Содержание к диссертации
Список сокращений 6
Введение ..7
Раздел 1. Анализ современного уровня развития интеллектуальных систем
телевизионного наблюдения 11
Назначение и сферы применения интеллектуальных телевизионных систем 11
Принципы построения интеллектуальных систем наблюдения 12
1.3. Основные задачи обработки информации, решаемые в рамках интеллектуальных
систем наблюдения 13
Выделение объектов 13
Оценка параметров объекта 15
Особенности наблюдения за протяженными объектами 16
Основные сведения о панорамных изображениях 17
Области применения панорамных изображений 17
Панорамные проекции и их свойства 17
1.5.3. Технические средства, используемые для формирования панорамных
изображений 20
1.6. Постановка исследовательских задач 22
Раздел 2. Разработка' и обоснование алгоритма выделения протяженных
подвижных объектов на изображении 24
2.1. Специфика задачи и общий принцип ее решения 24
Существующие подходы к выделению объектов 24
Характерные свойства объекта 25
Факторы, затрудняющие выделение протяженных объектов 26
2.2. Адаптивное моделирование фона 27
Применение статистического моделирования фона для выделения объектов27
Моделирование фона авторегрессионным процессом 28
Моделирование фона гауссовой смесью 31
2.3. Обнаружение объектов по разности кадров 33
Принципы обнаружения по межкадровой разности 33
Статистические свойства энергии межкадровой разности 35
Выделение объектов по порогу 37
2.4. Усовершенствованный алгоритм выделения объектов 38
Моделирование фона с учетом локальной структуры изображения 38
Реализация метода главных компонент 39
Применение МГК для выделения объектов 44
2.5. Оценка движения объекта 46
Уравнение оптического потока 46
Вычисление оптического потока 48
Использование робастных алгоритмов оценки 52
Метод наименьшей медианы квадратов 53
2.6. Сравнение алгоритмов выделения объектов 56
2.6.1. Методика построения рабочей характеристики приемника для алгоритма
выделения объектов 56
2.6.2. Рабочие характеристики различных алгоритмов выделения 58
2.7. Краткие выводы 60
Раздел 3. Разработка алгоритма оценки скорости протяженного подвижного
объекта по телевизионному изображению 65
3.1. Общая постановка задачи 65
Необходимость оценки скорости при построении панорамного изображения 65
Условия наблюдения 66
Специфика задачи 66
Общая схема обработки данных 67
3.2. Анализ вероятности появления аномальных результатов при измерении оптического
потока различными методами 68
3.2.1. Классификация результатов измерения оптического потока 68
Вероятность появления аномальных результатов при использовании традиционного метода сопоставления блоков 70
Вероятность появления аномальных результатов при использовании многомасштабного сопоставления блоков 74
Анализ вычислительной сложности иерархического алгоритма сопоставления блоков 77
Влияние шумов на вероятность появления аномальных векторов движения 79
3.2.6. Способы восстановления значений векторов движения, подверженных
аномальной погрешности 81
3.3. Формирование устойчивой оценки скорости движения протяженного объекта 85
Методика оценки качества работы алгоритмов сглаживания 85
Оценка с помощью фильтра Калмана 87
Оценка с использованием безынерционного нелинейного преобразователя. 90
Оценка скорости на основе кластерного анализа векторов движения 94
Сравнение эффективности алгоритмов сглаживания в различных условиях. 98
3.4. Снижение погрешности измерения векторов движения 99
Субпиксельная оценка» смещений при использовании алгоритма сопоставления блоков 99
Субпиксельная оценка с использованием аппроксимации функции рассогласования блоков 102
Сравнение алгоритмов субпиксельной оценки смещений 103
Использование переменного интервала измерения векторов движения 107
3.5. Краткие выводы 109-
Раздел 4. Аналитическая обработка изображений в системе дистанционного
осмотра железнодорожных составов 111
4.1. Описание системы дистанционного осмотра грузового подвижного состава на.
железной дороге 111
Назначение и состав системы 111
Существующие аналоги 112
4.1.3. Способы расширения поля зрения телевизионных систем на
железнодорожном*транспорте 1141
4.1.4. Схема обработки данных в системе дистанционного осмотра подвижного
состава 116
4.2. Формирование панорамной проекции состава 118
Геометрическая модель проекции 118
Расчет векторного поля смещений объекта в различных частях растра 121
Устранение аномальной погрешности при измерении карты смещений 124
4.2.4. Стыковка фрагментов панорамы и восстановление построчной структуры
растра 125
Коррекция геометрических искажений при построении панорамы 128
Влияние встречной засветки и неподвижных теней 129
4.3. Обнаружение стыков между вагонами грузового состава 130
Формулировка задачи 130
Анализ видимого движения в центре кадра 132
Опознавание стыка по выбросам ошибки предсказания изображения 133
Идентификация сцепного устройства 138
Опознавание стыка по совокупности признаков 140
4.4. Краткие выводы 142
Заключение 144
Список использованных источников 147
Приложение 1. Алгоритм максимизации ожидания 155
Приложение 2. Примеры разложения фрагментов фона по ДКП и по методу
главных компонент 157
Приложение 3. Расчет нелинейного преобразователя, используемого для
устойчивой оценки скорости 159
Приложение 4. Панорамные изображения железнодорожных вагонов 162
Список сокращений
APEX - (англ. Adaptive Principal component Extraction) - адаптивный алгоритм извлечения главных компонент.
RANSAC - (англ. RANdom SAmple Consensus) - один из методов робастного определения параметров математической модели.
АБГШ - аддитивный белый гауссов шум.
АР - авторегрессия.
АРД - автоматическая регулировка диафрагмы.
АЧХ - амплитудно-частотная характеристика.
БНП - безынерционный нелинейный преобразователь.
ДВП - дискретное вейвлет-преобразование.
ДКП - дискретное косинусное преобразование.
ИНС - искусственная нейронная сеть.
ЛДА - линейный дискриминантный анализ.
МГТС - метод главных компонент.
МТС — модель гауссовой смеси.
МНК - метод наименьших квадратов.
МНМК - метод наименьшей медианы квадратов.
МО — (алгоритм) максимизации ожидания.
ОСШ — отношение сигнал-шум.
ПО - программное обеспечение.
РХП - рабочая характеристика приемника.
СКО - среднеквадратическое отклонение.
СТЗ - система технического зрения.
ФВЧ — фильтр верхних частот.
ФСС - фильтр скользящего среднего.
ФНЧ — фильтр нижних частот.
ЭВМ — электронно-вычислительная машина.
Введение к работе
На современном этапе развития средств автоматического контроля и управления является актуальной проблема повышения эффективности технических систем сбора и обработки информации. Потребность в таких системах чрезвычайно высока в различных сферах человеческой деятельности, включая промышленность, транспорт, науку, сервис, системы безопасности. Особое экономическое значение имеют так называемые интеллектуальные технические системы, способные полностью заменить человека в ряде случаев или существенно облегчить его труд при обработке больших объемов информации.
Телевизионные системы, как один из классов систем сбора и обработки информации, обладают рядом особенностей. Среди них - объективность и высокая информативность, широкие возможности обработки сигналов с целью извлечения данных об объектах наблюдения. При этом возникают значительные объемы передаваемых данных и повышенные требования к производительности программного и аппаратного обеспечения. Использование телевизионного наблюдения позволяет существенно повысить эффективность интеллектуальных систем.
Задачи извлечения информации из телевизионных сигналов на сегодняшний день решаются методами компьютерной обработки. В зависимости от свойств объектов наблюдения и условий применения телевизионных систем алгоритмы и методы обработки существенно отличаются. Настоящая работа посвящена решению задач, связанных с обработкой видеоданных от протяженных объектов. Протяженными считаются такие объекты, геометрические размеры которых сопоставимы с размерами поля зрения применяемых телевизионных камер или существенно превосходят его. При такой формулировке возможны две ситуации: - изображение объекта в определенные моменты времени полностью
умещается в телевизионном растре;
- размеры объекта превосходят поле зрения телевизионной: системы, в
результате; в течение: наблюдения в кадр попадают различные части
объекта.
В обоих случаях при выделении объекта, из; фона; и определении его параметров возникают специфические трудности; связанные1 с подобием фрагментов объекта и фона. Во втором, случае для целостного отображения объекта необходимо извлекать информацию из последовательности телевизионных кадров. Одним из способов отображения объекта в данном случае является формирование панорамнойщроекции, которая позволяет:
расширить поле зрения телевизионной системы без применения! дополнительных технических средств (например, поворотных устройств, параболических зеркал; дополнительных камер);:
создать комфортные условия наблюдения для< оператора телевизионной?; системы;
сохранить изображение протяженного объекта в компактном виде с возможностью, его передачи по каналам- связи с низкой; пропускной, способностью;
провести измерение параметров; и характеристик объекта (в том числе габаритов и формы).
Примерами использования интеллектуальных систем, требующих отображения и определения параметров протяженных объектов, являются:
дистанционный осмотр подвижного состава железных дорог;
съемка местности с низколетящего летательного аппарата;
зрение роботов..
Основной целью работы является разработка и анализ алгоритмов обработки телевизионного сигнала, позволяющих определить параметры протяженного объекта и осуществить его целостное отображение в сложных условиях наблюдения. В результате использования предложенных в> работе решений повышается четкость изображения; расширяется поле зрения
телевизионной системы, измерение ряда параметров и характеристик объекта осуществляется автоматически.
Достижение поставленной в работе цели требует решения следующих основных задач:
выработать и обосновать меры адаптации существующих алгоритмов выделения объектов из фона с учетом особенностей наблюдения за протяженными объектами;
разработать методику синтеза панорамной проекции протяженного объекта при его движении относительно камеры наблюдения;
исследовать алгоритм оценки скорости протяженного объекта по телевизионному изображению;
разработать алгоритмы определения, параметров протяженных объектов на примере системы осмотра грузовых железнодорожных составов;
выполнить моделирование предложенных алгоритмов и экспериментально оценить их эффективность;
обеспечить внедрение полученных результатов в системе дистанционного осмотра грузовых железнодорожных составов.
Основные положения, выносимые на защиту:
Алгоритм определения границ протяженного объекта на сложном нестационарном фоне с использованием метода главных компонент.
Способ отображения протяженного объекта с помощью панорамной проекции (на примере железнодорожного состава).
3. Получение устойчивой оценки скорости протяженного объекта на основе
кластерного анализа векторов смещения.
4. Применение достигнутых научных результатов в системе
дистанционного осмотра грузового подвижного состава железных дорог.
Практическая ценность работы определяется тем, что на основе предложенных алгоритмов разработан ряд систем дистанционного осмотра грузового подвижного состава железных дорог, предоставляющих оператору дополнительную (по сравнению с существующими аналогами) информацию:
статические изображения вагонов с повышенным разрешением и частично исправленными геометрическими искажениями;
параметры движения состава при въезде на станцию (скорость, направление, случаи остановок);
порядковые номера вагонов и общее число вагонов в составе (даже при отсутствии габаритных ворот, предоставляющих эту информацию в аналогичных системах).
Помимо железнодорожного мониторинга, разработанные алгоритмы могут быть использованы в других областях, где требуется обработка изображений протяженных объектов.
