Содержание к диссертации
Введение
1. Технические средства формирования изображений и методы обработки с целью обнаружения движения 13
1.1. Задача обнаружения подвижных объектов 13
1.1.1. Инфракрасные детекторы движения 13
1.1.2. Радиоволновые детекторы движения 15
1.1.3. Ультразвуковые детекторы 16
1.1.4. Видеодетекторы движения 17
1.2. Общая структура сканирующей информационно-измерительной системы формирования панорамного изображения 18
1.2.1. Общая структура системы 18
1.2.2. Классификация систем формирования панорамного изображения 22
1.2.3. Система формирования панорамного изображения 25
1.2.4. Процедура проверки соответствия параметров оптико-электронного узла требованиям, предъявляемым к панорамному изображению 26
1.2.5. Процедура оценки геометрических искажений и их компенсации 31
1.3. Основные технические параметры сканирующих информационно-измерительных систем 38
1.4. Сравнительный анализ методов обнаружения движения в последовательности кадров 40
1.4.1. Метод межкадровой разности 41
1.4.2. Метод усредненного фона 42
1.4.3. Метод, основанный на вероятностной модели 42
1.4.4. Зональные методы обнаружения движения 43
1.4.5. Частотный метод обнаружения движения 47
1.5. Выводы по разделу и задачи исследования 49
2. Обнаружение подвижной области путем поэлементого анализа изображения 51
2.1. Структура обрабатываемых изображений 51
2.2. Оценка уровня шума используемого видеосенсора 56
2.3. Связь изменений в кадрах изображения с движением объекта в трехмерном пространстве 61
2.4. Метод определения области изображения, содержащей подвижный объект 64
2.4.1. Основа метода. 64
2.4.2. Обнаружение области, содержащей подвижный объект, с помощью рекурсивной фильтрации. 65
2.4.3. Обнаружение подвижного объекта с помощью нерекурсивной фильтрации 69
2.4.4. Обнаружение подвижного объекта по группе пикселей 74
2.5. Рациональный выбор параметров рекурсивной фильтрации для обнаружения подвижных объектов 76
2.6. Метод рационального выбора параметров пространственно-временной фильтрации для обнаружения подвижных объектов. 81
2.7. Выводы по разделу 82
3. Оценка координат подвижного объекта в изображении 83
3.1. Формирование изображения межкадровой разности 83
3.2. Метод определения координат подвижного объекта, основанный на фильтрации изображений межкадровой разности . 89
3.3. Выводы по разделу 103
4. Эксперементальные исследования сканирующей информационно-измерительной системы обнаружения подвижных объектов 104
4.1. Алгоритмы и программное обеспечение для системы обнаружения движения 104
4.2. Синтез изображений для эксперимента 108
4.3. Проверка влияния параметров фильтров на свойства системы 112
4.4. Исследования влияния параметров фильтров на вероятности ложного срабатывания и пропуска объекта 115
4.5. Экспериментальные исследования предлагаемых методов при использовании нерекурсивной фильтрации 116
4.6. Сравнительные исследования стандартной системы с предлагаемыми методами при использовании рекурсивной фильтрации 119
4.7. Выводы по разделу 120
Заключение 121
Список использованных информационных источников 123
Приложение 1. Программное обеспечение обнаружения подвижных объектов 133
Приложение 2. Технико-экономическая эффективность внедрения результатов работы 142
- Инфракрасные детекторы движения
- Оценка уровня шума используемого видеосенсора
- Метод определения координат подвижного объекта, основанный на фильтрации изображений межкадровой разности
- Синтез изображений для эксперимента
Введение к работе
Актуальность темы. В настоящее время системы видеонаблюдения находят все более широкое применение в различных сферах человеческой жизни. Помимо очевидного использования в сфере охраны разного рода мобильных и стационарных объектов такие системы также применяются в научных исследованиях и в промышленности, например, в задачах оценки визуальной обстановки, складывающейся при функционировании производственно-технологических комплексов различных типов.
Учитывая, что значительная зрительная нагрузка оператора системы вызывает его утомление и снижает эффективность наблюдения с течением времени, перечисленные выше факторы обуславливают актуальность и целесообразность разработки средств и методов автоматизации отдельных функций оператора или всей его деятельности в целом. В частности, одним из элементов автоматической оценки визуальной обстановки системами видеонаблюдения является обнаружение движения тех или иных объектов на контролируемых сценах.
Задача обнаружения движущихся объектов в силу своей специфики до сих пор полностью не решена. В большинстве существующих методов нет четких критериев по настройке детектора движения под конкретные условия эксплуатации. В результате разработчикам приходится опытным путём подбирать параметры системы, что увеличивает время её проектировании и наладки, а также снижает эффективность функционирования.
Технические характеристики основных элементов, используемых при построении подобных информационно-измерительных систем, постоянно совершенствуются: увеличивается число элементов дискретизации, а также чувствительность фотоэлектронных преобразователей, формирующих информационный сигнал; увеличивается ёмкость оперативной и внешней памяти, быстродействие интерфейсов цифровой передачи данных; постоянно возрастает производительность сигнальных процессоров. При этом стоимость элементной базы сокращается.
Исходя из вышеизложенного, очевидно, что уровень развития аппаратной части информационно-измерительной системы опережает уровень развития программной. Поэтому повышение эффективности работы всей системы можно существенно повысить за счёт совершенствования алгоритмов и программного обеспечения обработки видеоинформации.
Перечисленные обстоятельства обуславливают актуальность задачи создания усовершенствованных методов обработки изображений в информационно-измерительных системах панорамного наблюдения, обеспечивающих обнаружение подвижных объектов.
Объектом исследования является сканирующий аппаратно-программный комплекс панорамного видеонаблюдения повышенного пространственного разрешения с функцией обнаружения движения, который включает оптико-электронные средства формирования и обработки панорамного изображения, а также математическое и программное обеспечение анализа и обнаружения движения в сформированном потоке кадров.
Предметом исследования диссертационной работы являются математические методы и программные средства, обеспечивающие в процессе функционирования систем видеонаблюдения рассматриваемого класса требуемую надёжность обнаружения подвижного объекта.
Методы исследования. В работе используются методы теории вероятностей и математической статистики, теории цифровой обработки сигналов. Разработка алгоритмов и программ осуществлялась с использованием объектно-ориентированного подхода к организации данных и алгоритмов.
Вопросами цифровой обработки изображений и синтеза систем формирования изображения занимались отечественные учёные: М.Б. Руцков, Г.П. Катыс, В.В. Яншин, В.А. Сойфер; зарубежные учёные: Б. Яне, Р. Гонсалес, Р. Вудс, Д. Форсайт. В известных работах предложены варианты решения частных задач обнаружения движения.
Целью диссертационной работы является повышение эффективности функционирования информационно-измерительной системы панорамного наблюдения, обеспечивающей обнаружение подвижных объектов в потоке кадров повышенного разрешения, путем совершенствования методов обработки измерительной информации.
В соответствии с поставленной целью в диссертационной работе решены следующие задачи.
1. Произведен анализ существующих подходов обнаружения подвижных объектов. Показано, что сканирующие системы, основанные на обработке видеоизображения, являются наиболее перспективными средствами обнаружения движения.
2. Исследована обобщённая структура сканирующей информационно-измерительной системы обнаружения движения, выявлены основные параметры, определяющие эффективность работы системы.
3. Показано, что конструкция и параметры оптико-механического узла и фотоэлектронного преобразователя в рассматриваемых сканирующих системах существенным образом влияют на параметры формируемых изображений, являющихся входными данными для проектируемых методов и алгоритмов обработки и обнаружения движения. Для панорамных систем со стационарной камерой и поворотным оптико-механическим узлом разработаны формальные процедуры обоснования выбора параметров этих элементов.
4. Выполнен анализ существующих методов обнаружения подвижных объектов, показана невозможность непосредственного их применения в сканирующих информационно-измерительных системах панорамного типа.
5. Предложено рассматривать задачу обнаружения на изображении областей с подвижными объектами как двухэтапную процедуру. На первом этапе предложено выполнять поэлементную обработку изображения во временной последовательности кадров, на втором этапе — групповую обработку предварительно отобранных элементов внутри отдельного кадра.
6. Показано влияние технических характеристик используемого оборудования (в частности, шума видеосенсора) на параметры предлагаемых фильтров. Разработан метод рационального выбора параметров пространственно-временных фильтров.
7. Разработан метод определения координат подвижного объекта, основанный на межкадровой фильтрации изображений.
8. Предложенные методы реализованы в экспериментальном программно-аппаратном сканирующем комплексе и выполнена экспериментальная проверка их эффективности.
Научная новизна работы заключается в следующем:
1. Для сканирующих информационно-измерительных систем панорамного видеонаблюдения предложены расчётные процедуры, отличающиеся от известных применением к системам со стационарной камерой и поворотным оптико-механическим узлом, и включающие процедуру проверки соответствия частных параметров оптико-электронного узла общим требованиям, предъявляемым к формируемому панорамному изображению и процедуру оценки геометрических искажений, вносимых оптико-электронным узлом и их последующей компенсации на этапе предварительной обработки панорамного изображения.
2. Разработан метод определения области изображения, содержащей подвижный объект, основанный на пространственно-временной фильтрации последовательности кадров и отличающийся от известных двухэтапным характером обработки — поэлементной обработкой во временной последовательности кадров и последующей групповой обработкой внутри отдельного кадра, что обеспечивает при сохранении высокого быстродействия меньшую вероятность ложных срабатываний при обнаружении подвижного объекта.
3. Предложен метод рационального выбора параметров пространственно-временных фильтров, используемых в решении задачи обнаружения подвижного объекта, отличающийся от известных учётом информации об уровне шума, вносимого фотоэлектронным преобразователем в формируемое панорамное изображение.
4. Разработан метод определения координат подвижного объекта, основанный на межкадровой фильтрации изображений, отличающийся от известных использованием априорной информации о размерах обнаруживаемых подвижных объектов.
Практическая ценность работы заключается в создании набора методов, реализованных в виде библиотеки программных функций, что позволяет осуществлять проектирование сканирующих информационно-измерительных систем рассматриваемого класса без проведения дополнительных исследований.
Положения, выносимые на защиту:
1. Расчётные процедуры проверки корректности выбора параметров оптико-электронного узла и оценки и компенсации геометрических искажений формируемого панорамного изображения.
2. Метод определения области изображения, содержащей подвижный объект.
3. Метод рационального выбора параметров пространственно-временной фильтрации для обнаружения подвижных объектов.
4. Метод определения координат подвижного объекта, основанный на межкадровой фильтрации изображений.
Реализация результатов диссертационной работы. Прикладные результаты диссертационной работы были внедрены в ООО «Конус» в 2010 году в рамках х/д работы.
Теоретические результаты работы внедрены в учебные курсы «Информационные и измерительные устройства в мехатронике и робототехнике» и «Системы технического зрения и обработки информации» на кафедре робототехники и автоматизации производства Тульского государственного университета.
Апробация работы. Основные положения и результаты работы докладывались и обсуждались на конференциях: Международной научной конференции «Математические методы в технике и технологиях» (Псков, ПГПИ, 2009 г.); 16-й Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика» (Москва, 2009 г.); IV магистерской научно-технической конференции (Тула, ТулГУ, 2009 г.); VI молодёжная научно-практическая конференция Тульского государственного университета «Молодёжные инновации» (Тула, ТулГУ, 2012 г.), а также на научно-технических конференциях профессорско-преподавательского состава ТулГУ (2010-12 гг.) и научных семинарах кафедры РТиАП ТулГУ.
Публикации. По результатам исследований опубликовано 11 печатных работ, в том числе 5 статей и 6 докладов в сборниках трудов конференций, включая: 3 статьи в сборниках, рекомендованных ВАК для публикации материалов кандидатских диссертаций, 1 тезис доклада на международной конференции, 1 тезис доклада на всероссийской конференции.
Структура и объём работы. Диссертация состоит из введения, четырех разделов, заключения, списка использованных информационных источников из 100 наименований и приложений. Работа содержит 132 страницу машинописного текста, включает 63 рисунка, 3 таблицы и приложение на 13 страницах.
Инфракрасные детекторы движения
Инфракрасные (ИК) детекторы осуществляет обнаружения движения по изменению интенсивности ИК-излучения от теплового объекта. ИК-детекторы движения подразделяются на активные и пассивные [44]. В пассивном ИК-детекторе движения используется только один приемника. В качестве чувствительного элемента ИК-детекторе используется пироэлектрический датчик. Пироэлемент вырабатывает электрический сигнал под действием ИК-излучения от объекта, температура которого отличается от температуры фона. Для формирования зон обнаружения используется оптическая система, содержащая многосегментные зеркала или линзы Френеля. Такая оптическая система имеет многолучевую диаграмму, в которой лучи направлены под различными углами и в различные направления (рисунок 1.2). В оптической системе используется многосегментные зеркала или линзы Френеля. Различные типы линз определяют геометрические характеристики зоны обнаружения, что в свою очередь влияет на чувствительность детектора, т.е. максимальное расстояние от детектора, на котором возможно обнаружить подвижный объект [46].
Различные сегменты оптической системы, при перемещении объекта в зоне обнаружения, фокусируют ИК-излучение на пироэлемент. В результате пироэлемент формирует электрические импульсы. Поступающие с чувстительного элемента импульсы усиливаются и затем дополнительно обрабатываются с помощью микропроцессора.
Ложные срабатывания ИК-детектора движения в основном происходят из-за конвекции воздушного потока, световых и радиочастотных помех. Для снижения вероятности ложных срабатываний применяют пироэлемент с двумя и более чувствительными площадкам. Для этих же целей с помощью микропроцессора производится подсчет количества импульсов и временной интервал между ними. Также для повышения помехоустойчивости применяют светофильтр, настроенный на определенную длину волны.
Датчик активного ИК-детектора движения состоит из приемника и излучателя. Излучатель формирует поток импульсов ИК-излучения, который регистрируется приемником. При прерывании потока детектор формирует тревожный сигнал. Такой тип детектора позволяет создавать узкую зону обнаружения, поэтому в основном используется для охраны периметров объектов.
Радиоволновые детекторы движения обнаруживают подвижный объект по изменению сверхвысокочастотного электромагнитного поля. Детектор содержит сверхвысокочастотный (СВЧ) модуль, который состоит из излучателя и приемника. СВЧ-модули подразделяются на однопозиционные и двухпозиционные [23]. В однопозиционном модуле излучатель и приемник совмещены в одном корпусе, в двухпозиционном соответственно они разделены (рисунок 1.3).
Зона обнаружения имеет форму эллипсоида вращения. При отсутствии в зоне обнаружения подвижного объекта приемник регистрирует только изменения амплитуды СВЧ-импульсов, которые происходят под влиянием внешней среды, т.е. выпадения осадков, колебания деревьев и т.д. Перемещение объекта в зоне обнаружения вызывает модуляцию СВЧ-импульсов. Обработка модуляции сигнала осуществляется с помощью микропроцессора. Если параметры сигнала соответствуют определенным критериям, которые выбираются исходя из типовых характеристик объекта, то генерируется сигнал тревоги. а) двухпозиционный, б) однопозиционный В одном помещении можно применять несколько однотипных детекторов одновременно благодаря использованию разных рабочих частот. Достоинством данного детектора является высокая степень чувствительности, отсутствие ложных срабатываний на перемещения воздуха. Из недостатков можно выделить низкую помехозащищенность и высокий уровень СВЧ излучения.
В настоящее время широкое распространение получили комбинированные системы, состоящие из пассивного инфракрасного и радиоволнового детектора. Пассивный ИК-детектор в данной системе работает непрерывно, а радиоволновой детектор включается только тогда, когда пассивный ИК- детектор обнаружил подвижный объект.
В результате использования двух типов детекторов движения в одной системе увеличивается уровень помехозащищенности и уменьшается уровень СВЧ излучения.
Ультразвуковой детектор движения регистрирует подвижные объекты в зоне обнаружения с помощью звуковых волн с частотой более 16 кГц. Ультразвуковой детектор движения является активным, в его состав входят излучатель и приемник, строящиеся, как правило, на базе пьезоэлектрических преобразователей [32].
Излучатель посылает ультразвуковой импульс, затем приемник преобразует отраженный импульс в сигнал. Микропроцессор вычисляет время движения звукового импульса от излучателя до объекта и назад, если используется однопозиционный датчик, или сравнивает отправленный звуковой импульс и полученный звуковой импульс, если используется двухпозиционный датчик.
Появление в зоне обнаружения подвижного объекта приводит к искажению ультразвуковых импульсов, что приводит к изменению выходного сигнала приемника. Микропроцессор регистрирует эти изменения и выдает сигнал тревоги.
Как и в радиоволновом, в ультразвуковом детекторе существуют два принципа построения датчиков: двухпозиционный и однопозиционный [48]. Применение однопозиционного датчика позволяет повысить устойчивость детектора к ложным срабатываниям в условиях равномерного движения воздуха и при появлении объектов со звукопоглощающими и с угловыми поверхностями. Однако использование однопозиционных датчиков требует повышения излучаемой мощности, т.к. волна проходит расстояния два раза больше.
Особенностью данного детектора является высокая чувствительность, большое количество ложных срабатываний, высокая зависимость от изменения влажности и температуры окружающей среды. Ультразвуковой детектор не способен обнаруживать движения за границами закрытого помещения, т.к. ультразвук не проникает через твердые предметы.
Видеодетектор движения является аппаратно-программным средством, которое осуществляет автоматическое обнаружение подвижных объектов в последовательности кадров [41]. В большинстве случаев принцип действия видеодетекторов основан на сравнении изображения одного или нескольких предыдущих кадров и текущего [77]. При выявлении различия между кадрами видеодетектор выдает сигнал тревоги.
Видеодетекторы подразделяется на аналоговые и цифровые [66]. Аналоговые видеодетекторы движения отличаются низкой стоимостью и простотой в работе. Цифровые видеодетекторы дают возможность более точно настроить систему под конкретные условия, что позволяет снизить количество ложных срабатываний.
Оценка уровня шума используемого видеосенсора
Для повышения надёжности обнаружения движения и сокращения числа ложных срабатываний или пропуска подвижного объекта необходимо учитывать собственные шумы видеосенсора, особенно при работе системы в условиях низкого общего уровня освещения сцены и в случае высоких температур окружающей среды.
Использование априорной информации о величине шума, например, из паспортных данных на применяемый тип сенсора, не всегда эффективно, так как не учитывает свойства конкретного экземпляра сенсора, а также специфику условий, в которых он будет функционировать.
Поэтому целесообразно при практической реализации предлагаемых ниже методов обнаружения подвижных объектов на этапе калибровки сканирующей информационно-измерительной системы выполнять опытную оценку уровня шума в типовых условиях её функционирования.
Для этого предлагается осуществить съёмку тест-объекта, представляющего собой бумажный или пластиковый лист с нанесёнными на него плашками различной оптической плотности , (здесь – количество плашек), формирующими в цифровом изображении набор достаточно протяжённых, однородно окрашенных областей различной яркости (рисунок 2.3).
Для оценки уровня шума в пределах изображения однородно окрашенной плашки определяется область (несколько меньшего размера, чтобы гарантированно не захватить пограничные пиксели, или пиксели, относящиеся к другим плашкам), по которой осуществляется оценка математического ожидания уровня яркости и среднеквадратического отклонения шума (рисунок 2.5).
Пусть левая и правая границы -й анализируемой области ( ) соответственно равны и , а верхняя и нижняя границы — и . В этом случае общее количество пикселей, по которым осуществляется оценка средней яркости и уровня шума будет соответственно равно .
Математическое ожидание средней яркости -й анализируемой области должно оцениваться средним арифметическим: Предполагая отсутствие систематической ошибки при формировании яркостей пикселей изображения можно считать математическое ожидание шума равным нулю и оценивать его уровень по оценке центрального момента второго порядка яркости пикселей в анализируемой области:
В зависимости от направления движения в трехмерном пространстве, объект на двухмерном изображении может перемещаться параллельно горизонтальной или вертикальной оси, отдалятся или приближаться или смешено [57].
При движении объекта вдоль оси Х или Y (см. рис. 2.10) на изображении также происходит движение строго по горизонтальной или вертикальной оси, причем линейные размеры объекта не изменяются. Напротив, при движении вдоль оси Z линейные размеры объекта изменяются, но движение на изображении не видно.
Для определения движения решающую роль играет пространственно-временное изменение уровня яркости. Можем определить движение только в частях изображения, которые проявляют изменения уровней яркости.
Обнаружение подвижных объектов при его плоскопараллельном движении относительно видеосенсора можно рассматривать как пространственно-временную фильтрацию последовательно формируемых кадров видеоизображения. В частности можно использовать различные нерекурсивные и рекурсивные фильтры для межкадровой попиксельной обработки с целью формирования оценки яркости фона и обнаружения локальных отклонений, обусловленных появлением подвижных объектов.
Разработанная математическая модель устанавливает зависимость движения объекта в трехмерном пространстве и изменение в видеоизображении. Окончательно можно сформулировать следующий алгоритм расчета параметров объекта. Алгоритм 2.1. Расчет параметров объекта. 1. Исходные данные: характерными линейными размерами объекта , , , удаленностью от камеры , скорость и траектория движения объекта, технические характеристики камеры ( фокусное расстояние , геометрические размеры видеосенсора и количество пикселей . 2. По формуле (2.7) рассчитать размер изображения объекта. 3. В зависимости от траектории движения по формулам (2.8), (2.9) вычислить путь продетым объектом за время . Рассчитать результирующее перемещение: . 4. Вычислить скорость объекта на изображении по формулам (2.11), (2.11). Рассчитать результирующее скорость: В результате, предложенная позволяет оценить размер фильтрующего окна.
Метод является двухэтапным: на первом этапе предложено осуществлять поэлементную обработку изображения во временной последовательности кадров, на втором этапе — дополнительную групповую обработку пикселей внутри получившегося на первом этапе кадра-результата (рисунок 2.9). На первом этапе для межкадровой поэлементной обработки с целью формирования оценки яркости фона и обнаружения локальных отклонений, обусловленных появлением подвижных объектов, предложено использовать рекурсивные и нерекурсивные фильтры.
На втором этапе обработки выполняется дополнительная фильтрация, которая позволяет снизить вероятность ложных срабатываний детектора движения. В данном алгоритме обновления фона и порога происходит с помощью рекурсивного фильтра [5]. Рекурсивная фильтрация основывается на рекуррентном соотношении между входными и выходными переменными значениями яркости. Рекурсивный фильтр способен давать отклик от одиночного импульса произвольно долго в будущем [37, 99]. Устойчивость рекурсивного фильтра зависит от коэффициентов фильтра. Фильтр в уравнении является неустойчивым при , поскольку тогда импульсная характеристика расходится. Если пиксель был предварительно классифицирован, как пиксель, соответствующий неподвижной области, его яркость будет использована для уточнения оценки яркости фона в соответствии со следующим выражением [61]: ( 2.15 ) где а – коэффициент чувствительности, меньше единицы. Таким образом, в данном случае рекурсивный фильтр действуют в направлении слева на право, поскольку текущее положение сигнала зависит только от предыдущих значений. Несмотря на конечное число коэффициентов, импульсная характеристика является бесконечной [62].
Метод определения координат подвижного объекта, основанный на фильтрации изображений межкадровой разности
Исходными данными является характерные размеры объектов, вычисляется по формуле п. 5.3.1 метода рационального выбора параметров пространственно-временной фильтрации для обнаружения подвижных объектов. 1. Вычислить межкадровую разность соседних кадров по формуле (3.2). 2. Вычислить масштаб , задавшись характерными размерами , 3. Построчно, для каждого элемента вычислить коэффициент в диапазоне . Значение можно оценить как: где — изменение линейного размера объекта (в пикселях), вычисляется по формуле (2.10). 4. Вычислить локальный максимум для каждого масштаба . В полосе анализируемого масштаба определяется локальных максимумов. 5. Координаты подвижного объекта по горизонтали вычислить, как среднеарифметическое индексов расположения максимумов, определенных для различных масштабов. 6. Аналогично определить вертикальные координаты подвижного объекта.
Пример обработке горизонтального среза разностного изображения, приведенного на рисунке 3.6, показан на рисунке 3.22. Характерный размер объекта 100 точек. Вертикальная ось соответствует масштабу , горизонтальная координатам пикселей.
При присутствии в кадре только фона, на графике наблюдается однотонный график без затемнений (рисунок 3.21). Затемнение на графике указывает на наличие в одном из двух кадров подвижного объекта (рисунок 3.22 а). Случай, когда перемещение объекта между кадрами меньше его линейных размеров представлен на рисунке 3.21 б, когда больше - на рисунке 3.21 в. Светлая линия соответствует локальному максимуму. При диапазоне масштаба =3,1 – 4,3. Среднее координаты на графике 3.21а линии равны 471, что соотносится с расположением объекта в первом случаи. При малых перемещениях объекта средняя координата центра определяется не верно. Это водит ограничения на использования данного метода. На рисунке 3.23 представлены результаты обработке по описанной выше методике с использованием различных базовых функций. Наиболее точные координаты объекта дает обработка с использованием функций Гаусса. Также приемлемую точность обеспечивает треугольная функция.
1. Разработана математическая модель изображения, сформированного путём межкадрового вычитания соответствующих пикселей. 2. Показаны характерные случаи изменения в изображении межкадровой разности, соответствующие различным соотношениям частоты обновления кадров, скорости движения объекта и его линейных размеров.
3. Разработан метод анализа изображения межкадровой разности для нахождения координат подвижных объектов. Метод основан на использовании фильтров с ограниченной апертурой.
4. Исследованы различные варианты базовых функций для анализа изображения межкадровой разности, показано, что наиболее точные координаты объекта дает обработка с использованием функции Гаусса.
Главное окно программы состоит из двух основных частей: области просмотра и панели управления. На панели управления расположены следующие кнопки: «Start», «Stop», «Pause», «Resume», «Detect», «Save», «Format», «Options». Кнопки «Start», «Stop», «Pause», «Resume» предназначены для отображения видеопотока от камеры в области просмотра. Кнопка «Detect» предназначена для обнаружения движения в видеопотоке. Кнопка «Save» предназначена для сохранения текущего кадра в формате BMP на диске. При нажатии на кнопку «Options» появляется меню, в которой можно настроить такие параметры изображения как яркость, контраст, насыщенность, баланс белого и т.д. В программе так же предусмотрен выбор разрешения и глубина цвета. Для вызова меню «Формат видео» используется кнопка «Format». Программа работает следующим образом. В начале, после запуска программы устанавливаются значения коэффициентов фильтрации. Методика выбора значений коэффициентов описана в разделе 2. Затем при нажатии на кнопку «Start» производится захват видеопотока с веб-камеры и он отображается в области просмотра. Для осуществления видеозахвате с видеоустройства используется стандартные Windows API функции capCreateCaptureWindow библиотеки avicap32.dll. Которая имеет следующую структуру: HWND VFWAPI capCreateCaptureWindow(LPCTSTR lpszWindowName, DWORD dwStyle, int x, int y, int nWidth, int nHeight, HWND hWnd, int nID); В скобках указываются передаваемые функции параметр: lpszWindowName — название окна; dwStyle — стиль создаваемого окна. x и y — положение окна видеозахвата по горизонтали и вертикали; nWidth и nHeight — ширина и высота окна, соответственно; hWnd – указатель родительского окно; nID — пользовательский идентификатор окна видеозахвата. Для присоединения к видео окну драйвера, вызывается функция capDriverConnect, имеющей следующую структуру: capDriverConnect (HWND, index); где HWND – дескриптор окна видеоизображения изображения; index – номер драйвера видеоустройства.
Для успешного обнаружения подвижных объектов должны быть заданы параметры фильтрации. Для этого при неподвижной сцены осуществляется оценка яркости фона и по методу 2.6 рассчитывается параметры пространственно-временной фильтрации. После нажатия на клавишу «Detect» запускается процесс обнаружения движения в видеопотоке. Схема работы системы обнаружения подвижных объектов представлена на рисунке 4.2.
На первом этапе по методам 2.4.2 и 2.4.3 производится межкадровая поэлементрая обработка с целью обнаружения локальных отклонения, обусловленных появлением подвижных объектов. В результате формируется ЛМПД для каждого очередного кадра. На втором этапе производится фильтрация ЛМПД по методу 2.4.4, что позволяет снизить вероятность ложных срабатываний и попуска подвижных объектов. Конечным этапом обработки является этап сегментации объектов и формирования признаков. Применяется метод сегментации основанный на двух проходном алгоритме сегментации бинарного изображения [15, 85]. В данном алгоритме сегментация производится путем последовательного анализа пикселей изображения. В результате сегментации каждому пикселю изображения будет поставлен соответствующий номер сегмента, к какому этот пиксель отнесен.
Синтез изображений для эксперимента
Зависимость вероятности ложного срабатывания и пропуска цели от величины коэффициентов а и с показана на рисунке 4.8. Очевидно, что качество нахождения подвижных объектов тем выше, чем ближе кривые к нулю. Экспериментально было подтверждено правильность выбора коэффициента а по формуле (2.36). Приняв = 0,05,и типовую величину перепада яркости при появлении подвижного объекта , частота обновления кадров в видеодетекторе , время, в течение которого изменяется яркость фона сек., получаем (4.7) Экспериментально было подтверждено правильность выбора коэффициента с по формуле (2.40). При , . Таким образом, найденные в работе зависимости позволяют делать рациональный, формально обоснованный выбор параметров системы под конкретные условия работы, что, в свою очередь, сокращает время на калибровку системы и повышает общее качество её работы. На рисунке 4.9 показаны графики изменения разности фона и средних значений яркости пикселя и оценки дисперсии при движении контрастного объекта. Рисунок 4.9 График изменения среднего значения яркости (а) и оценки дисперсии (б) при движении контрастного объекта На рисунке 4.10 показан графики изменения разности средних значений яркости пикселя и оценки дисперсии при движении не контрастного объекта. Рисунок 4.10 График изменения среднего значения яркости (а) и оценки дисперсии (б) при движении слабоконтрастного объекта
Из приведенных графиков видно, что уровень контраста объекта и фона существенным образом влияет на реакцию фильтра на изменения и соответственно на вероятность пропуска цели, причем, чем контрастнее объект по сравнению с фоном, тем скорость реакции фильтра больше и вероятность пропуска цели ниже. Для обнаружения слабоконтрастных объектов необходимо снижать порог срабатывания фильтра, что в свою очередь ведет к увеличению вероятности ложных срабатываний.
На рисунке 4.11 показан график влияния шума на уровень ложных срабатываний при обнаружении подвижных объектов с помощью стандартной системы наблюдения и при помощи разработанного двухэтапного метода определения подвижных областей. В процессе исследования обеспечивалась постоянная вероятность пропуска цели на уровне 0,010. Рисунок 4.11 График влияния величины шума на уровень ложных срабатываний Как видно из графика при величине шума порядка 5 единиц вероятность ложных срабатываний сокращается с 0,083 при использовании стандартной системы обнаружения движения до 0,010 при использовании разработанных методов, что существенно повышает общую эффективность работы системы. 1. Разработан комплекс алгоритмов и программ для обнаружения подвижных объектов, включающий алгоритм межкадровой поэлементрой обработки, алгоритм фильтрации ЛМПД, программу расчета параметров пространственно-временной фильтрации. 2. Определена зависимость влияния коэффициентов фильтрации на уровень порога срабатывания фильтра. Экспериментально было подтверждена правильность выбора параметров фильтрации по предложенному методу. 3. Экспериментально подтверждена эффективность использования разработанного двухэтапного метода обнаружения определения подвижных областей. По диссертационной работе можно сформулировать следующие основные выводы и результаты: 1. На основе анализа научно-технической литературы произведён анализ существующих подходов к решению задачи обнаружения подвижных объектов и разработана классификация детекторов движения. Показано, что для большинства практических приложений наиболее эффективными являются видеодетекторы. 2. В результате исследования обобщённой структуры сканирующей информационно-измерительной системы обнаружения движения выявлены основные параметры, определяющие эффективность её работы. Для существующих систем отсутствует формально обоснованная методика настройки под конкретные условия эксплуатации. 3. Для сканирующих систем со стационарной камерой и поворотным оптико-механическим узлом разработаны процедура проверки соответствия частных параметров оптико-электронного узла общим требованиям, предъявляемым к формируемому панорамному изображению, а также процедура оценки геометрических искажений, вносимых оптико-электронным узлом и их последующей компенсации на этапе предварительной обработки панорамного изображения. 4. Выполнен анализ существующих методов обнаружения подвижных объектов, определены их достоинства и недостатки, показана невозможность непосредственного применения данных методов в сканирующих информационно-измерительных системах панорамного типа. 5. Для формального описания предлагаемых методов определена математическая модель обрабатываемого панорамного изображения, найдены зависимости, связывающие изменения в последовательности кадров панорамного изображения с движением объекта в трехмерном пространстве. 6. Разработан метод определения области изображения, содержащей подвижный объект, основанный на пространственно-временной фильтрации последовательности кадров. Метод включает два этапа: поэлементную обработку во временной последовательности кадров и последующую групповую обработку внутри отдельного кадра. Благодаря этому достигается меньшая вероятность ложных срабатываний при обнаружении подвижных объектов, и сохраняется высокое быстродействие системы. 7. Разработан метод рационального выбора параметров пространственно-временной фильтрации на основе анализа технических характеристик элементов системы формирования изображения, который позволяет сократить время настройки системы на условия работы и обеспечить повышение качества её функционирования. 8. Разработан метод определения координат подвижного объекта, основанный на межкадровой фильтрации изображений и априорных сведениях о размерах подвижных объектов. 9. Приведены результаты экспериментального исследования предложенных методов обнаружения подвижных объектов. В частности при сравнении со стандартной системой обнаружения движения было установлено снижение вероятности ложного срабатывания с 0,081 до 0,010 при постоянной вероятности пропуска цели 0,010, что подтверждает повышение эффективности функционирования информационно-измерительной системы панорамного наблюдения.
