Содержание к диссертации
Введение
ГЛАВА 1. Видеонаблюдение как специфический тип технического наблюдения 16
1.1. Общие сведения о наблюдении 16
1.2. Основные особенности и недостатки систем наблюдения 20
1.3. Физические характеристики регистрирующих устройств систем видеонаблюдення 22
1.4. Видеонаблюдение в условиях естественной и искусственной освещенности 27
1.5. Методы коррекции чувствительности телевизионных камер 33
1.6. Характеристики передачи контраста изображения в сложных условиях освещенности 40
ГЛАВА 2. Математическая модель выходного сигнала приемного тракта системы видеонаблюдения 44
2.1. Задачи н методы оптимальной обработки сигналов 44
2.2. Оптимальная обработка в условиях неполной информации 48
2.3. Структура устройств оптимальной обработки сигнала 52
2.4. Построение математической модели выходного сигнала АЦП на основе априорных сведений 57
2.5. Синтез оптимального фильтра и оценка его эффективности 59
ГЛАВА 3. Обзор существующих алгоритмов обработки
3.1. Функция яркости как математическая модель изображения 67
3.2. Двумерные линейные системы 68
3.3. Дискретизация и средства ввода изображений 72
3.4. 2П-последовательностн и системы 75
3.5. Методы поэлементной обработки изображений 76
3.6. Методы выделения контуров изображений 81
3.7. Метод обработки изображения «скользящим окном» 84
3.8. Модели помех при регистрации изображений и алгоритмы их фильтрации 86
ГЛАВА 4. Разработка и экспериментальная проверка алгоритмов обнаружения и измерения параметров объектов на видеоизображениях 92
4.1. Структура цифровой системы видеонаблюдения и особенности представления видеосигнала в цифровой форме 92
4.2. Критерий присутствия объекта в точке 94
4.3. Характеристики объектов видеонаблюдения. 96
4.4. Определение присутствия постороннего объекта на видеоизображении в существующих системах видеонаблюдения 98
4.5. Модификация критерия присутствия объекта в точке с использованием фильтрации белого шума 102
4.6. Двухпороговая временная селекция объектов 103
4.7. Алгоритм пространственной селекции множественных объектов и ограничения области анализа изображения 106
4.8. Определение положения светящегося точечного объекта 111
4.9. Структура и характеристики аппаратно-программного интерфейса, обеспечивающего преобразование видеоизображений в цифровую форму 116
4.10. Исследование эффективности алгоритмов выделения сигнала постороннего объекта на фоне белого шума и фоновых объектов 123
Заключение 128
Список литературы, 130
Приложение- программная реализация алгоритмов обработки изображений 140
- Физические характеристики регистрирующих устройств систем видеонаблюдення
- Оптимальная обработка в условиях неполной информации
- Модели помех при регистрации изображений и алгоритмы их фильтрации
- Определение присутствия постороннего объекта на видеоизображении в существующих системах видеонаблюдения
Введение к работе
Актуальность темы исследования
В настоящее время все более широкое распространение получают методы опосредованного технического наблюдения, позволяющие с помощью разнообразных технических средств производить регистрацию и исследование объектов и явлений, недоступных непосредственному восприятию.
Техническое наблюдение осуществляется с использованием систем наблюдения, включающих в себя совокупность средств, необходимых для слежения за объектами, которые являются целями наблюдения. Техническое наблюдение включает в себя обнаружение целей и измерение параметров принимаемого от них сигнала, характеризующего относительное положение и скорость взаимного перемещения системы наблюдения и целей, а также размеры целей, их конфигурацию, ориентацию и т.д.
По существу задачами, решаемыми посредством систем технического наблюдения, являются задачи радиолокации, радиоастрономии, оптической астрономии и т.д., касающиеся обнаружения и измерения параметров объектов некоторого вида (в частности, быстродвижущихся и внезапно появляющихся) на фоне других объектов и шума. В последнее время особую актуальность приобрели системы видеонаблюдения, которые применяются при решении задач охраны и контроля доступа на промышленных и торговых предприятиях, в жилых и административных зданиях, а также военных объектах- Структура и назначение систем наблюдения могут быть самыми различными, однако задачи и методы обработки данных наблюдения имеют много схожих признаков.
При решении задач видеонаблюдения по сей день часто используются системы аналогового типа, содержащие только регистрирующие устройства (видеокамеры) и устройства отображения (мониторы). Данные системы имеют наименьший уровень автоматизации и ответственность за принятие решений практически полностью ложится на наблюдателя.
Несмотря на то, что в данный момент существуют достаточно эффективные методы анализа сигналов и изображений, их практическая реализация в виде аналоговых устройств весьма затруднена из-за чрезвычайно высокой сложности, неидеальности параметров и сложностей с оперативной настройкой данных узлов.
С бурным развитием электронных технологий и вычислительной техники стало возможным и экономически выгодным преобразование высокочастотных сигналов в цифровой код с помощью специализированных быстродействующих аналого-цифровых преобразователей- Однако использование преобразованного сигнала зачастую сводится к простому вводу информации в ЭВМ для последующего отображения и сохранения на цифровых носителях. Задача автоматизированного принятия решений в таких системах также либо не решается вовсе, либо решается малоэффективными методами.
Цель работы
Диссертационная работа посвящена разработке эффективного решения задачи обнаружения и измерения параметров сторонних объектов в системах видеонаблюдения.
Объект и предмет исследования
Объектом исследования является выходной сигнал приемно-регистрирующего устройства системы наблюдения. Предметом исследования является связь структуры и параметров выходного сигнала с определенными изменениями обстановки в зоне наблюдения.
Задачи исследования
Для достижения поставленной цели автором решены следующие задачи:
1. Определены типичные физические условия функционирования систем видеонаблюдения и предложены общие рекомендации для поддержания рабочей точки системы.
2. Разработана математическая модель выходного сигнала приемно-регистрирующего устройства (видеокамеры), основанная на априорных сведениях о характеристиках сигналов объектов наблюдения и источников шума,
3. На основе данной модели произведен синтез устройства оптимального обнаружения сигнала посторонних объектов на фоне шума.
4. Разработаны алгоритмы, реализующие функциональность устройства оптимального обнаружения численными методами.
5. Предложены методы вторичной обработки сигнала, позволяющие определять основные характеристики объектов наблюдения.
Методы исследования
В работе применен общий подход к нахождению оптимального статистического решения для обнаружения полезного сигнала на фоне шумов, при наличии априорных сведений о структуре сигналов. В качестве критерия оптимальности был выбран минимум величины времени необнаруженного присутствия стороннего объекта в точке при заданном среднем интервале ложного срабатывания системы.
Основная гипотеза исследования
Предполагается, что выходной сигнал приемного тракта системы видеонаблюдения состоит из аддитивной смеси шумовой составляющей и сигнала объекта наблюдения- При этом шумовая составляющая достаточно хорошо описывается моделью белого шума, а полезный сигнал имеет форму, близкую к форме прямоугольного импульса.
Научная новизна
• Разработаны методы обработки движущихся изображений, сочетающие высокую эффективность с простотой реализации и низкими требованиями к вычислительным мощностям оборудования,
• Разработана модель системы видеонаблюдения, реализующая многоуровневый анализ изображений и алгоритмы принятия решений.
Достоверность и обоснованность теоретических положений и экспериментальных результатов обусловлены следующими факторами:
1. Корректность применения апробированного математического аппарата
(теории статистических решений, геометрии, дискретной математики). 2.Хорошее согласование теоретических выводов с результатами компьютерного моделирования и натурных испытаний.
Положения, выносимые на защиту
Ь Методы поддержания оптимальных условий видеонаблюдения в условиях изменяющейся естественной и искусственной освещенности,
2. Математическая модель выходного сигнала АЦП в системе видеонаблюдения,
3. Алгоритм двухпороговой временной селекции объектов.
4. Алгоритм пространственной селекции объектов.
Метод измерения координат объектов с помощью пары видеокамер Личный вклад автора
Автором произведен обширный анализ современных решений в области организации систем видеонаблюдения, предложена математическая модель выходного сигнала приемного тракта системы видеонаблюдения, разработаны алгоритмы анализа изображений, а также практически реализована компьютерная модель системы видеонаблюдения и произведены ее натурные испытания в различных условиях.
Публикации и апробация полученных результатов.
Автором опубликовано 8 научных работ по теме диссертации, включая две публикации в центральной печати. Подана заявка на выдачу патента РФ на изобретение «Устройство выделения сигнала постороннего объекта».
Эффективность предложенных решений проверена в ходе эксплуатации компьютерной модели системы в реальных условиях и подтверждена актом внедрения на государственном унитарном предприятии «Краевая техническая инвентаризация» ( г,Ставрополь).
Практическая значимость работы
• Приведенный анализ условий и методов организации видеонаблюдения позволяет производить проектирование и реализацию эффективных систем.
• Разработанные алгоритмы и компьютеризованные устройства для их реализации повышают помехоустойчивость и надежность реагирования и расширяют другие возможности систем наблюдения.
• Минимальный набор предложенных вычислительных инструкций позволяет оптимальным образом реализовывать специализированные устройства видеонаблюдения, что существенно улучшает их экономическую эффективность.
Структура и общая характеристика работы
Работа проводилась на кафедре теоретической физики Ставропольского государственного университета под руководством доктора физико-математических наук, профессора Каплана Л, Г.
Работа состоит из введения, четырех глав, заключения, списка литературы и приложения.
Первая глава посвящена обзору публикаций, отражающих основные специфические особенности систем видеонаблюдения.
Особое внимание уделено рассмотрению задачи сжатия динамического диапазона входного сигнала, необходимого для поддержания нормального функционирования системы в изменяющихся условиях. Диапазон амплитудных значений сигнала на входе приемно-регистрирующего устройства обычно на несколько порядков превышает ширину линейного участка приемного тракта. В системах метеорадиолокации причиной этому является значительный разброс отражательных свойств метеообъектов и расстояний до них, в системах видеонаблюдения - широкий диапазон значений освещенности при суточном и годовом ходе.
Для сжатия динамического диапазона в метеорадиолокационных системах применяется логарифмическое преобразование: выходного сигнала. Однако, в связи с очень большим динамическим диапазоном выходного сигнала в системах видеонаблюдения этого метода недостаточно и для ограничения светового потока при повышенной освещенности необходимо введение дополнительных оптико-механических устройств и приспособлений, В качестве таковых обычно используют ирисовые диафрагмы и светофильтры. Кроме того, дополнительное расширение диапазона достигается регулированием времени экспозиции ПЗС — матрицы. Приведен обзор схем управления указанными устройствами корректировки чувствительности видеокамеры.
При пониженной естественной освещенности необходимой задачей становится обеспечение качественной искусственной подсветки. Использование для этих целей видимого света не всегда является приемлемым из энергетических соображений и требований к скрытности функционирования системы наблюдения- Использование инфракрасной подсветки во многом лишено описанных недостатков, однако многие объекты наблюдения обладают различными светоотражательными свойствами в различных диапазонах, что может привести к ошибкам их идентификации.
Таким образом, в первой главе приведен обзор наиболее типичных ситуаций и решений при видеонаблюдении и показано, что необходимо приме нение специальных методов и соответствующих устройств для поддержания оптимальных условий при естественном и искусственном освещении.
Во второй главе производится анализ широко применяемых в радиолокации оптимальных статистических методов обнаружения сигнала цели на фоне шумов. Оптимальные методы обработки сигнала, обеспечивают минимальное значение некоторого статистического признака, соответствующего наиболее критичному событию, при фиксировано заданных остальных параметрах наблюдения. Часто в качестве критерия оптимальности используют минимум вероятности пропуска цели р», при заданной вероятности р ложного обнаружения сигнала, В качестве другого критерия оптимальности может быть использовано время необнаруженного существования цели при заданном среднем времени ложного срабатывания системы.
Обнаружение сигнала на фоне шумов зачастую происходит в условиях априорной неопределенности некоторых параметров распределений w u и " (" ) 9 а также полного отсутствия информации об этих распределениях, В данном случае получение оценок указанных распределений производится на этапе обучения, на основе анализа реализаций сигнала, о которых известно, что они представляют собой смесь шума и сигнала цели.
Таким образом, задача анализа сигналов сводится к определению статистических различий между параметрами полезного сигнала и шумов. Выбор метода обнаружения определяется конструктивными особенностями и требованиями к тактико-техническим характеристикам системы.
Особо важной задачей в данном случае является выбор модели сигнала, которая бы с приемлемой точностью описывала структуру реального сигнала и в то же время позволяла произвести синтез простого в реализации устройства или алгоритма обнаружения сигнала объектов наблюдения на фоне шу MOB 1 В ходе анализа существующих подходов к моделированию процессов в электронных цепях в качестве модели помех была выбрана модель белого шума - идеализированного случайного процесса с равномерной спектральной характеристикой:
В качестве модели сигнала стороннего объекта был выбран прямоугольный импульс длительностью г имеющий спектральную характеристику J®
Для выбранных моделей получен комплексный коэффициент передачи оптимального фильтра, обеспечивающего максимум выходного напряжения в момент окончания импульса, и на его основе синтезирована схема фильтра.
В третьей главе автором рассмотрены широко используемые алгоритмы обработки изображений. Большинство алгоритмов состоит из двух ос-новных шагов:
1) препарирование - преобразование изображений из естественной формы, представленной функцией яркости, в форму, удобную для машинной обработки. К такому преобразованию относят, в частности, пороговую обработку, приводящую к формированию двухградационного изображения, одна из градаций которого представляет полезные объекты, а другая — фон- Основными подходами к пороговой обработке является разделение элементов изображения по уровню яркости, либо по градиенту яркости — такой подход применяется при определении контуров изображений;
2) фильтрация - удаление искажений, вызванных воздействием шумовых источников различного рода- Наиболее часто используемым общим подходом к фильтрации изображений является метод обработки «скользящим окном». Данный метод заключается в поочередном определении значений точек отфильтрованного изображения на основе некоторого правила, которое связывает значение ключевой точки со значениями группы соседних точек изображения. Специфические методы обработки отличаются размерами и формой «окна» (группы точек), а также правилом определения значения ключевой точки.
Большинство алгоритмов обработки изображений включают в себя оба описанных этапа обработки, причем их параметры и последовательность выполнения могут существенно варьироваться.
Следует отметить, что рассмотренные методы ориентированы на обработку отдельных изображений в предположении того, что сторонние и фоновые объекты известным образом отличаются по яркости. Однако специфика видеонаблюдения не позволяет однозначно классифицировать наблюдаемые объекты по уровню яркости, поскольку один и тот же объект может быть как фоновым, так и сторонним в зависимости от ситуации.
Опираясь на вышесказанное, автор считает более эффективным применение описанных алгоритмов к разностному изображению, полученному с использованием текущего изображения и эталонного изображения, на котором каким-либо образом выделены только фоновые объекты.
Применение пространственных методов фильтрации не всегда оправдано из-за большого числа выполняемых операций, а также из-за отсутствия универсального критерия эффективности фильтрования.
В четвертой главе приводится описание предлагаемых автором решений основных задач, связанных с повышением уровня автоматизации систем видеонаблюдения и надежности их функционирования. Приведена структура компьютерной модели системы видеонаблюдения, реализованной на основе описанных алгоритмов и результаты ее натурного испытания.
Предложен алгоритм подавления шума, реализующий функционирование синтезированного ранее оптимального фильтра- На основе предложенного алгоритма определен критерий присутствия стороннего объекта в точке:
Рассмотрена задача выбора эталонного изображения К0 Согласно предложенному алгоритму двухпороговой временной селекции, элементами фона становятся точки изображения, в которых непрерывно обнаруживалось присутствие некоторого объекта в течение заданного интервала времени (второго временного порога) г : "„ гм, где В последнем выражении г„- время непрерывного присутствия объекта в точке {хй,у0) при получении л-го изображения. Введение более низкого первого временного порога г тж иногда требуется для предупреждения ложных срабатываний системы при одиночных кратковременных изменениях в зоне наблюдения. В случае, когда на изображении обнаруживается два и более пространственно разделенных объекта, вычисление их параметров по алгоритмам, определенным для одиночных объектов будет малоинформативно В указанном контексте задача селекции при известности всех точек изображения, в которых присутствие посторонних объектов считается установленным, сводится к определению принадлежности каждой из таких точек к конкретному объекту. Автором предложен алгоритм пространственной селекции объектов, позволяющий определять всю совокупность точек, принадлежащих изображению объекта при указании любой из принадлежащих ему точек.
Особо важной задачей является определение положения наблюдаемого объекта в пространстве. Данная задача не реализуема при использовании только одной видеокамеры. Использование анализа стереопарных изображений, полученных с разнесенных на некоторое расстояние соосно направлен ных видеокамер, при малом разрешении последних приводит к значительной погрешности измерений.
Автором предложен метод измерения пространственных координат объектов с помощью системы из двух перпендикулярно расположенных видеокамер. A У X -Л. г — . 1 m •, в В случае присутствия объекта на обоих изображениях его координаты определяются выражениями jf = Ю + , Глрв-Улха У рлрв-Улха где У, - смещения условного центра изображения объекта от центра матриц видеокамер В и А соответственно.
Для исследования эффективности подавления белого шума были использованы записи различных реальных сцен, в том числе слабоосвещенных, содержащих шумы источника питания, внешние помехи, наведенные через неэкранированный кабель передачи видеосигнала, а также шумы системы автоматической регулировки усиления, наиболее отчетливо проявляющиеся в условиях пониженной освещенности.
Для оценки эффективности алгоритма временной селекции использовались видеозаписи сцен с движущимися объектами различного количества и величины. Для снятия характеристик обработки изображений визуально выбирались точки трех типов:
1) точки, в которых не наблюдалось появление посторонних объектов,
2) точки, в которых наблюдалось кратковременное появление посторонних объектов
3) точки, в которых посторонние объекты появлялись и оставались постоянными или задерживались на длительное время.
В ходе испытаний компьютерная модель показала устойчивое функционирование и адекватность реакции на различные изменения в зоне наблюдения.
В приложении приведены тексты программных реализаций описанных алгоритмов на Ассемблере- Выбор данного языка обусловлен повышенными требованиями ко времени исполнения алгоритмов и возможностью их переноса на микроконтроллерные устройства с ограниченным набором команд.
Физические характеристики регистрирующих устройств систем видеонаблюдення
Применительно к системам метеорадиолокации [46, 77], автором рассмотрена задача обнаружения метеоцелей (облаков и облачных систем) на фоне мешающих отражений от местных предметов (горы, сооружения) и шума. Теоретические результаты, полученные в ходе рассмотрения этой задачи, использованы при оптимизации структуры и алгоритмов функционирования систем видеонаблюдения.
Первоначально сопоставлены системы метеорадиолокации и известные системы видеонаблюдения- Несмотря на существенные различия в структуре и назначении систем наблюдения, основные задачи и подходы к их решению весьма сходны. Информацию в системах технического наблюдения содержит в себе электрический сигнал, получаемый на выходе приемно-регистрирующего устройства- В метеорадиолокационных системах сигнал регистрируется приемником радиолокатора, а в системах наблюдения — видеокамерой. Основная задача в системах обоих типов сводится к исследованию сигнала с целью выделения наиболее полной и достоверной информации о наблюдаемом объекте или явлении.
Системы видеонаблюдения начали свое историческое развитие после появления телекамер на основе приборов с зарядовой связью (ПЗС-матриц), На основе этих телекамер были разработаны компактные и простые в эксплуатации устройства, способные в реальном времени преобразовывать световое изображение в электрический сигнал и, таким образом, решить задачу централизованного наблюдения за объектом достаточно большой площади, сведя к минимуму наблюдающий персонал,.
В последние годы происходит существенное изменение структуры систем видеонаблюдения, связанное с использованием аналого-цифрового преобразования выходного сигнала[8, 11, 23, 37], Установка АЦП позволяет упростить обработку сигнала, осуществить интерфейс между камерами наблюдениями и типовыми персональными ЭВМ, хранить видеоинформацию на надежных цифровых носителях и существенно упростить процедуру организации архива и поиска требуемых записей. Кроме того, внедрение АЦП открыло широчайшие возможности автоматизации обработки получаемого сигнала, существенного повышения надежности и оперативности реагирования системы.
Однако в существующих системах видеонаблюдения, даже использующих АЦП, на наблюдателя возложена большую часть усилий и ответственности по контролю за развитием ситуации в зоне наблюдения и необходимость регулировки системы с целью адаптации к изменяющимся условиям освещенности. В процессе постановки задачи были отмечены следующие недостатки существующих систем видеонаблюдения: 1) узкий динамический диапазон по освещенности» не позволяющий обеспечивать работу систем видеонаблюдения в реальных условиях изменения освещенности; 2) высокий уровень шума, приводящий к высокой вероятности пропуска цели или ложной тревоги; 3) малые интеллектуальные возможности систем, не позволяющие классифицировать объекты по требуемым критериям В настоящее время все чаще в публикациях встречается понятие «компьютерных систем искусственного зрения (КСИЗ)». Кратко охарактеризовать КСИЗ можно как систему видеонаблюдения, автоматическим образом изменяющую свои механические, оптические и электрические параметры с целью получения наиболее подробной информации о возникшей тревожной ситуа ЦИИ К основным задачам, выполняемым КСИЗ можно отнести [81, 85,98] : - управление средствами изменения светочувствительности камер наблюдения для получения изображения, пригодного для визуального и автоматизированного анализа в условиях естественного и искусственного изменения освещенности в широких пределах. - автоматизированное обнаружение и определение параметров (координат, скорости) посторонних объектов при сложной, часто неоднородной в пространстве и времени шумовой обстановке. - управление средствами изменения поля зрения (поворота и фокуси-ровки), необходимое для получения детального изображения малогабаритных объектов. - управление процессом записи видеоинформации и организации видеоархива. Зачастую к функциям, выполняемым КСИЗ относят также решение гораздо более сложных задач, таких как автоматическая идентификация личности, либо других уникальных параметров объектов наблюдения. Однако каждая из этих задач вполне может являться объектом для отдельного исследования, а отсутствие в настоящий момент решений, обладающих достаточной устойчивостью не позволяет говорить о возможности их широкого применения,
Из множества существующих телевизионных систем в работе рассматриваются только камеры на ПЗС, в том числе и с предварительными каска-дами усиления изображения на электронно-оптических преобразователях (ЭОП). Рассматриваемые расчеты могут быть применимы как для стандартного телевизионного режима (режима непрерывного накопления), так и для импульсного (в том числе и однократного).
Вся метрология в видимой области спектра основана на глазе стандартного фотометрического наблюдателя, чувствительность которого к световому излучению функционально зависит от длины волны. Эта функция V(k) называется "спектральная световая эффективность" V(A-). Ее графический вид представлен нарис. 1.1. [101].
Оптимальная обработка в условиях неполной информации
Рассмотренная задача обнаружения сигнала на фоне помех соответствует таким условиям, когда длительность сигнала на входе приемника фиксирована, т.е. исследование каждой отдельной области пространства производится в течение заранее определенного отрезка времени.
Возможен другой подход к решению поставленной задачи, при котором длительность исследования не задается заранее, а определяется обнаружителем исходя из требуемой надежности принимаемых решений. Данный метод получил название метода последовательного анализа, а устройство, реализующее его, принято называть последовательным обнаружителем.
Эффективность последовательного обнаружителя определяется вероятностями PD и Pf9 а также средней длительностью интервалов наблюдения Т} при наличии сигнала и Г0 при его отсутствии.
Любой метод обнаружения сигнала на фоне помех представляет собой некоторое правило я[и{/)], в соответствии с которым реализация входного напряжения к(0 классифицируется либо как «сигнальная», отождествляемая с наличием сигнала, либо как «несигнальная», отождествляемая с его отсутствием.
Среди возможных методов обнаружения особый интерес представляют так называемые оптимальные методы, удовлетворяющие некоторым исход-ным требованиям критерия оптимальности [6,62]. Наиболее общим оптимальным методом является метод реализующий минимум среднего риска, однако в реальных условиях вероятность появления сигнала р обычно неизвестна, а определение стоимостей ошибок pl0, pQX является затруднительным. В связи с этим при практической реализации систем наблюдения в качестве критерия оптимальности принято использовать так называемый критерий Неймана-Пирсона, обеспечивающий максимальную вероятность правильного определения цели PD при фиксированной вероятности ложного обнаружения Pt. В случае использования последовательного обнаружителя оптимальным называют метод обеспечивающий минимум средних значений интервалов наблюдения 7J, и 7 при заданных вероятностях PD и / ,..
Оптимальная процедура анализа сигнала при использовании последовательного обнаружителя выполняется следующим образом. Если входное напряжение задано совокупностью равноотстоящих отсчетов Um = {и} и2„.ит), начиная с т = 1, после поступления на вход обнаружителя каждого очередного отсчета напряжения вычисляется отношение правдоподобия Достаточно полным показателем качества обнаружения является также среднее время f, необнаруженного существования цели при заданном среднем времени между ложными обнаружениями /0. Наблюдение зачастую ведется в условиях, когда статистические характеристики помехи и смеси сигнала с помехой известны не полностью, В указанных условиях описанные оптимальные методы могут оказаться малоэффективными. Различают два вида априорной неопределенности относительно распределений Wu(Um) или Wx(Um). Типичным примером параметрической неопределенности обстановка приема радиолокационных сигналов на фоне гауссова шума неизвестной мощности. В более общем случае, когда полностью неизвестен вид хотя бы одного из распределений, неопределенность называют непараметрической- В таких условиях наблюдателю должны быть известны некоторые признаки, различающие эти распределения. Большинство предложенных к настоящему времени методов обнаружения при не полностью известных статистических характеристиках сигналов и помех являются эвристическими. В условиях априорной неопределенности особую эффективность показали методы, основанные на критериях непараметрической статистики и обеспечивающие постоянное значение вероятности PF. Подобные методы применимы в условиях как параметрической, так и непараметрической неопределенности. Кроме того, одним из путей преодоления априорной неопределенности является использования принципа адаптации- Данный принцип подразумевает получение сведений о распределениях W9(U„) и WA{Um) на этапе обучения, например, на основе опорных реализаций (70я, о которых известно, что они являются реализациями шума. Если априорное распределение вероятностей времени появления цели tH неизвестно, то в качестве критерия оптимальности целесообразно использовать условие обеспечения минимального значения tx при фиксированном интервале /0 - При этом полагается, что tH »/0, т.е. цель появляется в устано-вившемся режиме обзора, когда изредка, со средним периодом f0 выдаются ложные сигналы о появлении цели. После каждого ложного обнаружения цели устройство обработки возвращается в первоначальное состояние, т.е. временной параметр п анализируемой последовательности Un, Элементы последовательности U„ являются взаимно независимыми величинами с распределением вероятностей P0(Un) и / (Uп) в зависимости от того, присутствует ли цель при п - том цикле обзора. Пусть {zj - множество «сигнальных» последовательностей Z„ длины п, при появлении каждой из которых на входе обнаружителя принимается решение о присутствии цели. Если «сигнальные» последовательности определены для всех л, то этим самым определено некоторое решающее правило R(Zn). Таким образом, для оптимизации процесса обнаружения цели необходимо для всех значений п найти такие «сигнальные» множества, при которых выполняется условия оптимума,
Рассмотрим следующее событие: цель появляется в зоне наблюдения между {к-\)-ы иЬм обзорами и обнаруживается в результате поступления на вход обнаружителя некоторой последовательности Z ={Z ,Z%„.z ), которая входит в «сигнальное» множество {z„}.
Модели помех при регистрации изображений и алгоритмы их фильтрации
Размеры входного и выходного изображения здесь, очевидно, совпадают (М, = TV,, М2 =N2). При практической реализации поэлементных преобразований можно непосредственно вычислять каждое значение преобразованного элемента в соответствии с конкретным видом функции (3,34), Однако для достаточно сложных функций такое построение процедуры обработки оказывается неудобным из-за больших затрат машинного времени на вычисления- Скорость обработки возрастает при переходе к табличному заданию функции преобразования- Алгоритм работы с таблицей очень прост: по значению Гщ вычисляется адрес (номер строки) таблицы с выходным значением Yma - Очевидные преимущества такого подхода: высокое быстродействие, а также гибкость процедуры обработки (таблица преобразования по сути является параметром процедуры и может легко меняться); недостаток: приближенность результатов из-за ограниченного числа строк таблицы. Несмотря на простоту, метод поэлементных преобразований позволяет решить довольно много прикладных задач улучшения качества и анализа изображений. Рассмотрим некоторые из них:
Линейное контрастирование. Изображения, вводимые в компьютер, часто являются малоконтрастными, то есть у них вариации функции яркости малы по сравнению с ее средним значением- Реальный динамический диапазон яркостей [ї ;! ] для таких изображений оказывается намного меньше допустимого диапазона (шкалы яркости)- Задача контрастирования заключается в "растягивании" реального динамического диапазона на всю шкалу. Контрастирование можно осуществить при помощи линейного поэлементного преобразования
При диалоговой обработке изображений иногда проще не определять параметры преобразования (3,38)» а непосредственно строить его в табличной форме, ориентируясь на границы распределения вероятностей функции яркости.
Пороговая обработка. Некоторые задачи обработки изображения связаны с преобразованием полутонового изображения (то есть такого, которое имеет много градаций яркости) в бинарное (двухградационное). Такое преобразование осуществляется в первую очередь для того, чтобы сократить информационную избыточность изображения, оставить в нем только ту информацию, которая нужна для решения конкретной задачи, В бинарном изображении должны быть сохранены интересующие нас детали (например, очертания изображенных объектов) и исключены несущественные особенности (фон). характерен некоторый разброс яркостей. В результате пики функции плотности распределения "расплываются", хотя обычно ее бимодальность сохраняется (рис. 3.46). В такой ситуации можно выбрать порог Ymipt соответствующий положению минимума между модами, то есть использовать функцию поэлементного преобразования, показанную на рис. 3.4в,
Препарирование. Широкий класс процедур обработки изображений заключается в их препарировании, то есть в приведении к такому виду, который, возможно, весьма далек от естественного, но удобен для визуальной интерпретации или дальнейшего машинного анализа. Многие операции препарирования могут осуществляться при помощи поэлементных преобразований специальных видов. Так, частным случаем препарирования является пороговая обработка, рассмотренная выше. Перечислим некоторые другие используемые преобразования. Очевидным обобщением пороговой обработки является преобразование яркостного среза (рис. 3.5а). Оно позволяет выделить определенный интервал диапазона яркостей входного изображения- Перемещая "рабочий" интервал по шкале и меняя его ширину, можно произвести визуальный анализ отдельных изображенных объектов, различающихся по яркости. Детали, не попадающие в указанный интервал, то есть относящиеся к "фону", будут подавлены. На рис, 3,56 приведен вариант яркостного среза с сохранением фона- В данном случае изображение в целом сохраняется, но на нем "высвечиваются1 участки, попавшие в заданный интервал яркостей. Если этот интервал примыкает к границе шкалы яркости, то получаем преобразование так называемой неполной пороговой обработки (рис. 3.5в).
Контрастное масштабирование в своем простейшем варианте совпадает по смыслу с линейным контрастированием, здесь "рабочий" интервал яркостей растягивается на весь диапазон допустимых значений (рис. 3,5г). В других случаях контрастное масштабирование может быть связано с обращением функции яркости, то есть получением "негатива" (рис. 3.5д), представлением "рабочего" интервала яркостей на однородном фоне: черном (рис, 3.5е), белом (рис- 3,5ж) или сером (рис 3.5з) и т. д.
Пилообразное контрастное масштабирование иллюстрирует рис. З.би. Как показывает практика, если изображение состоит из нескольких крупных областей с медленно меняющимися (по плоскости) значениями яркости, то такое преобразование почти не разрушает целостности его восприятия и в то же время резко увеличивает контрастность плохо различимых мелких деталей.
Исследованиями психологов установлено, что с точки зрения распознавания и анализа объектов на изображении наиболее информативными являются не значения яркостей объектов, а характеристики их границ - контуров. Другими словами, основная информация заключена не в яркости отдельных областей, а в их очертаниях. Задача выделения контуров состоит в построении изображения именно границ объектов и очертаний однородных областей,. Будем называть контуром изображения совокупность его пикселов, в окрестности которых наблюдается скачкообразное изменение функции яркости. Так как при цифровой обработке изображение представлено как функция целочисленных аргументов, то контуры представляются линиями шириной, как минимум, в один пиксел- При этом может возникнуть неоднозначность в определении линии контура.
Если исходное изображение, кроме областей постоянной яркости, содержит участки с плавно меняющейся яркостью, то введенное определение контура остается справедливым, однако при этом не гарантируется непрерывность контурных линий: разрывы контуров будут наблюдаться в тех местах, где изменение функции яркости не является достаточно резким.
С другой стороны, если на "кусочно-постоянном" изображении присутствует шум, то, возможно, будут обнаружены "лишние" контуры в точках, которые не являются границами областей.
Определение присутствия постороннего объекта на видеоизображении в существующих системах видеонаблюдения
Отобразив на том же графике ход функции Sm(xty)9 можно обнаружить, что в момент внесения объекта она начинает достаточно быстро возрастать. Установив в данном случае величину порога около Sw( ,.y) = 50 можно достаточно точно определить период присутствия объекта.
Для проведения эксперимента по оценке эффективности алгоритма двухпороговой временной селекции использовались видеозаписи сцен с движущимися объектами различного количества и величины. Для снятия характеристик обработки изображений визуально выбирались точки трех типов: 1) точки, в которых не наблюдалось появление посторонних объектов, 2) точки, в которых наблюдалось кратковременное появление посторонних объектов, 3) точки, в которых посторонние объекты появлялись и оставались постоянными или задерживались на длительное время. Сплошной линией обозначен ход данной функции в точке, где посторонние объекты появлялись кратковременно — на графике можно обнаружить не менее трех точек превышения первого порога, второй же порог не превышался значением функции ни разу, что не позволяет считать обнаруживаемые объекты установившимися элементами фона. Пунктирной линией отмечен ход функции в точке, где один из объектов задерживался на время, превышающее второй порог. Объект останавливается в данной точке примерно в 220-м кадре, в 270-м кадре происходит превышения порога в 2000 мс, и значение освещенности в данной точке переносится в эталонное изображение. Таким образом, указанный объект перестает быть посторонним, а время его присутствия в данной точке становится равным нулю. Такая ситуация остается практически постоянной до того момента, как на 440-м кадре объект покидает исследуемую точку и на его месте вновь появляется исходный элемент фона. Таким образом, через две секунды после перемещения объекта эталонное изображение переходит в первоначальное состояние. Следует отметить, в данном измерении была также выбрана точка, в которой не наблюдалось существенных изменений, однако величина функции хп все время измерения оставалась весьма малой, что не дает возможности наглядно ее отобразить в выбранном масштабе графика. 1) Изображение в реальной системе видеонаблюдения неизбежно содержит шумы, вызванные как внешними источниками, так и обусловленные физическими принципами функционирования оборудования. Некоторую часть шумов обычно не удается подавить организационными мерами. Ввиду большого количества источников шумов, является затруднительным точное определение характера суммарного шума, однако неплохие результаты дает предположение о том, что суммарный шум имеет равномерную спектральную характеристику. 2) Для подавления белого шума рекомендуется производить суммирование величин изменения освещенности в течение нескольких периодов измерения- Различие между статистическими характеристиками белого шума и устойчивых изменений, вызванных появлением посторонних объектов» при суммировании проявляется более отчетливо. 3) Измерение длительности непрерывного присутствия объекта в точке позволяет производить дополнительную селекцию мед 126 ленно перемещающихся объектов на фоне быстрых изменений освещенности, вызванных шумами. 4) Введение второго временного порога присутствия объекта в точке позволяет определять объекты, не изменяющие своего положения в течение определенного промежутка времени, которые могут быть признаны установившимися объектами фона и внесены в эталонный кадр. 5) В случае, когда на изображении присутствуют несколько объектов, для корректного анализа необходимо определить точки, которы принадлежать каждому из них. Эта задача может быть решена с помощью предложенного алгоритма пространственной селекции объектов, 6) Для корректного определения геометрических характеристик объекта необходимо измерить все его пространственные координаты- Эту задачу возможно решить с помощью предложенного метода, основанного на применении системы из двух перпендикулярно расположенных видеокамер. В работе проведены исследования, касающиеся основных задач, возникающих при использовании средств технического наблюдения. Предложенные решения применимы к системам наблюдения различной структуры и назначения- Основной акцент в работе сделан на создание помехоустойчивой модели системы видеонаблюдения, включающей алгоритмы анализа изображений с целью подавления шумов, обнаружения присутствия и измерения параметров посторонних объектов.
Исходя из результатов исследования, сделаны следующие выводы. Существенное значение для обеспечения помехоустойчивости и адекватности принятия решений в автоматизированной системе видеонаблюдения имеет правильная организация условий наблюдения, включающая следующие моменты,
Для ограничения светового потока в светлое время суток необходимо комплексное применение оптико-механических и электронных средств корректировки чувствительности видеокамер. В качестве таковых наиболее часто используют ирисовые диафрагмы, светофильтры и регулировку времени экспозиции ПЗС — матрицы. 1.2. При пониженной, освещенности важна правильная организация искусственной подсветки- Использование инфракрасной подсветки при всех неоспоримых достоинствах обладает рядом особенностей, связанных с различием характеристик чувствительности видеокамер и светоотражательных свойств объектов в видимом и инфракрасном диапазоне, 2. Предложен ряд методов и алгоритмов, позволяющих расширить функциональность и повысить помехоустойчивость систем наблюдения.
