Содержание к диссертации
Введение
Глава 1 Обзор методов и алгоритмов обнаружения объектов контроля в системах видеонаблюдения 9
1.1 Обнаружение объектов контроля с использованием изображения фона для неподвижных систем видеонаблюдения 9
1.2 Обнаружение объектов контроля с предварительной оценкой плотности распределения яркости элементов видеоизображения 22
1.3 Эвристические методы обнаружения объектов контроля 29
1.4 Обнаружение объектов контроля для движущихся систем видеонаблюдения 35
Выводы по Главе 1 40
Глава 2 Методика решения задач обнаружения объекта контроля на видеоизображении 41
2.1 Постановка задачи обнаружения объектов контроля 41
2.2 Распределение яркости фона и объекта контроля в элементе изображения 43
2.3 Модель видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений 49
2.4 Математическая модель видеоизображения фона и движущихся объектов контроля в условиях изменяющейся освещенности 54
2.5 Постановка задачи обнаружения объекта контроля для движущихся систем видеонаблюдения 74
Выводы по Главе 2 :. 81
Глава 3 Алгоритмы обнаружение объектов контроля . 82
3.1 Двухэтапный алгоритм обнаружения, ч объектов контроля при изменяющейся освещенности
3.2 Трехэтапный алгоритм обнаружения объектов контроля при изменяющейся освещенности :.
3.3 Реализация алгоритма 87
3.4 Алгоритмы обнаружения неподвижного объекта контроля при съемке движущейся видеокамерой 94
3.5 Определение мощности шума 100
Выводы по Главе 3 105
Глава 4 Экспериментальная проверка разработанных алгоритмов обнаружения объектов контроля 106
4.1 Эффективность разработанного алгоритма при оценивании яркости фона 106
4.2 Сравнение разработанного трехэтапного алгоритма с существующими 118
4.3 Результаты экспериментальной проверки разработанных алгоритмов обнаружения объектов контроля при изменениях освещенности 120
4.4 Результаты обнаружения объектов контроля на видеоизображениях,
полученных с видеокамер, установленных на подвижных объектах 125
Выводы по Главе 4 128
Заключение 129
Литература 131
- Обнаружение объектов контроля с предварительной оценкой плотности распределения яркости элементов видеоизображения
- Распределение яркости фона и объекта контроля в элементе изображения
- Трехэтапный алгоритм обнаружения объектов контроля при изменяющейся освещенности
- Результаты экспериментальной проверки разработанных алгоритмов обнаружения объектов контроля при изменениях освещенности
Введение к работе
Диссертация посвящена исследованию и разработке методик и алгоритмов обработки видеосигналов, позволяющих расширить функциональные возможности систем видеонаблюдения с целью обнаружения объектов контроля.
Актуальность темы. В настоящее время происходит быстрое развитие систем видеонаблюдения и повсеместное внедрение их во все сферы деятельности на транспорте, на военных и промышленных объектах. Системы видеонаблюдения дополнительно к традиционному наблюдению за объектами обладают потенциальными техническими возможностями для решения целого ряда задач. По мнению специалистов компаний Cisco и IBM, создание интегрированных систем видеоаналитики является важным направлением развития систем видеонаблюдения. Актуальными задачами, которые должны решать системы видеоаналитики в ближайшем будущем, являются обнаружение, идентификация объектов и определение трасс их движения, измерение скорости движения объектов, внедрение систем видеонаблюдения в автоматизированные системы управления технологическими процессами (АСУ ТП), работающих в режиме реального времени, а также эффективное использование каналов передачи данных за счет предобработки сигналов и передачи технической (аналитической) информации вместо передачи видеоизображения.
Теоретическим и практическим вопросам разработки алгоритмов, способов, методов и устройств для обнаружения объектов контроля посвящены работы российских ученых Белоцерковского О.М., Глазунова А.С., Горелика А.Л., Гуревича И.Б., Пешкова Н.Н, Скрипкина В.А., Сойфера В.А., Ташлинского А.Г., и др. и зарубежных ученых Wren С, Azarbayejani A., Darrell Т., Pentland A., Stauffer С, Grimson W., Elgammal A., Harwood D., Kim К., Szirany Т., и др.
Существующие алгоритмы обнаружения объектов контроля используют методы математической статистики. Использование этих методов позволяет проектировать оптимальные и квазиоптимальные алгоритмы согласно выбранному критерию. Несмотря на наличие многочисленных исследований в этой области, следует отметить, что наибольшее внимание уделяется раздельному изучению статистических характеристик изображения, соответствующих либо объекту контроля, либо фону. В результате чего ранее разработанные алгоритмы характеризуются невысокой достоверностью обнаружения объектов контроля в условиях изменяющейся освещенности.
Постоянно растущие требования к точности измерений при сборе технической (аналитической) информации в системах видеоаналитики предполагают повышение достоверности обнаружения объектов контроля при определении их местоположения. Это говорит о том, что повышение достоверности обнаружения при движении объектов контроля и видеокамеры относительно друг друга является актуальной задачей, требующей своего решения.
Данная диссертационная работа посвящена разработке алгоритмов, позволяющих повысить достоверность обнаружения объектов контроля за счет учета совокупных статистических характеристик изображений как «объектов контроля», так и «фона», а также компенсации мешающих факторов, возникающих в процессе съемки.
Целью работы является разработка алгоритмов обработки сигналов видеоизображения для обнаружения объектов контроля при движении объектов контроля и видеокамеры относительно друг друга.
Основные задачи, решаемые в диссертационной работе для достижения поставленной цели:
Анализ существующих методов и алгоритмов обнаружения объектов контроля.
Разработка математической модели видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений.
Разработка методики и алгоритмов обнаружения объектов контроля при изменяющейся освещенности.
Разработка методики и алгоритмов обнаружения объектов контроля для подвижной видеокамеры.
Компьютерное моделирование и экспериментальная проверка разработанных алгоритмов обнаружения.
Методы исследования
Для проведения исследования в работе использованы методы теории вероятностей и случайных процессов, статистической теории систем связи. Для проведения расчетов использован пакет прикладных программ MathCad и MatLab.
Научная новизна заключается в следующем:
Предложена математическая модель для описания объектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.
Предложена методика и разработан алгоритм обнаружения движущихся объектов контроля в сложных условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.
Предложена методика и разработан алгоритм обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанные на анализе плотности вероятности яркостей и геометрических параметров объектов.
Практическая ценность работы
Разработано программное обеспечение систем видеонаблюдения, позволившее проводить обнаружение объектов контроля в сложных погодных условиях при изменяющейся освещенности.
Разработана система компьютерного моделирования для оценки качества работы алгоритмов обнаружения объектов контроля.
Основные положения, выносимые на защиту:
Математическая модель для описания объектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.
Методика обнаружения объектов контроля изображений в условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.
Методика обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанная на анализе плотности вероятности яркостей и геометрических параметров объектов.
Достоверность основных результатов работы по указанным положениям обеспечивается выбором методов статистической теории принятия решений, теории
оценивания, методов компьютерного моделирования, подтверждением теоретических результатов натурными экспериментами.
Апробация работы. Основные результаты диссертационной работы доложены и обсуждены на следующих конференциях и семинарах: XVI, XVII российской научной конференции ППС, научных сотрудников и аспирантов (Самара, 2009 -
гг.); X международной научно-технической конференции «Проблемы техники и технологий в телекоммуникациях» (Самара, 2009 г.); X международной научно-методической конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2010 г.); XI Международная научно-техническая конференция «Оптические технологии в телекоммуникациях» (Уфа, 2010 г.); XIII Международная конференция «Проблемы управления и моделирования в сложных системах» (Самара,
г.); X Международная научно-техническая конференция «Физика и технические приложения волновых процессов» (Самара, 2011 г.).
Реализация результатов работы.
Результаты работы использованы ЗАО НПЦ ИНФОТРАНС (г. Самара), а также в учебном процессе кафедры систем связи ПТУ ТИ. Реализация результатов работы подтверждена соответствующими актами.
Публикации. По теме диссертации опубликовано 19 печатных работ, в том числе 3 печатные работы в изданиях перечня, рекомендованных ВАК, а также 2 авторских свидетельств о государственной регистрации программ на ЭВМ.
Структура и объем работы. Работа состоит из введения, четырех глав и заключения, изложенных на 140 страницах машинописного текста, списка использованных источников из 113 наименований и 3 приложений на 10 страницах. Диссертационная работа содержит 37 рисунков и 5 таблиц. Общий объем диссертации 150 страниц.
Обнаружение объектов контроля с предварительной оценкой плотности распределения яркости элементов видеоизображения
Недостатком данного способа является зависимость скорости обновления а от изменения заднего плана, при котором приходиться искать компромиссные решения. При выборе низкой скорости обновления а формируется модель, которая с трудом описывает резкие изменения заднего плана, в первую очередь при изменении освещенности. При выборе высокой скорости обновления а, медленно движущиеся объекты контроля (либо остановившиеся на короткое время) становятся частью заднего плана. И в первом и во втором случае это приводит к пропуску обнаружению посторонних объектов или ошибочному обнаружению.
Метод [2] при определении появления объектов контроля на видеоизображении использует медианный фильтр для формирования модели заднего плана. Если используется черно-белое видеоизображение, то каждому пикселю в соответствие ставиться значение яркости, полученное после медианной фильтрации. Если же используется цветное видеоизображение - то вектор яркости, также полученный после медианной фильтрации для каждого канала в отдельности. На этапе обнаружения вычисляется модуль расстояния между значением яркости пикселя обрабатываемого в данный момент изображения и соответствующего ему значению яркости пикселя в модели заднего плана. Если вычисленное значение превышает установленный порог, то пиксель классифицируется как объект контроля, в противном случае - как задний план.
Недостатком метода является низкая скорость обработки, так как при формировании модели заднего плана используется медианный фильтр, для которого необходимо проведение операции сортировки значений по убыванию или возрастанию. Другим недостатком метода является выбор порога, по которому происходит классификация постороннего объекта или заднего плана. Выбор низкого порога приводит к повышению ошибочного обнаружения объектов контроля из-за резких изменений заднего плана, в первую очередь это изменение освещенности. Выбор высокого порога приводит к не обнаружению объектов контроля.
В способе [14] полагается, что плотность вероятности яркости каждого элемента (пикселя) заднего плана подчиняется нормальному закону распределения (распределению Гаусса), и оценку яркости каждого элемента заднего плана проводится путем вычисления среднего значения яркости по последовательности кадров. Определение появления объекта контроля в элементе изображения происходит, если отклонение яркости элемента изображения от среднего значения превышает среднеквадратическое отклонение яркости, умноженное на установленный порог. На анализируемом изображении элемент помечается как посторонний объект, если отклонение яркости от математического ожидания /и больше За ( 7 -среднеквадратическое отклонение). Модификация данного способа состоит в выборе двух порогов - 3(7 и 6(7. Если на анализируемом изображении отклонение яркости пикселя от математического ожидания ju меньше 3(7, то пиксель классифицируется как задний план, если больше 6(7 - как посторонний объект, в противном случае решение о данном пикселе не принимается. Над полученным изображением-маской проводят операции эрозии и дилатации, при этом морфологические операции не проводятся над элементами, для которых не вынесено решений. Кроме того, для формирования модели заднего плана используются только те пиксели, которые являются «зрелыми» и «стабильными». Под этими понятиями понимают следующее: «зрелый» - для определения математического ожидания и среднеквадратичного отклонения использовалось N и более изображений, где число N определяется исследователем, «стабильный» -среднеквадратичное отклонение меньше установленного порога. Для тех пикселей, которые не удовлетворяют этим критериям, не выносится решений о том, являются ли они частью заднего плана или постороннего объекта. Для всех остальных пикселей решение принимается точно также как и в первом подходе. Модификация этого подхода состоит в параллельном формировании модели заднего плана на основе анализируемых изображений и постепенной замене соответствующих элементов из дополнительной в основную модель заднего плана. Тем самым достигается адаптация к объектам, появившимся уже после первоначального формирования модели заднего плана.
Недостатком данного способа является невозможность быстрой адаптации модели заднего плана к изменениям освещенности, что приводит к высокому уровню ложного обнаружения и низкой обнаруживающей способности. Также данный способ не подходит для обнаружения посторонних объектов, где наблюдается постоянное движение (например, участок автострады), так как большинство элементов изображения не будут являться «стабильными», так как наличие постоянного движения приводит к высокой дисперсии.
Таким образом, алгоритмы обнаружения объектов контроля, в которых полагалось, что плотность вероятности яркости каждого элемента (пикселя) заднего плана подчиняется нормальному закону распределения, оценивали яркость заднего плана как среднее значение или медиану, а само обнаружение сводилось к выбору порогу. Однако дальнейшие исследования алгоритмов этой группы показали, что они имеют серьезные недостатки, которые в целом сводятся к следующему: элемент изображения заднего плана может быть охарактеризован только одним значением яркости только при условии, что он принадлежит статичному объекту (например, асфальту, столбу, стволу дерева и т.д.), динамические объекты (например, плывущие облака, колышущиеся ветки деревьев, гладь воды и т.д.) необходимо описывать несколькими значениями яркости;
Распределение яркости фона и объекта контроля в элементе изображения
Решаемая задача предполагает наличие сигнала яркости b(t), который соответствует фону, сигнала яркости fit), который соответствует объекту контроля, и сигнала помехи n(t), основными источниками которого является шум светочувствительной матрицы и вибрация видеокамеры. Если в момент времени t в I-том элементе изображения присутствует фон, то будет наблюдаться сумма сигналов bj{t) + nj{t), если в элементе изображения присутствует объект контроля, то будет наблюдаться сумма сигналов f, (t)+n, (t). Это утверждение можно записать в виде: где x,(t) - яркость / -того элемента изображения в момент времени г, в = 1, если верна гипотеза Нь; в = 0, если верна гипотеза Н f; Hh - гипотеза о наличии сигнала фона; Н г - гипотеза о наличии сигнала объекта контроля.
Обработка сигналов видеоизображений происходит в цифровом виде. Цифровой сигнал - это сигнал данных, у которого каждый из представляющих параметров описывается функцией дискретного времени и конечным множеством возможных значений [29]. Другими словами, отсчеты яркости наблюдаемого сигнала берутся в дискретные моменты времени, отстоящие друг от друга на одинаковый интервал времени (период следования кадров).
Опустим символ /, считая, что для каждого элемента изображения применима формула (2.1). При работе с цифровыми сигналами формула (2.1) запишется в виде: где символ ()( обозначает значение яркости в /-тый момент времени. Выражение (2.2) является одной из известных формул в статистической теории систем радиотехники и связи (СТРТС) [22]. Рассматриваемая задача обнаружения объектов контроля представляет собой частный случай задачи различения сигналов в СТРТС.
Задача различения сигналов ставится корректно, когда об ожидаемых сигналах имеется достаточный объем информации, т.е. известны вид или форма сигналов, при этом допускается, что часть параметров сигналов неизвестны, но имеются их статистические характеристики [22].
Для определения статистических характеристик сигналов рассмотрены три частных случая:
Если на месте /-того элемента (пикселя) изображения постоянно наблюдается фон Ъ (рис. 2.1), и, исходя из предположения, что яркость фона в элементе изображения меняется сравнительно медленно и на интервале анализа является практически постоянной величиной ть, то в таком случае плотность вероятности яркости можно описать дельта-функцией:
Плотность вероятности яркости шума п описывается нормальным законом распределения с нулевым средним [1,3, 17, 18, 25, 26]: ( 2 Л
Плотность вероятности яркости р(х Hh)
Если на месте / -того элемента (пикселя) изображения постоянно наблюдаются объекты контроля /. Рассмотрим, к примеру, постоянно движущийся поток машин (рис. 2.3), которые двигаются так близко друг к другу, что элемент изображения всегда заслонен одной из машин. тый пиксель изображения Рисунок 2.3 - На последовательности кадров в / -том элементе наблюдается только объекты контроля
Машины могут быть различных оттенков яркости и ни одному из градаций яркости нельзя отдать предпочтения. В таком случае плотность вероятности яркости элемента изображения имеет вид равномерного распределения: где /min,/max - минимальное и максимальное значение яркости, которые способна фиксировать видеокамера, соответственно.
Найдем плотность вероятности рух \ Н ) наблюдаемого сигнала х при условии, что справедлива гипотеза Нf, то есть если JC, = ft +nt. Обозначим плотность вероятности яркости объекта контроля как P\(f) и плотность вероятности шума как р2(п), чтобы различать их друг от друга. Чтобы найти плотность вероятности суммы случных величин, положим, что величины являются независимыми, и воспользуемся теорией математической статистики [21]:
При этом плотность вероятности яркости этого элемента изображения будет описываться смесью двух распределений [31]: суммой распределения яркости фона элемента изображения, помноженного на априорную вероятность наличия сигнала фона Р{НЬ}, и распределения яркости элемента, заслоненного объектом контроля, помноженного на априорную вероятность наличия сигнала объекта контроля Р\Н г }:
Модель видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений
Разобьем решаемую задачу на два этапа. На первом этапе производится оценка яркости фона. На втором этапе определяется появление объекта контроля с использованием оценки яркости фона, полученной на первом этапе. Ниже рассмотрены способы оценки яркости фона и обнаружения объекта контроля в элементе изображения.
Трехэтапный алгоритм обнаружения объектов контроля при изменяющейся освещенности
Параметры Р{НЬ}, Р\НЛ имеют смысл априорных вероятностей наличия сигнала фона и объекта контроля и используются для оценивания яркости фона в элементе изображения и для вычисления порога обнаружителя. На практике эти вероятности недоступны. Однако результаты компьютерного моделирования, приведенные в Главе 4, показывают, что незнание априорных вероятностей приводит лишь к незначительным погрешностям оценки яркости фона в элементе изображения. Для вычисления порога обнаружителя можно воспользоваться критерием Неймана-Пирсона [112].
В-третьих, модель наблюдаемого сигнала яркости при изменении освещенности, которая описывается выражением (2.23): является идеализированной. В действительности контрастность видеоизображения а{ и яркость видеоизображения Д. не для всех элементов изображений не будут одинаковыми величинами в і-ТІШ момент времени. Эти параметры только приблизительно описывают те изменения яркости, которые происходят на видеоизображении. Кроме того, не все элементы изображения, которые классифицированы как «фон» и используются для оценки а и Д в действительности могут относиться к «объекту контроля». Для решения этих проблем, третий этап выполняется в несколько итераций. После каждой итерации значения а и Д определяются повторно, так как часть элементов изображения, помеченные как «фон», при очередной итерации могут стать помеченными как «объект контроля», и наоборот: часть элементов изображения, помеченные как «объект контроля», при очередной итерации могут стать помеченными как «фон». С учетом этих ограничений, третий этап реализуется следующим образом.
После выполнения второго этапа, по тем элементам изображения, что классифицированы, как «фон» производиться оценка параметров а и р по формуле (3.12). Обозначим их: а0, Д - оценка контрастности видеоизображения и яркости видеоизображения после предварительного определения появления объекта контроля. Дальнейшее обнаружение объектов контроля происходит в несколько итераций, для этого: видеоизображения и яркость видеоизображения, оценка которых производится по формуле (3.12) после j-\ итерации. Такая процедура позволила повысить достоверность обнаружения. Основную мысль этого способа обнаружения иллюстрирует рис. 3.1. Как можно увидеть, на каждой итерации «уменьшается неопределенность» яркости фона из-за того, что «уменьшаются» параметры оа}, ар} на каждой итерации, достоверность обнаружения будет повышаться.
Алгоритм обнаружения объекта контроля при изменяющейся освещенности На этапе «Инициализация» устанавливаются параметры: Р{НЬ }, Р{яf }, 7п, 7а, On. Выбирается количество итераций к итеративного обнаружения объекта контроля и для каждой итерации устанавливаются параметры
На этапе «Предварительное определение появления объекта контроля» вычисляются вероятность р(х Нь) по формуле (2.44), где вместо переменной ть подставляется значение ть и рух \ Иг) по формуле (2.54). Если р(х НЬ)-Р{НЬ} р[х Нг )-Р\Н, j, то соответствующий элемент изображения помечается как относящийся к «объекту контроля». В противном случае соответствующий элемент изображения помечается как относящийся к «фону».
На этапе «Определение появления объекта контроля с учетом изменений освещенности» по изображению-маске и кадру видеоизображения проводят оценку контрастности а и изменения яркости из-за изменения освещенности р согласно формуле (3.12). Использую вычисленные значения сг и /3 изображения помечается как относящийся к «объекту контроля». В противном случае соответствующий элемент изображения помечается как относящийся к «фону».
Завершение работы осуществляется по сигналу выхода из программы. Алгоритмы обнаружения неподвижного объекта контроля при съемке движущейся видеокамерой
Для разработки алгоритмов обнаружения неподвижного объекта при съемке движущейся камеры использовалась двухэтапная последовательная процедура классификации данных (параграф 2.5), когда на первом этапе определяются фрагменты изображения, которые могут быть отнесены к «объекту контроля», а на втором этапе проводиться анализ найденных фрагментов для принятия решения о наличии объекта.
Рассмотрим задачу обнаружения рельсовой плети из примера 1 (параграф 2.5), которая покажет принципы построения алгоритма обнаружения. Для определения местоположения рельсовой плети к анализируемому изображению применялся детектор краев, который выделяет высокие перепады яркости, так что на полученном изображении рельсы приняли вид двух прямых линий (см. рис. 2.12), параметры которых необходимо оценить.
На первом этапе изображение делиться на фрагменты. Чтобы определить, какие из фрагментов могут быть отнесены к «объекту контроля» (рельсу), а какие к «фону», определим вероятностные характеристики их изображений. Обозначим плотность распределения яркости сигнала «объекта» как gf{f), который соответствует яркости рельса (на изображении после применения детектора краев). Яркость рельса близка к максимальному значению. Однако, из-за щебня, окружающего рельсы, в отдельных фрагментах изображения, в некоторых местах наблюдаются «пропадания прямой» (см. рис. 3.3).
Результаты экспериментальной проверки разработанных алгоритмов обнаружения объектов контроля при изменениях освещенности
На рис. 4.10 представлено изображение (а) - изображение фона, полученное в блоке «Оценивание»; (б) кадр, получаемый с видеокамеры; (в) изображение-маска, полученное в блоке «Предварительное определение появления объекта контроля»; (г), (д), (е) первая, вторая, третья итерация изображения-маски соответственно, полученные в блоке «Определение появления объекта контроля с учетом контрастности». В результате работы алгоритма большая часть изображения из-за изменения освещенности было классифицировано как объект контроля (автомобили), однако, последующая обработка показала, какие участки изображения в действительности содержат объекты контроля. Существующие алгоритмы обнаружения (Pfinder [1], MoG [3], KDE [4], Codebook [6]) в таких условиях эксплуатации перестали функционировать (см. Приложение В), что подтверждает повышение достоверности обнаружения объектов контроля разработанным алгоритмом.
На рис. 4.11 представлено изображение (а) - изображение фона, полученное в блоке «Оценивание»; (б) кадр, получаемый с видеокамеры; (в) изображение-маска, полученное в блоке «Предварительное определение появления объекта контроля»; (г), (д), (е) первая, вторая, третья итерация изображения-маски соответственно, полученные в блоке «Определение появления объекта контроля с учетом контрастности». В результате работы алгоритма часть изображения из-за изменения освещенности была классифицировано как объект контроля (вагон, локомотив, автомобиль), однако, последующая обработка показала, что эти участки изображения принадлежали фону. Существующие алгоритмы обнаружения (Pfinder [1], MoG [3], KDE [4], Codebook [6]) в таких условиях эксплуатации перестали функционировать (см. Приложение В), что подтверждает повышение достоверности обнаружения объектов контроля разработанным алгоритмом.
На рис. 4.12 представлено изображение (а) - изображение заднего плана, полученное в блоке «Оценивание»; (б) кадр, получаемый с видеокамеры; (в) изображение-маска, полученное в блоке «Предварительное определение появления объекта контроля». В сложных погодных условиях снегопада существующие алгоритмы (Pfinder [1], MoG [3], KDE [4], Codebook [6]) перестают функционировать (см. Приложение В), в то время как разработанный алгоритм обнаружения сохраняет свою работоспособность.
Экспериментальная проверка алгоритма обнаружения в сложных погодных условиях снегопада Результаты обнаружения объектов контроля на видеоизображениях, полученных с видеокамер, установленных на подвижных объектах
На рис. 4.13 представлено изображение (а) - кадр, получаемый с видеокамеры; (б) результат обнаружения рельсов, определяющих местоположения рельсовой плети. По рис. 4.13 видно, что алгоритм обнаружения позволяет верно определить местоположение рельсовой плети.
На рис. 4.14 представлено изображение (а) - кадр, получаемый с видеокамеры; (б) результат обнаружения пешеходного перехода. По рис. 4.14 видно, что алгоритм обнаружения позволяет верно определить местоположение пешеходный переход через железнодорожные пути.
На рис. 4.15 представлено изображение (а) - кадр, получаемый с видеокамеры; (б) результат обнаружения рисок для определения местоположения сварного стыка. По рис. 4.15 видно, что следы отметин от старых рисок не помечаются как обнаруженные «объекты контроля», что соответствует правильной работе алгоритма обнаружения.
На рис. 4.15 представлено изображение (а) - кадр, получаемый с видеокамеры; (б) результат обнаружения рисок для «маячной» шпалы. По рис. 4.16 видно, что риски смещены относительно друг друга на шесть пикселей. Это соответствует физическому смещению на три миллиметра.
1. Анализ методов и алгоритмов обнаружения «объектов контроля» показал, что существующие алгоритмы разработаны на основании вероятностных методов, однако, для систем видеонаблюдения с неподвижными видеокамерами учитываются только статистические характеристики сигнала яркости, соответствующие «фону», а для движущихся систем наблюдения - «объекту контроля», что ухудшает достоверность обнаружения разработанных алгоритмов; проблема изменений освещенности рассматривается только в некоторых алгоритмах, но решение этой задачи не производится.
2. Разработанная математическая модель видеоизображения «фона» и «объектов контроля» на основе совокупных статистических характеристик их изображений позволяет принимать решение по совместной плотности вероятности яркостей элементов изображения.
3. Разработанная методика и алгоритм обнаружения «объектов контроля» в сложных условиях при изменяющейся освещенности характеризуются тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.
4. Предложено повысить достоверность обнаружения «объектов контроля» за счет обработки видеоизображения в три этапа: оценивания изображения фона, предварительного обнаружения и повторного обнаружения с учетом оценки изменений освещенности.
5. Разработанная методика обнаружения неподвижных «объектов контроля» при съемке движущейся видеокамерой позволила проводить достоверное обнаружение «объектов контроля», основанное на анализе плотности вероятности яркостей и геометрических параметров объектов.
6. Компьютерное моделирование показало, что разработанный алгоритм обнаружения «объектов контроля» при изменениях освещенности снижает вероятность ошибки обнаружения объекта контроля до 2-3 %, что ниже, чем у существующих алгоритмов-аналогов; в ходе экспериментальной проверки алгоритм, разработанный для движущихся систем наблюдения, показал высокую достоверность обнаружения «объектов контроля», а для систем с неподвижной видеокамерой показал высокую достоверность обнаружения в сложных погодных условиях при изменяющейся освещенности.
7. Разработанное программное обеспечение систем видеонаблюдения дало возможность обнаруживать движущиеся «объекты контроля» в сложных погодных условиях при изменяющейся освещенности и неподвижные «объекты контроля» (для движущихся видеокамер), которые отличаются от «фона» своими яркостными характеристиками и геометрическими параметрами.
