васильевич

кандидат технических наук, Соколов Евгений Георгиевич

Ведущая организация филиал ФГУП «ГНП РКЦ «ЦСКБ Прогресс»

НПП «ОПТЭКС»

Защита состоится «14» октября 2008г в 16— на заседании диссертационного совета Д 212 134 02 Московского государственного института электронной техники (технического университета) по адресу 124498, Москва, г Зеленоград, проезд 4806, д 5, МИЭТ

С диссертацией можно ознакомиться в научной библиотеке Московского государственного института электронной техники (технического университета)

Автореферат разослан « гз » июля 2008 года

Ученый секретарь

диссертационного совета Д212 134 02 доктор технических наук

Общая характеристика работы

Актуальность проблемы Приблизительно до середины-конца 90-х годов XX века понятие «система видеонаблюдения» обозначало некоторый приборный 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

В последнее время получили широкое распространение аналитические видеосистемы, которые анализируют сигналы от видеоприборов и автоматически выделяют события в зоне видеонаблюдения Несмотря на преимущества аналитических систем перед видеорегистраторами, при применении и тех, и других возникает ряд проблем Во-первых, в системах, состоящих из большого количества видеокамер, операторы вынуждены наблюдать за большим количеством изображений одновременно, что приводит к пропуску важных событий в области наблюдения Во-вторых, сигналы об объектах и событиях, выделенных в пересечении области видимости нескольких видеокамер, дублируются в виде сообщений на терминале операторов В третьих, для того, чтобы повысить разрешение изображений в области наблюдения оптическими средствами с помощью стационарных видеокамер, требуется значительно увеличить количество камер В четвертых, в современных аналитических видеосистемах чаще всего используется ручное управление поворотными камерами, при котором время реакции на появление одного объекта в зоне наблюдения примерно равно 10с, что приводит к частым пропускам событий в зоне видеонаблюдения, несмотря на то, что одна поворотная камера с управляемым увеличением может заменить большое число неподвижных камер высокого разрешения в секторе с углом 360°

По нашему мнению, характеристики видеосистем по наблюдаемости объектов и событий, по времени реакции на события, по простоте и эффективности контроля обстановки в области наблюдения могут быть существенно улучшены, если применить юстировку видеокамер по отношению друг к другу и к плану местности, разработать методы сопряжения обработки видеосигналов от различных камер и способы автоматического управления поворотными видеокамерами, однако в публикациях эти вопросы не освещаются достаточно подробно, а в существующих аналитических видеосистемах автоматизация систем управления применяется лишь частично, сопряжение видеокамер практически не применяется 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 показателей видеосистем и приборов нового поколения, 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 счет разработки и практической реализации способов автоматического сопряжения и юстировки изображений видеокамер и 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 распределенной 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 автома-

тизации 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 сопряженные видеоприборы Для данной модели определены ограничения на количество сопряженных 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, что подтверждено патентом РФ №2268497 с приоритетом от 23 06 2003 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 сопряженных неподвижных видеокамер с пересекающимися зонами наблюдения за счет синхронизации информации об изображениях, что позволило исключить дублирующие сигналы об объектах в зоне наблюдения

4 На основе методов математического программирования и проективной геометрии 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 сопряженных видеоприборов для оценки эффективности алгоритмов и способов сопряжения

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

Практическая значимость Разработанные в диссертации способы, алгоритмы и модели используются в семействе систем и приборов видсонаблюдения

1) системы видеонаблюдения с компьютерным зрением «Опуе112к» (патенты РФ на полезные модели №36315 от 07 08 2003 и №36912 от 23 06 2003, патенты РФ №2265531 от 07 08 2003 и №2268497 от 23 06 2003),

2) видеодетектор «0™е112к-Вагпег», определяющий объекты в состоянии свободного полета,

3) система подсчета зрителей в кинозалах «Оги'е112к-Стета» (патент РФ на полезную модель №47546 и на изобретение №2296434 от 14 05 2005),

которые были разработаны при непосредственном участии автора на предприятии ГУП НПЦ «ЭЛВИС» и основные программные средства которых официально зарегистрированы, см свидетельство №2003612604 от 28 11 2003 Таким образом, тема диссертации полностью соответствует направлению научно-производственной деятельности организации, в которой выполнена работа

Программное обеспечение семейства «Ог\уе112к», реализованное на основе разработанных в диссертации алгоритмов сопряжения, управления и юстировки поворотными видеокамерами, поставляется на внутренний и зарубежный рынок и является конкурентоспособным продуктом на мировом уровне

Преимущество «Огше112к» в том, что поворотные камеры автоматически наводятся на объект, появившийся в поле зрения неподвижной камеры, и при этом ширина зоны наблюдения поворотной видеокамеры равна 3-6 метров при любой дальности в пределах прямой видимости, определяемой оптикой, за счет автоматического выбора увеличения, таким образом, изображение объекта всего в 6-12 раз меньше ширины всего изображения, что обеспечивает в 5-10 раз большее разрешение и лучшую детализацию изображений Для достижения данного результата не требуется значительное увеличение количества видеокамер достаточно использовать одну неподвижную и одну поворотную видеокамеру, сопряженную с неподвижной Кроме того, при ручном управлении наведение на объект производится в среднем за Юс, в то время как автоматизированное управление поворотными камерами в системах «Огше112к» позволяет производить наведение за 0,5с, то есть более чем на порядок быстрее

Использование алгоритмов классификации изображений и сопряжения видеокамер с планом местности, а также сопряжения видеокамер между собой, позволяет не дублировать сигналы об объектах от видеокамер с общей зоной обзора, с помощью топографического плана более эффективно визуализировать события по сравнению с простым выводом ряда видеосигналов В случаях невысокой частоты событий на наблюдаемой территории возможна организация обслуживания одним оператором примерно ста видеокамер При применении типовых видеорегистраторов такое невозможно один оператор не в состоянии анализировать изображения 100 видеокамер, даже если их вывести в виде матрицы 10x10

Автор диссертации проводил исследования и разработки в рамках «Приоритетных направлений развития науки, технологий и техники РФ» и «Критических технологий РФ»

Достоверность результатов подтверждается хорошей сходимостью результатов моделирования основных процессов функционирования разработанных с участием автора видеосистем с данными, полученными в ходе промышленной

эксплуатации образцов видеоприборов и видеосистем на различных объектах

Внедрение результатов Результаты диссертационной работы внедрены в системе видеонаблюдения «Ог\уе112к», которая используется в целях обеспечения безопасности как в России, так и за рубежом Система применяется для охраны ряда объектов предприятий ОАО «Газпром», прошла испытание в рамках программы «Московский дворик», введена в эксплуатацию на периметре и в зоне авиационной деятельности центра деловой авиации аэропорта Домодедово (система РАЯЖ 46652 001-00 ПЗ), используется при охране «Центра развития предпринимательства» в г Зеленоград и на других объектах, в том числе за рубежом 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 сопряженных 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%, причем 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, сопряженных 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 6 пикселей для подвижных объектов

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

10 Видеосистемы нового поколения «Ог\уе112к», в которых реализованы разработанные в диссертации алгоритмы и способы (свидетельство о регистрации программы №2003612604 от 28 11 2003, патенты РФ на полезные модели №36315 от 07 08 2003, №36912 от 23 06 2003, патенты РФ №2265531 от 07 08 2003, №2268497 от 23 06 2003), внедрены на ряде объектов, например, в «Центре деловой авиации» аэропорта Домодедово (РАЯЖ 46652 ООЮС ПЗ) и в «Центре развития предпринимательства» (г Зеленоград)

На защиту выносится:

1 Алгоритм параллельных вычислений, позволяющий посредством синхронизации информации об анализируемых изображениях объединять в сети обработчики сопряженных 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%, причем 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 изображениями 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 6 пикселей для подвижных объектов

9 Внедрение результатов диссертации при разработке видеосистем нового поколения «0те112к», в которых реализованы разработанные в диссертации алгоритмы и способы (свидетельство о регистрации программы №2003612604 от 28 11 2003, патенты РФ на полезные модели №36315 от 07 08 2003, №36912 от 23 06 2003, патенты РФ №2265531 от 07 08 2003, №2268497 от 23 06 2003) и которые внедрены на ряде объектов, например, в «Центре деловой авиации» аэропорта Домодедово (РАЯЖ 46652 001-ОС ПЗ) и в «Центре развития предпринимательства» г Зеленоград

Апробация работы Результаты диссертации докладывались на ХЬУ1, ХЬУП и ХЬУШ научной конференции Московского физико-технического института, а также на XV, XVI и XVII конференциях молодых ученых, аспирантов и студентов по современным проблемам машиноведения в институте машиноведения им А А Благонравова РАН

Информационные приборы и видеосистемы семейства «Опл'с112к», в которых внедрены результаты работы, демонстрировались на 13 выставках Алгоритмы и информационные технологии, разработанные автором диссертации и реализованные в системе, получили признание специалистов и отмечены соответствующими дипломами В 2005 году видеосистема с компьютерным зрением «Ог\уе112к» удостоена II Национальной премии по безопасности «За укрепление безопасности России» («ЗУБР-2005»)

Публикации Основное содержание диссертации отражено в двадцати пяти опубликованных работах, в том числе пяти статьях в журналах, входящих в перечень, утвержденный ВАК Без соавторов опубликовано десять статей В соавторстве получены три патента на изобретения, три свидетельства на полезную модель и одно свидетельство о регистрации программы

Структура и объем диссертации Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений Работа содержит 167 страниц основного текста, 32 страницы с рисунками и таблицами, список литературы из 97 наименований и приложений на 47 страницах

Основное содержание работы

Во введении обосновывается актуальность темы диссертации, формулируются основные цели и задачи работы, научная новизна, практическое значение полученных результатов и их внедрение, личный вклад автора, результаты, выно-

симые на защиту, а также описываются апробация и публикации по содержанию работы, структура диссертации и краткое содержание глав

В первой главе вводятся понятия синхронизации данных между обработчиками видеокамер в распределенных аналитических видеосистемах, а также понятия сопряжения трех типов поворотных и неподвижных камер, неподвижных камер между собой, изображений неподвижных камер с изображением плана местности Рассматриваются современные видеосистемы, которые в той или иной степени используют сопряжение и синхронизацию программных обработчиков

Структура современных аналитических видеосистем представлена на рис 1 Камеры видеонаблюдения подключаются к ЭВМ, которые обрабатывают и анализируют поступающий видеосигнал с целью автоматического выделения событий, требующих внимания операторов, находящихся на автоматизированных рабочих местах, оборудованных терминалами видеосистемы Обработка видеосигнала является многоэтапным процессом Первичная обработка заключается в повышении таких характеристик изображения, как, например, контрастность или соотношение сигнал/шум Улучшение качества изображения может быть реализовано на основе фильтра Винера-Хопфа, а также фильтров, подробно рассмотренных в трудах, посвященных цифровой обработке сигнала Н Ахмеда, К Р Pao, JI П Ярославского, Е Претта и других Затем из изображения могут быть автоматически выделены движущиеся элементы В литературных источниках, посвященных обработке изображений и опубликованных в России и за рубежом, наиболее часто упоминается так называемый алгоритм вычитания фона как наиболее эффективно решающий задачу выделения движущихся объектов на изображении неподвижных видеокамер с точки зрения соотношения требований к ресурсам ЭВМ и надежности определения (см рис 2) Наконец, накопленный мировым сообществом ученых опыт в области распознавания образов, получивший отражение в работах Ю В Журавлева, Р Дуда, П Харта, А И Галушкина, A JI Горелика, В А Скрипкина и других, может стать основой для автоматической классификации по определенным заранее категориям объектов и событий в области наблюдения видеокамер Например, можно выделять только автомобили и не выделять людей при отражении событий на терминале операторов

Анализ состояния современных систем видеонаблюдения выявил, что алгоритмы классификации изображений, сопряжение и синхронизация не применяются в полной мере, хотя они могут существенно повысить эргономические характеристики терминалов операторов, облегчить анализ событий в зоне наблюдения большого количества камер и повысить разрешение выводимых изображений Применение ручного управления поворотными видеокамерами в существующих видеосистемах приводит к задержке реакции на появление новых объектов (¡=s 10с), что повышает вероятность пропуска динамичных и важных событий в области наблюдения На основе анализа недостатков известных видеосистем и методов обработки видеосигналов поставлена цель диссертационной работы разработать,

Рисунок 1 Общая схема аналитической видеосистемы

проанализировать и внедрить более эффективные способы и алгоритмы автоматического сопряжения, синхронизации и юстировки видеоизображений и управления поворотными камерами при создании интеллектуальных автоматических видеосистем нового поколения

Во второй главе проводится функциональный анализ аналитических видеосистем, использующих сопряжение и синхронизацию

Будем называть неподвижные видеокамеры, на которых автоматически выделяются движущиеся объекты, мастер-камерами, или мастерами, а поворотные видеокамеры, которые автоматически наводятся на эти объекты — слейв-камерами или слейвами (управление слейвов подчинено положению и скорости объектов, выделяемых на мастерах)

Назовем кластером подмножество камер видеосистемы, связанное между собой сопряжением Для синхронизации данных между обработчиками слейвов и мастеров используется структура обработчиков, изображенная на рис 3 Син-лронизацию данных в кластере видеокамер обеспечивает специальный модуль-диспетчер, назначение которого — принять информацию о положении объектов от мастеров и назначить некоторые объекты для наведения тех слейвов, которые в данный момент свободны и сопряжены с теми областями видеокамеры, в которой находятся объекты Если число мастер-камер М, а число слейв-камер N, тогда число мастеров и слейвов прежде всего подчиняется неравенству М ^ N из экономических соображений Ограничение пропускной способности локальной вычислительной сети (ЛВС) не позволяет использовать более

г]и> о

Мтах

(1 + к)пюоЬ]/ + + ги<1 + -и)а + -Ш})

(1)

ижение прекратилось

Движение объекта

--уровень сигнала в точке Р

---уровень условного фона В

......................верхний порог В+5 Т

----------------нижний порог В+5Т

Адаптация фона к возможной остановке объекта

ш,=0, В,(х, у) = Е,, Т,{х, у) = 7, Щх, У)=

ар.;{х.у) + (1 - п^Я.-Дз', у), ад-^х, у) = О,

\1Цх,у) - Ъ(х,у)| + (1 -а)^.,(.г;,г/), = О,

Т(-,(х,у), Н-Д^у) = 1,

- 1, , , Л ]1. если

МЛ, у)='

О в противном случае

а) выделение движущейся точки изображения (алгоритм вычитания фона)

■

я

И

г4<

Области Объекты

б) выделение движущихся областей в) сопоставление объектов и областей

Рисунок 2. Иллюстрация работы алгоритмов выделения движущихся изображений на основе алгоритма вычитания фона.

Рисунок 3 Схема взаимодействия обработчиков в кластере неподвижных видеокамер, где п — среднее количество объектов на одной обзорной камере, — объем данных в байтах, описывающих один объект при передаче от обработчика мастера диспетчеру или от мастера к мастеру, к ~ среднее количество мастеров, с которыми пересекается каждый мастер, и, следовательно, должен передавать объекты своим к соседям, 1111 — размер сообщения-целеуказания от диспетчера, указывающее слейву, куда нужно повернуться, ыч — объем сообщения о положении объекта от поворотной камеры к обзорной, и)а — объем ответа от мастера слейву, ю/ — объем сообщения о готовности принять следующее задание, передаваемое диспетчеру слейвом, / — частота обработки кадров с обзорных камер, Хд — среднее время исполнения поворота слейвами, г] = 0, 5 — коэффициент «полезного действия» пересылки по сети из-за издержек протоколов на физическом и транспортном уровне невозможно добиться максимальной пропускной способности Юо Оценка получена для предельного случая N = М, и поскольку установлено экспериментально и теоретически, что п = 50, к = 3 для предельного случая, и)0ь3 = 20 байт, wt = = юа = Wf = 24 байта, / = 25с-1, Хд = 500мс, то при пропускной способности ЛВС шо = 100Мбит/с получим Мтах = 65 Данное ограничение действует только на один кластер Поскольку различные кластеры не ведут сетевых обменов, количество кластеров ресурсами ЛВС не ограничивается

Ограничение, обусловленное вычислительной мощностью ЭВМ, рассчитывается исходя из выведенной в диссертации формулы для доли ресурсов 5, занимаемых модулем диспетчера

5 = /М(Схп + СзЛГп) + + СьЮМп), (2)

Ти

где = 0,1мкс, С2 = 2мкс, Сз = С5 = 1мкс — константы времени выполнения элементарных операций алгоритма синхронизации, измеренные с точностью 20% на ЭВМ с эталонной вычислительной мощностью Понятие эталонной вычисли-

тельной мощности введено в работе для унификации расчетов и примерно соответствует ЭВМ с тактовой частотой процессора ЗГГц и частотой обмена данных с динамической памятью 400МГц Обычно около 90% ресурсов ЭВМ резервируется для обработки сигналов от видеокамер, поэтому типично для диспетчера выделяется около 10% ресурсов ЭВМ, те 6 < 0,1, и с помощью численного решения данного неравенства относительно неизвестных М и N получим

{N = 4, М = 4}, {N = 3,

{И = 2, 2 < М < 14} _{ЛГ= 1, 28},

то есть вычислительная мощность современных ЭВМ сильнее ограничивает количество камер в кластере, чем пропускная способность ЛВС

Сопряжение видеокамер с пересекающимися зонами наблюдения в случае плоской поверхности в области обзора проводится в работе на основе формул проективного преобразования

, Ах + Ву + С

(3)

У =

Gx + Hy + I д Dx + Еу + F ' где ^

ABC D Е F G Н I

Ф о

(4)

Gx + Hy + I

Чтобы получить коэффициенты преобразования, с помощью специальной настроечной программы вводится сетка {(а;г, г/,)} и значения искомого преобразования на этой сетке {{х'г,у',)} за счет указания точек изображений, которые соответствуют друг другу Затем методом градиентного спуска решается задача

mm

£

1=1

Ах, + By, + С Gx, + Ну, +

Ь'

+ U-

Dy, + Eyt + F Gxt + Ну, + 1

(5)

Поиск начального приближения предложено провести с помощью решения линейной переопределенной системы, которая следует из системы уравнений, состоящих из соотношений вида (4)

, Ах, + By, + С , Dx, + Eyt + F X, = —————, уг =

Gx, + Нуг + Г Уг Gx, + Ну, +1 ^

после домножения на знаменатели Если форма наблюдаемой поверхности не является приближением плоскости, а видеокамеры не находятся в одной точке, то преобразование между изображениями не является проективным Поэтому в качестве приближения предложено использовать остаточные суммы ряда Фурье

, Ах + Ву + С ,Х7Г . _ ,хтт \

х' = —--г+> (С, cos(—г) + S, sin(—г) ] ,

Gx + Hv + I ¿—'У So ' v w ' J

(7)

i=i 4

Dx + Ey + F v^,г/7Г . ,ул

У = тхгтт^гтт + 22 [c' cos(yl) + '

г=1

Gx + Hy + I

р 1 р р р р р ц

/ а ? -о , Р ? , а а >

а) измеренные перемещения поворошых камер (окружность обозначает неопределенность конечного положения из-за погрешности)

Конечная неопределенность

Смещение изображений

Требуемый вектор смещения

б) составное перемещение поворотной камеры без

в) составное перемещение поворотной камеры с

оценки смещения с помощью сравнения изображений оценкой смещения с помощью сравнения изображении

Рисунок 4 Работа алгоритма составного перемещения поворотных видеокамер

где го х /г — разрешение исходного изображения, а неопределенные коэффициенты Си Бг, С[, требуется найти В диссертации разработан алгоритм поиска данных коэффициентов с помощью минимизации квадрата невязки на сетке с известными значениями преобразования

Сопряжение поворотных и неподвижных видеокамер проводится по аналогии с сопряжением неподвижных видеокамер между собой вручную с помощью специальной программы задается сетка координат {(а;,, у,)} и соответствующие узлам сетки углы {(аг, Д)} оптической оси поворотной камеры в полярной системе координат с центром в точке закрепления камеры, а затем проводится интерполяция преобразования на всей области изображения Разработан ряд алгоритмов для оптимизации процесса сопряжения Например, для камер, которые поддерживают только команды управления, перемещающие оптическую ось с различными скоростями в течение заданного времени (без обратной связи по положению видеокамеры), разработан алгоритм составного перемещения на основе измеренных векторов смещения (при заданном времени и скорости смещения), который не увеличивает неопределенность конечного положения за счет сравнения изображений слейва и мастера, см рис 4 Предложены алгоритмы автоматического выбора необходимых параметров управления увеличением и фокусировкой

На основании соотношений, выведенных для сопряжения видеокамер во второй главе, в третьей главе разработаны алгоритмы наведения поворотных видеокамер на движущиеся объекты и алгорйтмы сопоставления изображений одного и того же объекта на различных видеокамерах с общей зоной обзора Также рас-

смотрены способы синтеза параметров изображений при применений классификации объектов по категориям

Для организации наведения слейвов предложено несколько схем синхронизации данных о положении объектов между обработчиками слейвов и мастеров Все схемы состоят из пяти типовых блоков копирование данных об объектах при приеме сообщения от мастера (сложность Citi), сортировка Мп объектов по приоритетности наведения (сложность CiMn log2 (Мп), проверка возможности наведения одного из слейвов для только что принятых объектов (сложность C^Nn), добавление новых объектов в существующий отсортированный список (сложность Cin\og2{Mn)), распределение поворотных видеокамер для наведения на объекты в общем списке (сложность C^nMN^) В результате сравнения вычислительной сложности выбрана схема синхронизации с обработкой в циклах приема сообщений мастера и слейва, изображенная на рис 5 Вычислительная сложность алгоритма описывается формулой (2)

Для наведения поворотной камеры на движущийся объект в работе введено соотношение т — тi = шТ{т, то, 7,70, /, /о), где т = (а, ß) — углы положения оптической оси, соответствующие положению объекта после перемещения поворотной камеры, т\ — углы начального положения объекта, tq — углы начального положения поворотной камеры, и — угловая скорость объекта, 7, /, 70, /о — соответственно, координаты увеличения и фокусировки, конечные и начальные, Т — функция, определяющая время изменения положения поворотной видеокамеры Функцию Т следует измерять экспериментально, тогда можно определить время упреждения, решая одномерную задачу оптимизации

min|f - Т(п + Ot, f„, 7,7о, /, /о) I (8)

(время поворота применяемых в работе камер менее 4с) Решив эту задачу, найдем конечные координаты поворотной камеры т = fi + wt Наведение, определяемое соотношением (8), назовем наведением с адаптивным упреждением В результате теоретической оценки погрешности наведения на неподвижные объекты, сделанной с помощью метода численного моделирования, получается значение 0,5° Теоретическая погрешность наведения на подвижные объекты при максимальной погрешности определения скорости и времени синхронизации равна 20° Для сопоставления изображений одного и того объекта на различных видеокамерах с общей зоной обзора введен критерий

Г uds{vs) € {(z,y)\xdmm ^ х ^ я^,ydmm s? у ^ ydmax}, \ usd{i?) 6 {{x,y)\xsmm ^х^ xsmax,ysmm ^у^ ?4а1},

где lxmin:xiiax] X [vLw vLj ~ прямоугольник, ограничивающий изображение объекта на мастере d, х [у^гп, у max] ~ прямоугольник объекта на ма-

стере s, usd — преобразование сопряжения с мастера d на мастер s, üds — преобразование сопряжения с мастера s на мастер d и щ = (immiS™^ ?mmäms)]

Рисунок 5 Алгоритм модуля автоматической синхронизации данных между обработчиками

уз = (£ецп±£ш<ш) Ушщ+Утах) Разработанный на основе предложенного критерия алгоритм позволяет не учитывать скорости движения объектов, поскольку время синхронизации данных о положении объектов значительно меньше, чем время между обработкой двух последовательных кадров, равное 40мс, и за это время объект сдвигается не более, чем на несколько пикселей Использование экстраполяции траектории объекта может, наоборот, увеличить ошибку сопоставления Поэтому предложенный критерий, определяемый неравенствами (9), оказывается наиболее эффективным Рассмотрев модель перемещения объектов в поле зрения камер и сравнивая время перемещения и обработки, можно утверждать, что критерий (9) наиболее достоверен, если скорость объектов, для которых сопоставляются изображения, не превышает 14км/ч для объектов с размером 0,5м и 90км /ч для объектов размером Зм

Для классификации изображений объектов по категориям человек/машина/группа людей, движущийся/остановившийся, обычный/оставленный в поле зрения другим объектом, присутствующий в поле зрения слейв-камеры или отсутствующий требуется провести синтез наборов параметров изображений, которые могут быть использованы в качестве входных данных алгоритмов классификации, рассмотренных в первой главе В качестве таких параметров используются характеристики силуэтов выделенных объектов первые, вторые и третьи моменты относительно точек и различных осей, плотность силуэта на заранее заданной сетке, координаты изображений объектов на неподвижных камерах, преобразованные с помощью преобразования сопряжения в координаты поворотной видеокамеры и другие В качестве дополнения к существующим алгоритмам классификации разработан новый алгоритм классификации объектов по двум признакам, использующий триангуляцию на основе быстрого алгоритма построения диаграммы Вороного за 0(М -/V) операций, где N — количество точек плоскости, соответствующее числу примеров обучения Сама классификация проводится в среднем за ./V) шагов

В четвёртой главе приводится экспериментальное исследование эффективности разработанных способов и алгоритмов сопряжения и классификации, а также описывается аналитическая видеосистема РАЯЖ 46652 ООЮС ПЗ, разработанная на предприятии ГУП НПЦ «ЭЛВИС» с использованием полученных в диссертационной работе результатов и внедренная для охраны ряда объектов аэропорта Домодедово при непосредственном участии автора

Для оценки эффективности способов сопряжения повортных и неподвижных видеокамер, а также неподвижных камер между собой, используется два типа методик Первый тип основан на оценке сопряжения неподвижных изображений с помощью программных средств, реализующих преобразование сопряжения, проводится перевод исходных координат в координаты сопряженной видеокамеры, являющимися угловыми координатами для поворотной видеокамеры и координатами изображения при сопряжении неподвижных видеокамер, а затем проводится

сравнение преобразованных координат с действительными методом визуальной оценки с помощью программных средств отображения преобразований сопряжения Таким образом установлено, что погрешность наведения поворотных видеокамер на неподвижные изображения равна 0,5°, что с точностью 20% совпадает с теоретической оценкой, а погрешность сопряжения неподвижных изображений мастеров равна 4 пикселам Второй тип методик измерения погрешности сопряжения основан на оценке достоверности сопоставления изображений в процессе функционирования модулей обработки видеокамер накапливается статистика ошибок сопоставления изображений объектов либо на двух сопряженных неподвижных видеокамерах, либо промахов при наведении слейвов на выделенные объекты обработчиками сопряженных с ними мастеров Если р — доля ошибок сопоставления объектов в ходе эксперимента, то тогда погрешность сопряжения можно оценить как

(10>

где Л — предельное значение разброса координат, при котором фиксируется промах, то есть это либо ширина объекта в пикселах при измерении погрешности сопряжения мастеров, либо угол зрения слейва при наведении на объекты, а

1 г _г2

= _ / е г с1х, то есть Р 1 — функция ошибок Значения Д должны

V 27Г -оо

быть примерно одинаковыми для всех сопоставлений в ходе эксперимента В результате сбора статистики можно сравнить работу нескольких алгоритмов наведения алгоритм наведения без учета упреждения, алгоритм наведения с линейным упреждением и разработанный в диссертации алгоритм наведения с адаптивным временем наведения, а также алгоритм сопоставления изображений сопряженных мастеров при синхронизации данных между обработчиками мастеров, запущенных на одной ЭВМ и при синхронизации посредством ЛВС между обработчиками мастеров, запущенных на разных ЭВМ При применении алгоритма наведения без упреждения доля промахов в условиях эксперимента получилась 25% при погрешности наведения 7°, при применении наведения с линейным упреждением доля промахов 5% и погрешность наведения 4°, при применении разработанного в диссертации алгоритма наведения с адаптивным временем доля промахов 1% и погрешность наведения 3° При сопоставлении изображений, выделенных обработчиками на одной ЭВМ, доля неверных сопоставлений 1% и погрешность равна 6 пикселям, при синхронизации положения объектов по ЛВС доля ошибочных сопоставлений 10% и погрешность преобразования сопряжения равна 10 пикселам

Применение алгоритмов классификации изображений по категориям при проведенном переборе признаков объектов позволило достигнуть показателей достоверности распознавания на уровне 90%—95% Показатели достоверности классификации по категориям человек/машина/группа людей приведены в таблице 1

Человек Машина Группа людей Отказы Всего

Человек 445 2 4 1 452

Машина 5 438 15 12 470

Группа людей 3 12 291 3 309

Статистика 98% 97% 94% 2% 95%

Таблица 1 Результаты распознавания «Человек», «Машина», «Группа людей»

Измерение времени выполнения программных функциональных блоков систем типа РАЯЖ 46652 001-00 ПЗ показало, что время реакции системы на появление нового объекта в зоне наблюдения камер определяется временем автоматического наведения поворотной камеры на объект и равно 0,5с, что в 20 раз меньше времени реакции систем, использующих ручное наведение

В заключении приведены основные выводы работы и описана практическая значимость достигнутых результатов

В приложениях включены схемы системы РАЯЖ 46652 ООЮС ПЗ, документация по использованию настроечных программ сопряжения, протоколы испытаний, фрагменты кодов основных программных модулей, использующих результаты работы, свидетельство о регистрации программы и список выставок, на которых проводилась апробация результатов работы

Основные результаты и выводы

При выполнении диссертационной работы достигнуты следующие результаты

1 Разработаны способы и выведены уравнения автоматизации начальной установки и последующего сопряженного 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, причем 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 6 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 син-

хронизации 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 Проведен 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

8 Результаты диссертационной работы применены в программно-аппаратных комплексах «Orwell2k», разработанных при непосредственном участии автора (свидетельство о регистрации программы №2003612604 от 28 11 2003, патенты РФ на полезные модели №36315 от 07 08 2003, №36912 от 23 06 2003, патенты РФ №2265531 от 07 08 2003, №2268497 от 23 06 2003) и используемых для эффективного решения задач обеспечения безопасности, например, для охраны объектов «Центр развития предпринимательства» (г Зеленоград) и «Центр деловой авиации» аэропорта Домодедово и многих других

Список работ, опубликованных по теме диссертации

1 А В Хамухин, «Алгоритм управления синхронизацией распределенных вычислений в системах видеонаблюдения» //М из-во «Компания Спутник+», научно-технический журнал «Техника и технология», №5, 2007, с 31-33

2 А В Хамухин, «Вычисление репррной точки юстировки оптической оси видеокамеры по нескольким измерениям дальности до топографических объектов на местности» // М из-во «Компания Спутник+», научно-технический журнал «Аспирант и соискатель», №5, 2007, с 161-162

ЗАВ Хамухин, «Измерение зависимости координат увеличения и фокусировки от кратности увеличения для объективов с координатным управлением44 //М из-во «Компания Спутник+», научно-технический журнал «Аспирант и соискатель», №5, 2007, с 163-164

4 А В Хамухин, «Вычисление угла упреждения при управлении наведением поворотных видеокамер на движущуюся цель» //М из-во «Компания Спут-ник+», научно-технический журнал «Техника и технология», №5, 2007, с 34-35

5 А В Хамухин, «Алгоритм управления положением поворотной видеокамеры при смещении центра изображения на заданный вектор» //М из-во «Компания Спутник+», научно-технический журнал «Аспирант и соискатель», №5, 2007, с 159-160

6 С Т Иванченко, И А Кан, К В Лунин, А С Малистов, Я Я Петричкович, А А Солохин, В П Сомиков, А В Хамухин, «Система обеспечения безопасности и мониторинга мобильных объектов» //Патент РФ №2265 531, бюл №34, 2005

7 И А Кан, К В Лунин, А С Малистов, Я Я Петричкович, А А Солохин, В П Сомиков, А В Хамухин, «Система и способ автоматизированного видеонаблюдения и распознавания объектов и ситуаций» //Патент РФ №2268497, бюл №02, 2006

8 Я Я Петричкович, И А Кан, В П Сомиков, К В Лядвинский, К В Лунин, А В Хамухин, А С Малистов, А А Солохин, А X Ахриев, Е В Горбачев, С Л Мурга, А А Болтнев, «Устройство автоматизированного контроля обстановки в зрительных залах» //Патент РФ №2296434, бюл №9, 2007

9 Я Я Петричкович, В П Сомиков, А А Солохин, А С Малистов, А В Хамухин, «Интеллектуальная система телевизионного наблюдения с компьютерным зрением "Orwell 2К"» //Журнал «Техника средств связи», серия «Техника телевидения», научно-технический сборник, ЗАО «МНИТИ», вып 1, 2005, с 54-57

10 А С Малистов, А А Солохин, А В Хамухин, «Формальный подход к оценке качества алгоритмов обработки изображений в интеллекуальных системах видеонаблюдения» //Журнал «Вопросы радиоэлектроники», серия «общетехниче-ская(ОТ)», выпуск 2, ОАО ЦНИИ «Электроника», 2006

11 А X Ахриев, А С Малистов, А В Хамухин, П А Александров, «Комплексный подход к созданию систем автоматического видеонаблюдения и видеоконтроля на объектах высокой сложности типа ITER и атомных станций» //«Вопросы атомной науки и техники», серия «Термоядерный синтез», 2006, вып 3 , с 69-81

12 А С Малистов, А А Солохин, А В Хамухин, «Алгоритмы обработки видеопотоков для отделения теней от объектов» //XV Международная Интернет-конференция молодых ученых, аспирантов и студентов по современным проблемам машиноведения, тезисы докладов, с 95, из-во ИМАШ РАН, Москва, 2003

13 А С Малистов, А А Солохин, А В Хамухин, «Методы оценки эффективности алгоритмов в интеллектуальных системах видеонаблюдения» //Труды XLVII научной конференции МФТИ «Соверменные проблемы фундаментальных и прикладных наук», ч 3, с 216-217, Москва, 2004

14 А С Малистов, А А Солохин, А В Хамухин, «Оценка эффективности алгоритмов в системах видеонаблюдения» //XVI Международная Интернет-конференция молодых ученых, аспирантов и студентов по современным проблемам машиноведения, тезисы докладов, с 177, из-во ИМАШ РАН, Москва, 2004

15 А В Хамухин, «Оценка объема тестовой выборки для вычисления ожидаемой доли ошибки при классификации объектов видеонаблюдения» //М из-во «Компания Спутник+», научно-технический журнал «Актуальные проблемы современной пауки», №6, 2007, с 169-170

16 А В Хамухин, «Классификация объектов с двумя признаками на основе триангуляции» //М из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», №5, 2007, с 81-82

17 С Т Иванченко, И А Кан, К В Лунин, А С Малистов, Я Я Петричкович, А А Солохин, В П Сомиков, А В Хамухин, «Система обеспечения безопасности и мониторинга мобильных объектов» //Патент РФ на полезную модель №36315, бюл №7, 2004

18 И А Кан, К В Лунин, А С Малистов, Я Я Петричкович, А А Солохин, В П Сомиков, А В Хамухин, «Система и способ автоматизированного видеонаблюдения и распознавания объектов и ситуаций» //Патент РФ на полезную модель №36912, бюл №9, 2004

19 Я Я Петричкович, И А Кан, В П Сомиков, К В Лядвинский, К В Лунин, А В Хамухин, А С Малистов, А А Солохин, А X Ахриев, Е В Горбачев, С Л Мурга, А А Болтнев, «Устройство автоматизированного контроля обстановки в зрительных залах» //Патент РФ на полезную модель №47546, бюл №24, 2005

20 К В Лунин, А С Малистов, Я Я Петричкович, А А Солохин, В П Сомиков, А В Хамухин, «Система автоматизированного видеонаблюдения и распознавания объектов и ситуаций «Ог\уе112к» //Свидетельство об официальной регистрации программы для ЭВМ №2003612604, 2003г

21 А С Малистов, А А Солохин, А В Хамухин, «Слежение за целями в муль-тисенсорных системах видеонаблюдения с компьютерным зрением» //Труды ХЬУШ научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук», Москва, 2005

22 А С Малистов, А А Солохин, А В Хамухин, «Калибровка поворотных камер в системах видеонаблюдения с компьютерным зрением» //Избранные труды XVII Международной интернет-конференции молодых ученых, аспирантов и студентов по современным проблемам машиноведения, с 159-162, Москва, 2005

23 А В Хамухин, «Моделирование поверхности земли при преобразовании координат с изображения камеры на топографический план зоны обзора» //М из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», №5, 2007, с 199-200

24 А В Хамухин, «Вычисление линии горизонта на изображении видеокамеры» //М из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», №5, 2007, с 197-198

25 А В Хамухин, «Критерий идентичности объектов на изображениях видеокамер с общей зоной обзора» //М из-во «Компания Спутник+», научно-технический журнал «Техника и технология», №5, 2007, с 36-37

Введение

1 Методы обработки цифровых информационных видеосигналов

1.1 Обзор современных приборов и систем видеонаблюдения.

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 Методы распознавания и идентификации видеоизображений

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

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

1.7 Цели и задачи диссертационной работы

Выводы.

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 Оценка точности преобразований координат при сопряжении изображений

2.6 Разработка способов автоматизации настройки сопряжения неподвижных и поворотных видеокамер.

Выводы.

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.

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

4.1 Описание схемы приборов и блоков аналитической видеосистемы РАЯЖ 46652.001-ОС.ПЗ.141'

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.

Актуальность проблемы. Охранные системы, предназначенные для предотвращения неправомерных действий, являются комплексом технических средств и административных мероприятий. Современные технические средства, предназначенные для охраны, улучшают такие важные показатели, как своевременная реакция на нарушение, количество задействованного в охранном комплексе персонала, трудоёмкость принятия решений при выполнении необходимых действий в ответ на нарушеюю. В последнее время проблема эффективной охраны порядка стала особенно актуальной в связи с повышением активности террористических организаций, поэтому задача совершенствования охранных приборов является насущной.

Системы видеонаблюдения — распространённый вид технических охранных средств. Как показано в работе [1] с опорой на исследования [2, 3, 4], использование средств видеопаблюдения позволяет более эффективно использовать ресурсы охранных структур и организаций.

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 срютемы принято называть видеорегистраторами. Чаще всего в видеорегастраторах используются неподвргжные камеры, реже — камеры на поворотных устройствах.

Подобного типа системы 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. Часто видеорегистраторы снабжаются алгоритмами определения движения в кадре, что несколько повышает эффективность рютользования системы видеонаблюдения. Однако простой детектор изменения изображенрш бесполезен в условиях интенсивного движения, например, на транспортных магистралях ршр1 многолюдных улицах.

Многие современные разработки в области обработки цифровых изображений могут быть направлены для решения проблем, связанных с использованием видеорегистраторов. Например, в работах [5, 6, 7, 8, 9, 10] и в других источниках предложены различные алгоритмы выделения положения движущихся объектов в области изображений при обработке потока сигналов от видеопрр1боров. Подобные алгорр1тмы могут быть использованы для привлечения внимания оператора видеосистем к изображению видеокамеры, если на изображении происходит какое-то событие. Достижения в области информационной обработки, классификации и распознавании видеосигналов (см., например, [11, 12, 13, 14]) позволяют не только создавать алгоритмы обработки, которые реагируют на произвольное изменение в области изображения видеокамер, но и анализировать тип изменений. В итоге внимание операторов можно привлечь не к каждому изменению в области наблюдения, а только к тем, которые действительно представляют интерес с позиции решаемых аналитической видеосистемой задач. Для повышения информативности данных, поступающих операторам видеосистем через интерфейс взаимодействия, целесообразно использовать существующие методы повышения качества изображения, например, метод, основанный на соотношениях Винера-Хопфа [15] и другие методы [16,17,18, 19]. Прогресс в области устройства вычислительных машин и компьютеров в настоящее время позволил достигнуть таких показателей производительности ЭВМ универсального назначения, что воплощение перечисленных методов для систем обработки видеосигналов реального времени уже не является такой же сложной технической задачей, как это было десятилетие назад. Поэтому несмотря на то, что многие из названных алгоритмов и методов были впервые описаны более, чем десять лет назад, актуальность их применения в аналитических видеосистемах возникла сравнительно недавно.

В последнее время системы видеонаблюдения строятся по принципу объединения в единую сеть различных датчиков [5, 20], регистрирующих обстановку в зоне наблюдения. Заметим, что датчики — это не только видеокамеры, но и, например, датчики объёма в помещениях, датчики открытия/закрытия дверей, датчики поворота турникетов и т.п. Далее под датчиками понимается только видеоприборы: стационарные камеры и камеры с возможностью управления положением оптической оси и величиной оптической силы объектива. 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.

Одним из важнейших типов сопряжения видеоприборов является сопряжение видеокамер на поворотных устройствах с неподвижными видеокамерами. Поворотные видеокамеры — это приборы, состоящие из объектива, камеры с чувствительной матрицей и непосредственно механического устройства, которое позволяет изменять положение оптической оси объектива и направлять угол обзора видеокамеры в нужном направлении. Современные поворотные устройства могут менять угол оптической оси со скоростью 300°с-1 и более. Кроме управления положением оптической оси, поворотные устройства могут также управлять увеличением объектива, изменяя угол зрения и фокусное расстояние с помощью управления системой линз. Поворотная видеокамера с объективом, диапазон фокусного расстояния которого 10-86мм, может получать изображения высокого разрешения для объектов в радиусе до 200 метров от места установки видеокамеры. В то же время возможности по использованию современных поворотных видеокамер в большинстве случаев ограничиваются ручным управлением и наблюдением за обстановкой в поле зрения видеокамеры с помощью оператора, поскольку в режиме перемещения оптической оси автоматическое выделение новых объектов в поле зрения поворотной камеры без участия человека является сложной и не до конца решённой задачей. Для автоматического выделения движущихся объектов на данный момент надёжнее всего применять неподвижные видеокамеры, однако для того, чтобы покрыть сектор с углом 360° и радиусом 200 метров неподвижными видеокамерами с фокусным расстоянием 86мм для получения разрешений, эквивалентных разрешениям изображения поворотной видеокамеры с фокусными расстояниями 10-86мм, потребуется установить несколько тысяч неподвижных видеокамер. Кроме того, фиксированный угол зрения, соответствующий фокусному расстоянию 86мм, не обязательно оптимален для получения изображения объектов. Проблема получения изображений высокого разрешения может быть решена с помощью сопряжения двух приборов: поворотной и неподвижной видеокамеры. Неподвижная видеокамера должна определять новые объекты, появляющиеся в области наблюдения, а поворотная видеокамера должна наводиться на эти объекты и сопровождать их в автоматическом режиме, устанавливая параметры управления увеличением таким образом, чтобы разрешение объекта было наилучшим, и в то же время чтобы объект был в кадре, несмотря на погрешность наведения. Как показывает практика, подобный подход может в 5-10 раз сократить количество видеоприборов, требуемых для получения изображения высокого разрешения.

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 показателей видеосистем и приборов нового поколения, 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 и 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, что подтверждено патентом РФ №2268497 с приоритетом от 23.06.2003. 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 методов математического программирования и проективной геометрии 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 и известные алгоритмы классификации с достоверностью 90%-95%.

Практическая значимость. Разработанные в диссертации способы, алгоритмы и модели используются в семействе систем и приборов видеонаблюдения:

1) системы видеонаблюдения с компьютерным зрением «Ог-№е112к» (патенты РФ на полезные модели №36315 от 07.08.2003 и №36912 от 23.06.2003, патенты РФ №2265531 от 07.08.2003 и №2268497 от 23.06.2003);

2) видеодетектор «Ог-№е112к-Вагпег», определяющий объекты в состоянии свободного полёта;

3) система подсчета зрителей в кинозалах «Ог\уе112к-Стета» (патент РФ на полезную модель №47546 и на изобретение №2296434 от 14.05.2005), которые были разработаны при непосредственном участии автора на предприятии ГУП НПЦ «ЭЛВИС» и основные программные средства которых официально зарегистрированы, см. свидетельство №2003612604 от 28.11.2003. Таким образом, тема диссертации полностью соответствует направлению научно-производственной деятельности организации, в которой выполнена работа.

Программное обеспечение семейства «Ог\уе112к», реализованное на основе разработанных в диссертации алгоритмов сопряжения, управления и юстировки поворотными видеокамерами, поставляется на внутренний и зарубежный рынок и является конкурентоспособным продуктом на мировом уровне.

Преимущество «Ог\уе112к» в том, что поворотные камеры автоматически наводятся на объект, появившийся в поле зрения неподвижной камеры, и при этом ширина зоны наблюдения поворотной видеокамеры равна 3-6 метров при любой дальности в пределах прямой видимости, определяемой оптикой, за счёт автоматического выбора увеличения, таким образом, изображение объекта всего в 6-12 раз меньше ширины всего изображения, что обеспечивает в 5-10 раз большее разрешение и лучшую детализацию изображений. Для достижения данного результата не требуется значительное увеличение количества видеокамер: достаточно использовать одну неподвижную и одну поворотную видеокамеру, сопряжённую с неподвижной. Кроме того, при ручном управлении наведение на объект производится в среднем за 10с, в то время как автоматизированное управление поворотными камерами в системах «ОтеШк» позволяет производить наведение за 0,5с, то есть более чем на порядок быстрее.

Использование алгоритмов классификации изображений и сопряжения видеокамер с планом местности, а также сопряжения видеокамер между собой, позволяет не дублировать сигналы об объектах от видеокамер с общей зоной обзора, с помощью топографического плана более эффективно визуализировать события по сравнению с простым выводом ряда видеосигналов. В случаях невысокой частоты событий на наблюдаемой территории возможна организация обслуживания одним оператором примерно ста видеокамер. При применении типовых видеорегистраторов такое невозможно: один оператор не в состоянии анализировать изображения 100 видеокамер, даже если их вывести в виде матрицы 10x10.

Автор диссертации проводил исследования и разработки в рамках «Приоритетных направлений развития науки, технологий и техники РФ» и «Критических технологий РФ».

Достоверность результатов подтверждается хорошей сходимостью результатов моделирования основных процессов функционирования разработанных с участием автора видеосистем с данными, полученными в ходе промышленной эксплуатации образцов видеоприборов и видеосистем на различных объектах.

Внедрение результатов. Результаты диссертационной работы внедрены в системе видеонаблюдения «Оте112к», которая используется в целях обеспечения безопасности как в России, так и за рубежом. Система применяется для охраны ряда объектов предприятий ОАО «Газпром», прошла испытание в рамках программы «Московский дворик», введена в эксплуатацию на периметре и в зоне авиационной деятельности центра деловой авиации аэропорта Домодедово (система РАЯЖ 46652.001-ОС.ПЗ), используется при охране «Центра развития предпринимательства» в г. Зеленоград и на других объектах, в том числе за.рубежом. 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 ряде объектов при установке видеосистем, в которых внедрены результаты диссертации, а также разрабатывал методические указания по настройке программно-аппаратных комплексов и приборов видеонаблюдения.

10. Видеосистемы нового поколения «Оте112к», в которых реализованы разработанные в диссертации алгоритмы и способы (свидетельство о регистрации программы №2003612604 от 28.11.2003, патенты РФ на полезные модели №36315 от 07.08.2003, №36912 от 23.06.2003, патенты РФ №2265531 от 07.08.2003, №2268497 от 23.06.2003), внедрены на ряде объектов, например, в «Центре деловой авиации» аэропорта Домодедово (РАЯЖ 46652.001-ОС.ПЗ) и в «Центре развития предпринимательства» (г. Зеленоград).

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 изображениями 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 6 пикселей для подвижных объектов.

9. Внедрение результатов диссертации при разработке видеосистем нового поколения «Orwell2k», в которых реализованы разработанные в диссертации алгоритмы и способы (свидетельство о регистрации программы №2003612604 от 28.11.2003, патенты РФ на полезные модели №36315 от 07.08.2003, №36912 от 23.06.2003, патенты РФ №2265531 от 07.08.2003, №2268497 от 23.06.2003) и которые внедрены на ряде объектов, например, в «Центре деловой авиации» аэропорта Домодедово (РАЯЖ 46652.001-ОС.ПЗ) и в «Центре развития предпринимательства» г. Зеленоград.

Апробация работы. Результаты диссертации докладывались на XLVI, XLVII и XLVIII научной конференции Московского физико-технического института, а также на XV, XVI и XVII конференциях молодых ученых, аспирантов и студентов по современным проблемам машиноведения в институте машиноведения им. A.A. Благонравова РАН.

Информационные приборы и видеосистемы семейства «Orwell2k», в которых внедрены результаты работы, демонстрировались на 13 выставках. Алгоритмы и информационные технологии, разработанные автором диссертации и реализованные в системе, получили признание специалистов и отмечены соответствующими дипломами. В 2005 году видеосистема с компьютерным зрением «Orwell2k» удостоена II Национальной премии по безопасности «За укрепление безопасности России» («ЗУБР-2005»).

Публикации. Основное содержание диссертации отражено в двадцати пяти опубликованных работах, в том числе пяти статьях в журналах, входящих в перечень, утверждённый ВАК. Без соавторов опубликовано десять статей. В соавторстве получены три патента на изобретения, три свидетельства на полезную модель и одно свидетельство о регистрации программы.

Структура и объём диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 167 страниц основного текста, 32 страницы с рисунками и таблицами, список литературы из 97 наименований и приложений на 47 страницах.

Выводы

1. Проведён функциональный анализ приборно-блочной схемы обобщённой аналитической видеосистемы на примере системы «СПВ ОВТ - МАД», РАЯЖ 46652.001-ОС.ПЗ, 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 «СПВ ОВТ - МАД» 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.

Наведение с линейным упреждением вместо наведения с адаптивным упреждением приводит к увеличению количества промахов более, чем в 10 раз.

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 6 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%.

9. Достигнутые результаты позволили применить для решения различных задач видеонаблюдения аналитические видеосистемы «Оте112к», в которых внедрены результаты диссертационной работы. Например, с помощью аналитической системы видеонаблюдения «Оте112к» охраняются объекты «Центр развития предпринимательства» (г. Зеленоград) и «Центр деловой авиации» аэропорта «Домодедово». Применение видеосистемы «Огше1121с» позволило реализовать принципиально новые подходы при обеспечении мер безопасности и повысить производительность труда операторов аналитических видеосистем.

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. Разработай 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 6 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.

8. Результаты диссертационной работы применены в программно-аппаратных комплексах «Ог\уе1121с», разработанных при непосредственном участии автора (свидетельство о регистрации программы №2003612604 от 28.11.2003, патенты РФ №36315 от 07.08.2003, №36912 от 23.06.2003, №2265531 от 07.08.2003, №2268497 от 23.06.2003) и используемых для эффективного решения задач обеспечения безопасности, например, для охраны объектов «Центр развития предпринимательства» (г. Зеленоград) и «Центр деловой авиации» аэропорта Домодедово и других.

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. 495501.

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., Рао 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, «Цифровая обработка 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».//M.: «Успехи физических наук», 1934, т. XIV, с. 778-807.

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. В. 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.I. Barnea, 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. 120123.

28. Steven L. Kilthau, Mark S. Drew and Torsten Möller, "Full search content independent block matching based on the fast Fourier transform", IEEE ICIP, 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. 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.

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

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

34. 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'OS), volume 2, 2005.

35. 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.

36. 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.

37. 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.

38. 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. 758-767.

39. 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.

40. 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.

41. Mohan Trivedi, Kohsia Huang, Ivana Mikic, "Intelligent environments and active camera networks", IEEE Proc. conference on systems, man, and cybernetics, Oct. 2000, pp. 804-809.

42. 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.

43. 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.

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

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

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

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

48. 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.

49. Лапко A.B., Лапко В.А., Соколов М.И., Ченцов C.B., «Непараметрические системы классификации», Новосибирск: «Наука», 2000.

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

51. 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.

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

53. A. Ахо, Дж. Хопкрофт, Дж. Ульман, «Построение и анализ вычислительных алгоритмов», М.: Мир, 1979.

54. Naugle, M.G., "Illustrated TCP/IP", "Willey computer publishing", 1998.

55. Новиков Ю.В., Кондратенко C.B., «Локальные сети: архитектура, алгоритмы, проектирование», М.: «Издательство ЭКОН», 2000.

56. Хамухин A.B., «Алгоритм управления синхронизацией' распределённых вычислений в системах видеонаблюдения», М.: из-во «Компания Спутник-)-», научно-технический журнал «Техника и технология», №5, 2007, с. 31-33.

57. Хамухин A.B., «Моделирование поверхности земли при преобразовании координат с изображения камеры на топографический план зоны обзора», М.: из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», №5, 2007, с. 199-200.

58. Хамухин A.B., «Вычисление линии горизонта на изображении видеокамеры», М.: из-во «Компания Спутник-b», научно-технический журнал «Естественные и технические науки», №5, 2007, с. 197-198.

59. Калиткин H.H., «Численные методы», М.: «Наука», 1978.

60. A.C. Малистов, A.A. Солохин, A.B. Хамухин, «Калибровка поворотных камер в системах видеонаблюдения с компьютерным зрением», избранные труды

61. XVII Международной интернет-конференции молодых ученых, аспирантов и студентов по современным проблемам машиноведения, Москва, 2005, с. 159162.

62. Хамухин A.B., «Алгоритм управления положением поворотной видеокамеры при смещении центра изображения на заданный вектор», М.: из-во «Компания Спутник-Ь», научно-технический журнал «Аспирант и соискатель», №5, 2007, с. 159-160.

63. Кудрявцев Л.Д., «Курс математического анализа (в двух томах)», том 2, учебник для высших учебных заведений, М.: «Высшая школа», 1981.

64. Ф. Препарата, М. Шеймос, «Вычислительная геометрия: Введение», пер. с англ. М.: Мир, 1989. — 486 с.

65. Хамухин A.B., «Измерение зависимости координат увеличения и фокусировки от кратности увеличения для объективов с координатным управлением», М.: из-во «Компания Спутник-!-», научно-технический журнал «Аспирант и соискатель», №5, 2007, с. 163-164.

66. Т. Кормен, Ч. Лейзерсон, Р. Ривест, «Алгоритмы: построение и анализ» / Пер. с англ. под ред. А. Шеня,— М.: МЦНМО: БИНОМ. Лаборатория знаний, 2004. — 2-е изд., стереотип. — 960 с.

67. A.C. Малистов, A.A. Солохин, A.B. Хамухин, «Слежение за целями в муль-тисенсорных системах видеонаблюдения с компьютерным зрением», труды XLVIII научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук», Москва, 2005.

68. Качановский Ю.П., Явтухович А.Г., «Алгоритм работы распределенной системы распознавания автомобильных номеров на КПП», «Системы управления и информационные технологии», 2007, №1.1(27), с. 160-162.

69. Хамухин A.B., «Вычисление угла упреждения при управлении наведением поворотных видеокамер на движущуюся цель», М.: из-во «Компания Спут-ник+», научно-технический журнал «Техника и технология», №5, 2007, с. 3435.

70. Бирюков С.И., «Оптимизация», М.: МФТИ, 1995.

71. Хамухин A.B., «Критерий идентичности объектов на изображениях видеокамер с общей зоной обзора», М.: из-во «Компания Спутник+», научно-технический журнал «Техника и технология», №5, 2007, с. 36-37.

72. Дж. Рихтер, «Windows для профессионалов: создание эффективных Win32-приложений с учётом специфики 64-разрядной версии Windows», Пер. с англ. — 4-е изд. — СПб: Питер, 2001, 752 е.: ил.

73. Хамухин A.B., «Классификация объектов с двумя признаками на основе триангуляции», М.: из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», №5, 2007, с. 81-82.

74. Я.Я. Петричкович, «Охрана периметра и городских объектов: шаг в будущее», журнал «CCTV», сентябрь 2004, с. 29-31.

75. Хамухин A.B., «Оценка объёма тестовой выборки для вычисления ожидаемой доли ошибки при классификации объектов видеонаблюдения», М.: из-во «Компания Спутник+», научно-технический журнал «Актуальные проблемы современной науки», №6, 2007, с. 169-170.

76. С.Т. Иванченко, И.А. Кан, К.В. Лунин, A.C. Малистов, Я.Я. Петричкович,

77. A.A. Солохин, В.П. Сомиков, A.B. Хамухин, «Система обеспечения безопасности и мониторинга мобильных объектов». //Патент РФ на полезную модель №36315, бюл. №7, 2004.

78. С.Т. Иванченко, И.А. Кан, К.В. Лунин, A.C. Малистов, Я.Я. Петричкович, A.A. Солохин, В.П. Сомиков, A.B. Хамухин, «Система обеспечения безопасности и мониторинга мобильных объектов». //Патент РФ №2265 531, бюл. №34, 2005.

79. И.А. Кан, К.В. Лунин, A.C. Малистов, Я.Я. Петричкович, A.A. Солохин,

80. B.П. Сомиков, A.B. Хамухин, «Система и способ автоматизированного видеонаблюдения и распознавания объектов и ситуаций». //Патент РФ на полезную модель №36912, бюл. №9, 2004.

81. И.А. Кан, К.В. Лунин, A.C. Малистов, Я.Я. Петричкович, A.A. Солохин, В.П. Сомиков, A.B. Хамухин, «Система и способ автоматизированного видеонаблюдения и распознавания объектов и ситуаций». //Патент РФ №2268497, бюл. №02, 2006.