Математическое и программное обеспечение процессов параллельной и распределенной обработки графической информации в реальном масштабе времени тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Пахомова Олеся Анатольевна

• Пахомова Олеся Анатольевна
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Пахомова Олеся Анатольевна

Введение

Глава 1 Основные подходы к обработке графической информации в реальном масштабе времени

1.1 Современное состояние проблемы детектирования динамических объектов в видеоаналитических системах

1.1.1 Понятие, структура и области применения видеоаналитических систем

1.1.2 Степень разработанности проблемы автоматического распознавания движущихся объектов на видеопоследовательностях

1.2 Методы обработки серий последовательных динамических изображений для детектирования объектов интереса

1.2.1 Модель вектора движения объекта в концепции устранения временной избыточности на видеопоследовательностях

1.2.2 Обзор подходов к обработке динамических изображений для поиска векторов движения отдельных частей объектов

1.3 Идентификация динамических объектов на изображениях

1.3.1 Понятие сегментации. Основные подходы к сегментированию изображений

1.3.2 Градиентный подход к обработке изображений с целью выделения границ объекта интереса

1.4 Постановка задач исследования

Глава 2 Математическое обеспечение процесса формирования синтетического кадра динамического объекта на основе результата сегментации

видеопоследовательности

2.1 Математическая модель создания первоначальных зон из множества сегментов последовательных изображений

2.1.1 Определение динамического соседства

2.1.2 Определение весов взаимодействия и правила их обновления

2.1.3 Обновление пространственных векторов сегментов обработанных изображений

2.1.4 Конструирование начальных зон интереса

2.2 Математическое обеспечение процесса перераспределения связанных сегментов последовательных изображений

2.2.1 Предварительная миграция неприкрепленных связанных сегментов с зоной интереса

2.2.2 Исключение неподходящих присоединенных сегментов из зоны интереса

2.2.3 Перераспределение исключенных сегментов

2.3 Формализация оценки схожести и слияния зон интереса

2.3.1 Кодирование начальных зон интереса

2.3.2 Оценка схожести зон интереса

2.3.3 Мутация закодированных зон интереса и формирование конечного результата

2.4 Выводы

Глава 3 Алгоритм обработки изображений для детектирования динамических объектов на видеопоследовательностях

3.1 Слежение за динамическими объектами на изображениях на основе алгоритма компенсации движения

3.1.1 Поблочный метод машинной графики для оценки движения

3.1.2 Иерархический адаптивный алгоритм машинной графики на основе ортогонального поиска

3.2 Алгоритм обработки изображений для идентификации динамических объектов

3.2.1 Описание этапа предобработки изображения с помощью фильтра Гаусса

3.2.2 Алгоритм машинной графики Кенни для обнаружения границ объекта

3.2.3 Постобработка изображений методами математической морфологии и линейной интерполяции множества точек

3.2.4 Алгоритм сравнительного анализа графических объектов на основе метода инвариантных моментов

3.3 Выводы

Глава 4 Программное обеспечение системы детектирования динамических объектов на видеопоследовательностях

4.1 Взаимодействие структурных компонентов системы видеоаналитики

4.1.1 Модуль захвата и предобработки изображений

4.1.2 Модуль детектирования динамических объектов

4.1.3 Модуль распознавания объектов

4.1.4 Система принятия решений

4.2 Программная реализация модуля детектирования динамических объектов на видеопоследовательностях

4.2.1 Сведения о программной платформе

4.2.2 Взаимосвязи программных классов модуля детектирования динамических объектов

4.2.3 Программное обеспечение настройки встраиваемого модуля детектирования динамических объектов

4.3 Экспериментальные результаты

4.3.1 Оценка эффективности предложенного алгоритма детектирования динамических образов

4.3.2 Сравнительный анализ эффективности современных алгоритмов детектирования динамических образов

4.4 Выводы

Заключение

Список литературы

116

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение процессов параллельной и распределенной обработки графической информации в реальном масштабе времени»

Введение

Актуальность темы. В настоящее время наблюдается тенденция увеличения числа задач, относящихся к области обработки цифровых изображений, таких как детектирование и отслеживание траекторий движения, мониторинг оставленных предметов, классификация и идентификация объектов, распознавание ситуаций и т.д. Методы получения и обработки визуальной информации, обеспечивающие повышение качества анализа, распознавания и интерпретации зрительных образов для систем видеоаналитики, являются важнейшей составляющей для процесса принятия решений в реальном масштабе времени.

Создание моделей и алгоритмов, а также программных средств обработки изображений, а также средств параллельной и распределенной обработки графической информации являются приоритетными направлениями науки и техники, поскольку их использование открывает широкий спектр возможностей решения автоматизации рутинных задач и увеличения скорости и точности принятия решений.

Одной из важнейших задач обработки видеопоследовательностей является обнаружение, ведение, классификация и распознавание динамических объектов при наличии различного рода помех, кратковременных выходов из зоны видимости объектов интереса в условиях реального времени. Решение подобного рода задач включает этапы установления соответствия между различными частями последовательных снимков, нахождения траектории их движения, вычисление их динамических характеристик и сопоставление их с объектом реального мира.

Успешное решение проблемы обнаружения динамических объектов при обработке серии последовательных снимков является необходимым для разработки интеллектуальных систем, способных к точной оценке внешней среды и выполнению необходимых действий в условиях реального времени.

Вопросы классификации и распознавания динамических объектов при обработке графических данных исследовались в работах Дворковича А.В.,

Фаворской М.Н., Кустиновой А.В., Пастушкова В.Д., Шепелова К.В. и других. Однако следует отметить, что проблемам точности обнаружения векторов перемещений и созданию синтетического кадра, содержащего комбинацию частей объекта наблюдения для последующего анализа, уделяется недостаточно внимания.

В качестве базовых критериев, связанных с повышением эффективности детектирования динамических объектов в реальном времени, можно выделить следующие: минимизация задержек и потерь объектов из видимости, максимизация скорости и точности обнаружения.

Таким образом, актуальность темы диссертационной работы обусловлена необходимостью повышения эффективности детектирования динамических объектов при обработке последовательных изображений на основе дальнейшего развития подхода к оценке их перемещений и формирования синтетических кадров, позволяя достраивать недостающие их части, возникшие из-за выхода из зоны наблюдения, для последующего анализа и процедуры принятия решения.

Работа выполнена в ФГБОУ ВО «Воронежский государственный технический университет» в рамках научного направления «Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель и задачи исследования. Цель работы заключается в повышении качества детектирования динамических объектов на основе разработки математических моделей и алгоритмов обработки изображений, обеспечивающих высокую точность оценки движений и построение их синтетических кадров в реальном масштабе времени.

Для достижения цели в диссертационной работе необходимо решить следующие задачи:

- разработать алгоритм обработки последовательных изображений, обеспечивающий слежение за динамическими объектами;

- создать математическую модель обработки сегментированных изображений для формирования зон интереса динамических объектов;

- разработать алгоритм обработки последовательных изображений для

установления принадлежности обнаруженных динамических объектов к классу интересующих объектов;

- создать встраиваемое программное средство параллельной и распределенной обработки графических данных для эффективной организации взаимодействия программных подсистем, входящих в систему видеоаналитики;

- провести численные эксперименты для анализа эффективности использования предложенного математического и программного обеспечения процесса обработки изображений в условиях реального времени.

Объект исследования: процессы обработки изображений в реальном масштабе времени.

Предмет исследования: математическое и программное обеспечение параллельной и распределенной обработки графических данных для эффективной организации взаимодействия программных подсистем, входящих в систему видеоаналитики.

Методы исследования. В качестве теоретической и методологической основы диссертационного исследования использованы методы теории математического моделирования, методы оценки числовых характеристик объектов, объектно-ориентрованного программирования, методы поблочной оценки движения объектов, такие как иерархический и ортогональный поиск, детекторы границ объектов, а также методы математической морфологии и линейной интерполяции.

Тематика работы соответствует пунктам паспорта специальности 05.13.11: п. 3 «Модели, методы, алгоритмы, языки и программные инструменты для организации взаимодействия программ и программных систем», п. 7 «Человеко-машинные интерфейсы; модели, методы, алгоритмы и программные средства машинной графики, визуализации, обработки изображений, систем виртуальной реальности, мультимедийного общения», п. 8 «Модели и методы создания программ и программных систем для параллельной и распределенной обработки данных, языки и инструментальные средства параллельного программирования».

Научная новизна. В работе получены следующие результаты,

отличающиеся научной новизной:

- комплексный алгоритм детектирования динамических объектов, отличающийся набором базовых аналитических решений для обеспечения повышенной точности и скорости обнаружения, слежения и идентификации в реальном масштабе времени;

- иерархический алгоритм ортогонального поиска для обработки графических данных, отличающийся применением принципа компенсации движения и ориентацией на преимущественное направление и скорость перемещений, обеспечивающий улучшенный поиск схожих частей объектов;

- математическая модель процесса формирования синтетического кадра, отличающаяся обработкой множества сегментов динамического объекта, их локализацией, оценкой схожести и слиянием зон интереса, вычисляя их внутреннюю однородность и глобальное межрегиональное различие, обеспечивающая идентификацию образов с повышенной точностью;

- комплексный алгоритм обработки изображений для эффективной идентификации динамических объектов, отличающийся реализацией процедуры шумоподавления, детектирования границ, постобработкой для устранения разрывов контуров, а также сравнением полученных контуров объекта с шаблоном на основе инвариантных моментов, не чувствительных к изменению масштаба и поворота;

- архитектура параллельной и распределенной обработки графических данных, отличающаяся использованием параллелизма при анализе нескольких видеопотоков, нахождением межкадровой разницы, независимым формированием синтетических кадров, обеспечивающая получение результата с приемлемой точностью и кадровой частотой, необходимой для системы реального времени;

- структурная модель организации взаимодействия программных модулей системы видеоаналитики, отличающаяся делегированием задач обнаружения, слежения и определения принадлежности классу объектов интереса, выполняемых модулем распознавания, встраиваемой части детектирования динамических образов для обеспечения более точного и быстрого результата

распознавания.

На защиту выносятся следующие научные положения:

1. Комплексный алгоритм обработки последовательных изображений для детектирования динамических объектов, отличающийся набором базовых аналитических решений и включением этапов иерархического ортогонального поиска и формирования синтетического кадра, обеспечивает повышенную точность и скорость обнаружения, слежения и идентификации образов в условиях реального времени.

2. Иерархический алгоритм ортогонального поиска, основанный на принципе компенсации движения и учете преимущественной скорости и направления перемещений, позволяет улучшить поиск схожих частей объектов.

3. Математическая модель процесса формирования синтетического кадра, использующая оценку однородности и слияние множества сегментов динамического объекта, идентифицирует динамические образы с повышенной точностью.

4. Структурная модель организации взаимодействия программных модулей системы видеоаналитики со встроенной подсистемой детектирования динамических объектов более точно распознает образы в масштабе реального времени.

Практическая значимость. Программная реализация обеспечивает повышенную точность обнаружения, слежения и идентификации динамических образов на основе серии последовательных изображений, поступающих на обработку в режиме реального времени. Разработанные в настоящей исследовательской работе модели и алгоритмы могут быть использованы для встраивания в уже существующие видеоаналитические системы для повышения качества распознавания движущихся объектов. На элементы программных средств получены свидетельства о государственной регистрации.

Реализация и внедрение результатов работы. Теоретические и практические результаты исследований, реализованные в виде программного модуля обработки серий последовательных изображений в режиме реального

времени, получили внедрение в распределенную систему видеоаналитики в ООО «Ангелы АйТи» (г. Воронеж).

Основные результаты внедрены в учебный процесс Воронежского государственного технического университета в рамках дисциплины «Вычислительные машины, системы и сети», а также в рамках курсового и дипломного проектирования.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: XXII Международной открытой научно-практической конференции «Modern informatization problems in economics and safety» (США, 2017); Международной научно-технической конференции «Информационные технологии в управлении, автоматизации и мехатронике» (Курск, 2017); Международной научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2017); IV Международной научно-практической конференции «Интеграция современных научных исследований в развитие общества» (Кемерово, 2017); Всероссийской конференции с международным участием «Интеллектуальные информационные системы» (Воронеж, 2017); I Всероссийской научной конференции «Информационные технологии в моделировании и управлении: подходы, методы, решения» (Тольятти, 2017); Всероссийской научно-практической конференции «Молодежная наука в развитии регионов» (Пермь, 2017); V Международной научно-технической конференции «Фундаментальные научные исследования: теоретические и практические аспекты» (Кемерово, 2017); 28-й Всероссийской научно-практической конференции по графическим информационным технологиям и системам «КОГРАФ-2018» (Нижний-Новгород, 2018); Международной научной конференции «Актуальные проблемы прикладной математики, информатики и механики» (Воронеж, 2018); Седьмой Всероссийской научно-практической конференции «Решение» (Пермь, 2018); III Всероссийской научно-практической конференции «Информационные технологии в науке и управлении» (Махачкала, 2018); Седьмом Международном научном семинаре «IWMMA'18» (Красноярск,

2018); V Международной конференции «Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство» (Казань, 2019).

Публикации. По теме опубликованы 25 научных работ, отражающих основные положения исследования, в т.ч. 2 статьи в журналах, индексируемых в международных базах цитирования Scopus, 4 статьи в журналах, рекомендованных ВАК РФ, 2 свидетельства о государственной регистрации программ для ЭВМ.

В рамках, опубликованных в соавторстве и приведенных в автореферате, личный вклад соискателя состоит в [92, 94] - место встроенного модуля детектирования в общей структуре распределенной системы видеоаналитики, основные входящие и исходящие потоки данных, а также анализ повышения точности и скорости распознавания в реальном масштабе времени после внедрения; [43, 47, 94] - алгоритм построения синтетического кадра на основе серии последовательных снимков; [41, 57, 40] - процедура обнаружения движущихся объектов на видеопоследовательностях в среде MATLAB, основанная на детекторе границ Кенни; [52] - обзор градиентных методов обнаружения контуров объектов на изображениях; [35] - алгоритмы и модели параллельно-последовательной обработки данных, [56] - интеграция модуля распознавания в структуру видеоаналитической системы, анализ эффективности обнаружения динамических объектов и возможностей ее улучшения; [38] - анализ современных методов сегментации; [46, 51] - алгоритм устранения разрывов границ детектированного объекта.

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Она содержит 129 страниц, 30 рисунков и 5 таблиц. Список библиографических источников включает 115 наименований.

Глава 1 Основные подходы к обработке графической информации в

реальном масштабе времени

1.1 Современное состояние проблемы детектирования динамических объектов в видеоаналитических системах

1.1.1 Понятие, структура и области применения видеоаналитических систем

Под видеоаналитикой понимают математическое и программное обеспечение обработки изображений, реализующее методы компьютерного зрения и предназначенное для решения узкоспециализированных задач, таких как классификация и распознавание объектов реального мира, отслеживание траекторий их движений, анализ активности, детектирование событий, анализ поведения человека и т.д. [40].

Целью систем видеоаналитики является мониторинг текущего состояния участка или объекта реального мира, параллельно и распределено обрабатывая графическую информацию в режиме реального времени для эффективного принятия решения о необходимости выполнения каких-либо действий без участия человека.

Существует большое количество областей практического применения видеоаналитических систем, таких как:

- ситуационные видеодетекторы — программное обеспечение, реализующее автоматическое реагирование на набор тревожных ситуаций на основе анализа видеопоследовательностей, таких как проникновение в запретную зону, задымление или оставленные предметы в публичных местах. Подобное реагирование может быть в виде вывода специального окна оператору с предупредительной информацией или запись в протоколе событий и т.п.;

- фиксация автомобильных номеров с целью анализа проходящего трафика или обнаружения нарушений правил дорожного движения;

- детектор подсчета посетителей для фиксации количества входящих и выходящих людей в рамках выделенной наблюдаемой зоны и другие.

Схема клиент-серверной архитектуры системы видеоаналитики, изображенная на рисунке 1.1, включает следующие компоненты [56]:

- камеры видеонаблюдения,

- видеоаналитический сервер, состоящий из:

- модуль захвата и предобработки изображений,

- систему распознавания образов,

- систему принятия решений,

- СУБД и базы знаний,

- автоматизированные рабочие места (АРМ).

Рисунок 1.1 - Схема клиент-серверной архитектуры системы видеоаналитики

С камер видеонаблюдения поступают потоки графической информации на вход серверу видеоаналитики. Показана двусторонняя связь, поскольку камеры, могут принимать на вход команды управления: старт/стоп, настройки экспозиции, усиления, фокуса и т.п. Стоит отметить, что настоящая диссертационная работа ориентирована на обработку серий последовательных изображений в оттенках серого, поступающих со статических видеокамер машинного зрения.

Модуль захвата и предобработки изображений, обеспечивает параллельную и распределенную обработку и позволяет осуществить интеграцию системы с драйвером, поставляемым производителями камер видеонаблюдения, а также подготовку изображений к анализу, которая, как правило, заключается в преобразовании в ожидаемый системой распознавания формат данных. Подробнее рассматриваемый компонент описан в разделе 4.1.1 настоящего диссертационного исследования.

Система распознавания образов представляет собой программное обеспечение, реализующее сложные и ресурсозатратные алгоритмы обнаружения, слежения, классификации и распознавания объектов реального мира на основе обработки последовательных изображений. Подробнее рассматриваемый компонент описан в разделе 4.1.3.

Система принятия решений принимает на вход результаты распознавания в режиме реального времени, представляющие собой характеристики объектов реального мира, а также области интереса, как правило, в виде координат объекта на проанализированном изображении.

В свою очередь, рассматриваемая система на основе баз данных и знаний, содержащих перечень правил и информацию о уже обнаруженных инцидентах, принимает решение об уведомлении оператора автоматизированного рабочего места (АРМ). Подробнее система принятия решений описана в разделе 4.1.4.

1.1.2 Степень разработанности проблемы автоматического распознавания движущихся объектов на видеопоследовательностях

Проблема автоматического распознавания графических образов динамических объектов является ключевым аспектом компьютерного зрения. Под распознаванием образов понимают процесс получения характеризующих признаков объекта реального мира из общей массы несущественной информации о нем с целью определения его принадлежности к определенному классу объектов. Для обнаружения, слежения и распознавания динамических объектов используется серия последовательно сделанных снимков. После анализа каждого

из изображений набор характеристик объекта наблюдения пополняется и с каждым новым снимком происходит уточнение накопленного результата распознавания.

Обзор ведущих технологий и современных подходов для построения систем распознавания, активно использующихся в настоящее время, представлен в [59].

Вопросы разработки и исследования новых методов повышения эффективности обработки статических и динамических изображений, а также решение проблем внутрикадрового кодирования изображений и повышения эффективности анализа и компенсации движения деталей объектов при обработке видеопоследовательностей в реальном масштабе времени рассматривались в работах доктора технических наук Дворковича А.В [13].

Дворковичем А.В. были разработаны новые методы эффективного быстрого анализа движения блоков изображения с использованием специфики структуры деталей, используя подход определения векторов движения как значение суммы попиксельных разностей. А также представлены алгоритмы формирования промежуточных кадров с учетом движения деталей динамических объектов.

Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательных изображений с целью повышения эффективности распознавания динамических объектов исследовались в работах Фаворской М.Н. [66]. В материалах докторской диссертации проведен анализ методов оценки движения и нахождения признаков движущихся объектов по серии последовательных изображений, а также методов сегментации и слежения за динамическими объектами. Одним из положений, выносимых на защиту, являлась модель обработки и распознавания динамических образов, дополненная иерархическими уровнями сегментации. По словам Фаворской М.Н., если рассматривать задачу распознавания движущихся объектов и событий как единый процесс обработки серий последовательных изображений, то наиболее целесообразно применение иерархического подхода с элементами параллельной обработки.

Идеи и исследования Дворковича А.В. и Фаворской М.Н. легли в основу разработанного автором настоящего диссертационного исследования иерархического адаптивного алгоритма ортогонального поиска векторов перемещений при обработке серий последовательных изображений, описанном в разделе 3.1.2. Представленный алгоритм, в отличие от предыдущих, позволяет учесть преимущественные направления и скорость движения динамических объектов и дает устойчивость к высокочастотному шуму за счет анализа на уменьшенных копиях изображений, которое позволяет существенно повысить качество детектирования.

Исследования и разработка методов и алгоритмов анализа траекторий движений при решении задачи обнаружения транспортных средств, ориентированных на обработку серий последовательных изображений со стационарных камер видеонаблюдения, проводились в работах Кустиновой В.Д [23]. Целью диссертационной работы Кустиновой В.Д. являлось повышение эффективности поиска и сопровождения динамических объектов. Было осуществлено развитие существующих подходов и предложен метод восстановления траекторий движения транспортных средств, ракурс которых меняется в процессе перемещений, а также объединение участков траекторий динамических объектов, полностью перекрываемых на небольшие промежутки времени.

Идея слияния некоторых участков траекторий движений, обусловленная выходом из видимости динамического объекта, легла в основу создания математического и программного обеспечения процесса формирования синтетического кадра движущегося образа при обработке серий последовательных изображений, поступающих со стационарных камер в оттенках серого в реальном масштабе времени. В отличие от предыдущих, разработанный в рамках настоящего диссертационного исследования подход позволяет получить аккумулированную информацию с нескольких видеокадров для более точного последующего анализа. Описание разработанного метода представлено в главе 2 диссертационной работы.

Одним из последних диссертационных исследований, направленных на поиск объектов в сложных условиях в реальном масштабе времени, таких как проективные искажения, возникающие при маловысотной видеосъемке и связанные с нарушением условия коллинеарности оптической оси камеры, а также перекрытия объектов и зашумленность, является работа Пастушкова А. В. [36].

Исследования Пастушкова А. В. направлены на разработку инвариантных алгоритмов к проективным преобразованиям и условиям видеосъемки для обеспечения поиска объектов по серии последовательных изображений в реальном масштабе времени. Предложен алгоритм обработки изображений для вычисления дескрипторов ключевых точек и модель формализованного описания параметров объекта для идентификации на основе совмещения локальных и интегральных признаков изображения объекта. Разработан метод сопоставления образа и области кадра, базируясь на выборе масштаба сравниваемой области, исходя из масштаба набора ключевых точек объекта интереса, а также алгоритм сужения области поиска, существенно снижающий время детектирования.

Идея и исследовательская работа Пастушкова А. В., основанные на применении инвариантных походов для идентификации динамических образов, легли в основу применения в данном диссертационном исследовании инвариантных дескрипторов (моментов), независимых от масштаба, ориентации и позиции на плоскости объектов интереса [36]. Данный подход описан в разделе 3.2.4.

Подход снижения вычислительной сложности алгоритма за счет уменьшения области объекта интереса использовался также в настоящей исследовательской работе в рамках адаптивного к направлению движения метода детектирования динамических объектов, описанного в разделе 3.1.2 и в диссертационной работе Шепелова К.В.

Исследования Шепелова К. В. основаны на применении смеси нормальных распределений трехмерного динамического массива уровней яркости элементов информационного поля, а также на использовании нулевого кадра маски

движения путем динамического уточнения статической области видеопоследовательности низкочастотным фильтром [73]. Однако в рамках работы с видеокамерами машинного зрения, транслирующими видео в оттенках серого с одномерным уровнем яркости, данная модель обработки серий последовательных изображений не столь эффективна.

Что касается современных зарубежных научных разработок обработки графической информации, направленных на повышение точности детектирования динамических объектов, существуют три довольно эффективных подхода, основанных на межкадровом сквозном обучении: Sparse feature propagation [108], Dense Feature Aggregation [115], Temporally-adaptive Key Frame Scheduling [109].

В последнее время применяется единая методология построения архитектуры сверточной нейронной сети [76, 78, 79, 81-83,85, 90, 108, 109, 115], основанная на следующих шагах:

1. Извлечение набора карт (функций) особенностей F = Nfeat(I) по исходному изображению I через сверточную основу нейронной сети.

Стоит заметить, то, что сеть считает особенностью, определяется во время ее обучения. Местоположения подобных особенностей показаны на карте и могут входить в состав еще более сложной карты особенностей. К примеру, одна из карт содержит кривые, другая круги и т.п. Сложная карта описывает особенности велосипеда, включающего комбинацию нескольких фигур.

Список литературы диссертационного исследования кандидат наук Пахомова Олеся Анатольевна, 2019 год

Список литературы

1. Абрамов М.О. Влияние методов предобработки на восстановление фигуры движущегося человека из потока изображений/М.О. Абрамов, М.Ю. Катаев // Журнал "Доклады Томского государственного университета систем управления и радиоэлектроники". - 2014. - №4(34) - С.114-119.

2. Абрамов Н. С. Распознавание на основе инвариантных моментов/Н.С. Абрамов, В.М. Хачумов // Вестник Российского университета дружбы народов, -вып. 2. - 2014 - С. 142-149.

3. Абрамов Н.С. Определение расстояний на основе системы технического зрения и метода инвариантных моментов /Н.С. Абрамов, В.П. Фраленко // Информационные технологии и вычислительные системы. - 2012. -№4. - С. 32-39.

4. Агеев М.С. Официальные метрики РОМИП'2004/М.С. Агеев, И.Е. Кураленок //Российский семинар по Оценке Методов Информационного Поиска (РОМИП 2004) - Пущино - 2004. - С. 6.

5. Архипцев С.В. Сравнительный анализ методов видеокодирования стандартов ITU-T H.264-AVC/ MPEG-4 Part-10 и H.265 HEVC /С.В. Архипцев, Д.П. Лукьянов// Журнал T-Comm - Телекоммуникации и Транспорт" - 2014 - №1, - С. 15-19.

6. Борисенко Д.И. Методы поиска угловых особенностей на изображениях /Д.И. Борисенко // Молодой ученый. - 2011. - №5. - Т.1. - С. 120123.

7. Буряченко В.В Алгоритм уточненной оценки движения для видеопоследовательностей статических сцен/Буряченко В.В. // Вестник СурГУ, -вып.4 (6). - 2014. - С. 73-80.

8. Вдовин В.А. Метод адаптивной бинаризации растрового изображения/В.А. Вдовин, А.В. Муравьёв, А.А. Певзнер // Ярославский педагогический вестник. - 2012 - № 4 - Т.3, - С. 65-69.

9. Вишняков Б.В. Использование модифицированного метода оптических потоков в задаче обнаружения и межкадрового прослеживания движущихся объектов. [Электронный ресурс]/Б.В. Вишняков, Ю.В. Визильтер, А.В. Лагутенков // ФГУП ГосНИИ Авиационных Систем //Вестник компьютерных и информационных технологий - Режим доступа: http://sk.ru/cfs-file.ashx/ key/telligent-evolution-components-attachments/13-221-00-00-00-00-20-62/mdetect_2D00_vkit_2D00_2006_2D00_print.docx.

10. Владимиров А.В. Компьютерная графика [Электронный ресурс]/А.В. Владимиров / Режим доступа: http://www.rfbr.ru/pics/22394ref/file.pdf.

11. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М.: Тех-носфера, 2005. - 1070 с.

12. Гришин С.В. Обзор блочных методов оценки движения в цифровых видео сигналах/С.В. Гришин, Д.С. Ватолин, А.С. Лукин, С.Ю. Путилин //Программные системы и инструменты. Тематический сборник № 9, М.: Изд-во факультета ВМиК МГУ, 2008, - С. 50-62.

13. Дворкович А.В. Разработка и исследование высокоэффективных систем цифровой обработки динамических изображений и оценки ее качеств: автореф. дис. ... доктор техн. наук: 05 12 04/Дворкович Александр Викторович. -М., 2007. - 34 с.

14. Дмитриев А.Л. Оптические методы обработки информации [Текст]: учеб. пособие / А.Л. Дмитриев. - СПб.: СПбГУ ИТМО, 2005. - 46 c.

15. Домнин Л.Н. Элементы теории графов [Текст]: учеб. пособие / Л.Н. Домнин. - Пенза.: Издат-во Пенз. гос. ун-та, 2007. - 144 c.

16. Дунаев А.А. Использование теории графов для идентификации лиц/АА Дунаев // Международный научно-исследовательский журнал - 2017. - №09(63). -Часть 3. - С. 31-35.

17. Ефимов Ю.С. Поиск внешней и внутренней границ радужной оболочки на изображении глаза методом парных градиентов/Ю.С. Ефимов, И.А. Матвеев // Машинное обучение и анализ данных. - 2015 - Т.1. - №14. - С. 19912002.

18. Каримов К.А. Анализ применимости алгоритма фазовой корреляции при стабилизации последовательностей видеокадров капиллярного кровотока /К.А. Каримов, М.В. Волков// Научно-технический вестник информационных технологий, механики и оптики. - 2015. - Т. 15. № 3. - С. 365-372.

19. Кравцов С.В. Повышение достоверности выделения точечных особенностей сцены на зашумленных цифровых изображениях/С.В. Кравцов, К.Е. Румянцев// Известия ЮФУ. Технические науки Izvestiya SFedU. Engineering Sciences. - 2012. - Т.2 - С. 97- 105.

20. Красильщиков М.Н. Современные информационные технологии в задачах навигации и наведения беспилотных манёвренных летательных аппаратов/ К.К. Веремеенко, С.Ю. Желтов, Н.В. Ким, Г.Г. Себряков, М.Н. Красильщиков - М.: ФИЗМАТЛИТ, 2009 - 556 с.

21. Красильников Н.Н. Цифровая обработка 2d- и 3d-изображений / Н.Н. Красильников - СПб.: БХВ-Петербург, 2011. - 608 с.

22. Кузьмин С.А. Сравнительное исследование способов оценки фона в видеопоследовательностях/С.А. Кузьмин // - Санкт-Петербургский государственный университет аэрокосмического приборостроения // Журнал радиоэлектроники. -2012. - №3 - С. 1-15.

23. Кустинова В.Д. Методы и алгоритмы анализа траекторий движений при решении задачи детектирования транспортных средств: автореф. дис ... канд. техн. наук: 05 13 01/Кустикова Валентина Дмитриевна. - Нижний Новгород, 2015. - 26 с.

24. Ляхов П.А. Применение сглаживающих фильтров для очистки от шума изображений в оттенках серого / П.А. Ляхов, М.В. Валуева //Наука. Инновации. Технологии. - 2015. - №3. - С. 37-50.

25. Маврин Г.Н. Алгоритм маркерного раздела для сегментации зерен металлов/Г.Н. Маврин, И.В. Сафонов // International Journal of Computer Science & Communication. - 2010. - Vol.1. - No.1. - P. 175-177.

26. Мазин М.А. Автоматное программирование для среды языково-ориентированного программирования: автореф. дис. ... канд. техн. наук: 05 13 11/Мазин Максим Александрович. - СПБ. - 2010. - 136 С.

27. Медведева Е.В. Метод текстурной сегментации изображений на основе Марковских случайных полей/ Е.В. Медведева, Е.Е. Курбатова// "Цифровая обработка сигналов" № 3, - 2012. - С. 76-80.

28. Меженин А.В. Методы и средства распознавания образов и визуализации/А.В. Меженин// Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, - 2012. - С. 12-31.

29. Местецкий Л. М. Непрерывная морфология бинарных изображений. Фигуры. Скелеты. Циркуляры. / Л.М. Местецкий - М.: Физматлит, 2009 - 27-30 с.

30. Миргородский А. Ю. Разработка алгоритмов вычисления параметров глобального движения в видеопоследовательностях для реализации в системах на кристалле: автореф. дис. ... канд. техн. наук: 05 27 01/Миргородский Александр Юрьевич//. - М., 2006. - С. 32.

31. Монич Ю.И. Искусственный интеллект // Ю.И. Монич, В.В. Старовойтов - Минск: Государственное научное учреждение "Объединенный институт проблем информатики", 2008 - 386 с.

32. Муртазина А. Р. Разработка системы проектирования конструкций верха обуви с использованием средств технического зрения: автореф. дис. ... канд. техн. наук: 05 19 06/Муртазина Альфия Рустямовна//. - СПБ., 2000. - С. 17.

33. Наумов Р. В. Неиспользуемые особенности .NET /Р.В. Наумов, А.В. Неустроев // I Международная научно-практическая конференция «Научные исследования: ключевые проблемы III тысячелетия» 1(1). - 2016. - С. 18-19.

34. Нгуен Ван Чыонга Иерархический адаптивный алгоритм шаблонного поиска для оценки движения при анализе видеопоследовательности/Нгуен Ван Чыонга, А.А. Тропченко // Научно-технический вестник информационных технологий, механики и оптики, - 2016. -Т.16. - N 3. - С. 474-480.

35. Олейникова С.А., Болнокина Е.В., Пахомова О.А., Кравец О.Я.

Программа идентификации параметров параллельно-последовательной системы обработки данных. - Свидетельство о государственной регистрации программы для ЭВМ. М.: ФИПС, 2018. №2018666716 от 19.12.2018.

36. Пастушков А. В. Метод и алгоритмы поиска объекта в видеопотоке: автореф. дис. ... канд. техн. наук: 05 13 17/Пастушков Александр Викторович. -Томск, 2017. - 24 с.

37. Пахомова О.А. Алгоритм поиска векторов движения в задаче оптимизации компрессии видеоданных/О.А. Пахомова //К0ГРАФ-2018: сб. науч. тр. 28-ой Междунар. НПК по графическим ИТ. - Нижний Новгород. - 2018. - С. 22-25.

38. Пахомова О.А. Алгоритмизация получения лучшего кадра из серии последовательно сделанных снимков/О.А. Пахомова, О.В. Авсеева // Информационные технологии моделирования и управления. - 2016. - №6(102). -С. 446-450.

39. Пахомова О.А. Анализ процесса сегментирования изображения в задаче построения улучшенного синтетического кадра динамического объекта/О.А. Пахомова // Информационные технологии в управлении, автоматизации и мехатронике: сб. науч. тр. Междунар. НТК. - Курск - 2017. - С. 118-123.

40. Пахомова О.А. Анализ эффективности обнаружения динамических объектов в системах машинного зрения/О.А. Пахомова, О.Я. Кравец // Актуальные проблемы прикладной математики, информатики и механики: сб. тр. Междунар. научн. конф. - Воронеж. - 2018. - С. 290-296.

41. Пахомова О.А. Детектирование объектов с использованием оператора выделения границ Кенни в среде MATLAB/О.А. Пахомова, О.Я. Кравец //Экономика и менеджмент систем управления. - 2017. - №4(26). - С. 85-93.

42. Пахомова О.А. Исследование процесса конструирования синтетического изображения лучшего качества на основе серии снимков/О.А. Пахомова, О.Я. Кравец, О.В. Авсеева // Вестник ВГТУ. - Воронеж - 2017. -№1(13). - С. 9-12.

43. Пахомова О.А. Исследование процесса сегментирования изображения в задаче построения улучшенного синтетического кадра динамического объекта/О.А. Пахомова // Научные и творческие достижения в рамках современных образовательных стандартов. - Кемерово. - 2018. - С. 28-33.

44. Пахомова О.А. Линейная интерполяция точек контура объекта в среде МАТЬАВ/О.А. Пахомова // Интеллектуальные информационные системы - 2017: материалы Всеросс. научной конференции с межд. участием. - Воронеж. - 2017. -Т.1. - С. 158-162.

45. Пахомова О.А. Математическое моделирование процессов постобработки сегментированных изображений для детектирования динамических объектов/О.А. Пахомова // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство: сб. науч. тр. V Междунар. конф. - Казань. - 2019. - С. 70-74.

46. Пахомова О.А. Метод межкадровой разницы в задаче детектирования движения объекта/О.А. Пахомова // Фундаментальные научные исследования: теоретические и практические аспекты: сб. науч. тр. V Междунар. НТК. -Кемерово. - 2017. -Т.2 - №2 - С. 162-165.

47. Пахомова О.А. Методы сегментации и оценки качества серии снимков в задаче построения синтетического изображения/О.А. Пахомова, О.В. Авсеева// Новый университет. Технические науки, - 2016. - №12. - С. 4-8.

48. Пахомова О.А. Оптимизация хранения и сжатия видеопоследовательности на основе алгоритма компенсации движения/О.А. Пахомова // Интеграция современных научных исследований в развитие общества: сб. науч. тр. IV Междунар. НТК. - Кемерово. - 2017. -Т.2. - С. 64-68.

49. Пахомова О.А. Подходы к оптимизации передачи видеоданных на основе межкадрового инкремента/О.А. Пахомова // Оптимизация и моделирование в автоматизированных системах: материалы Всеросс. молодежной научной школы - Воронеж. - 2017. - Т.2. - С. 86-90.

50. Пахомова О.А. Применение морфологического анализа на этапе предварительной обработки бинарного изображения/О.А. Пахомова//

Молодежная наука в развитии регионов: матер. VII Всеросс. НПК. - Пермь. -2017. - Т.1. - С. 11-14.

51. Пахомова О.А. Способ построения маршрута движения между нечеткими границами детектирования объекта/О.А. Пахомова, О.Я. Кравец// Информационные технологии моделирования и управления - 2017. - № 5(107). -С. 370-373.

52. Пахомова О.А. Сравнительный анализ градиентных методов выделения контура объекта на изображении/О. А. Пахомова, О. Я. Кравец// Вестник ВГТУ. - 2018. - № 1(14). - С. 37-43.

53. Пахомова О.А. Улучшенный метод локальной обработки множества несвязанных точек контуров объекта/О.А. Пахомова // Новые технологии в научных исследованиях, проектировании, управлении, производстве: сб. науч. тр. Междунар. НТК. - Воронеж. - 2017. - Т.1. - С. 117-121.

54. Пахомова О.А. Управление и предобработка графических данных для эффективного распознавания динамических объектов/О.А. Пахомова // Системы управления и информационные технологии. - 2018. - № 3(73). - С. 70-74.

55. Пахомова О.А. Устранение пространственной избыточности в стандарте h.264 на этапе первичного сжатия видеоданных/О.А. Пахомова // Информационные технологии в моделировании и управлении: подходы, методы, решения: сб. науч. тр. I Всеросс. научн. конф. - Тольятти. - 2017. - T. 1. - С. 444451.

56. Пахомова О.А., Заруднев Д.Ю., Проскуряков Л.Ю., Попов Р.И., Рачинский Ю.А. Программа фиксации нарушений ПДД «Ангел: Перекресток». - Свидетельство о государственной регистрации программы для ЭВМ. М.: ФИПС, 2015. №2015619904 от 15.12.2015.

57. Пахомова О.А. Использование среды Matlab для идентификации объектов с использованием/ О.А. Пахомова, О.Я. Кравец// Информационные технологии моделирования и управления - 2018. - № 1(109). - С. 66-72.

58. Поляков Д.Б. Блочные алгоритмы оценки движения/Д.Б. Поляков// Труды Московского технического университета связи и информатики. - Москва -2008. - Т.1. - С. 463-466.

59. Ревякин А.М. Подходы к разработке системы распознавания для решения задачи определения контента цифровых изображений /А.М. Ревякин, А.В. Скурнович // Интернет-журнал «НАУКОВЕДЕНИЕ» - 2016 - Т.8 - №4 - С. 110.

60. Сакович И.О. Обзор основных методов контурного анализа для выделения контуров движущихся объектов/ И.О. Сакович, Ю.С. Белов// Инженерный журнал: наука и инновации вып. 12. - 2014. - С. 1-8

61. Солдатов С.А. Быстрое и надежное определение глобального движения в видеопоследовательностях. /С.А. Солдатов, К.Н. Стрельников, Д.С. Ватолин// 16-я Международная конференция по компьютерной графике и ее приложениям, Институт вычислительной математики и математической геофизики СО РАН, 1-5 июля 2006 года, - С. 430-437.

62. Стрельников К.Н. Качественное определение глобального движения кадра с использованием векторов движения/К. Н. Стрельников, С.А. Солдатов, Д.С. Ватолин //Материалы девятого научно-практического семинара "Новые информационные технологии в автоматизированных системах", - 2006. - С. 47-55.

63. Сюй Лэй Исследование методов и алгоритмов обнаружения движущихся объектов в видеопотоке [Электронный ресурс]/Сюй Лэй // официальный сайт Молодежного научно-технического вестника. Издатель ФГБОУ ВПО «МГТУ им. Н.Э.Баумана» - Режим доступа: http: //sntbul .bmstu.ru/doc/568760.html.

64. Тропченко А.А Методы сжатия изображений, аудиосигналов и видео / А.А. Тропченко, А.Ю. Тропченко - СПб.:СПБГУ ИТМО, 2009 - 108 с.

65. Умняшкин С.В. Основы теории цифровой обработки сигналов / С.В. Умняшкин - М.:Техносфера, 2016 - 528 c.

66. Фаворская М. Н. Модели и методы распознавания образов на основе пространственно-временного анализа последовательных изображений: автореф.

дис. ... доктор. техн. наук: 05 13 17/Фаворская Маргарита Николаевна. -Красноярск, 2011. - 36 с.

67. Фаворская М.Н. Оценка движения объектов в сложных сценах на основе тензорного подхода/М.Н. Фаворская // Цифровая Обработка Сигналов №1, - 2010. - С. 2-9.

68. Фурашев Д. А. Слежение за точечными особенностями на сценах из видеопоследовательности. /Д. А. Фурашев// Решетневские чтения, том 2, - 2011. -С 645-646.

69. Хачумов М.В. Задача распознавания лиц по фотографиям на основе инвариантных моментов/М.В. Хачумов, Нгуен Зуй Тхань // Искусственный интеллект и принятие решений, - №4. - 2016. - С. 5-14.

70. Цапко И.В. Выделение объектов на изображениях методом поиска границ регионов/И.В. Цапко, А.В. Власов// Журнал автоматизация. Современные технологии. - 2015. - С. 33-38.

71. Чемерис Д.С. Исследование методов определения геометрического рассогласования двух изображений для решения задачи оптического наведения и стыковки подводного робота /Д.С. Чемерис, И.Н. Бурдинский // Проектирование инженерных и научных приложений в среде МАТЬАВ: сб. науч. трудов. - СПб., 2011. - С. 465-470.

72. Чудновский М.М. Использование применимости методов определения движения для построения систем человеко-машинного взаимодействия // Молодежь и наука: сборник материалов IX Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых с международным участием, посвященной 385-летию со дня основания г. Красноярска [Электронный ресурс]/М.М. Чудновский / - Красноярск: Сибирский федеральный ун-т, - 2013. - Режим доступа: http://conf.sfu-kras.ru/sites/mn2013/section045.html.

73. Шепелев К.В. Метод и система детектирования и классификации движущихся объектов в видеопотоке: автореф. дис. ... канд. техн. наук: 05 13 17/ Шепелев Кирилл Валерьевич. - Пенза, 2018. - 19 с.

74. Alvarez A. Applications of General Morphological Analysis from Engineering Design to Policy Analysis/ A. Alvarez, T. Ritchey // - AMG. - 2015- Vol.4 - No.1. - P. 1-40.

75. Balarini J.P. C++ Implementation of Otsu's Image Segmentation Method/J.P. Balarini, A.S. Nesmachnow // Image Processing On Line - 2016. - No.6 -P. 155-164.

76. Barron John L. Performance of optical flow techniques/John L. Barron, David J. Fleet, and Steven Beauchemin // International Journal of Computer Vision. -1994. - Vol.12 - Issue 1. - P 43 - 77.

77. Canny J. А. computational approach to edge detection, journal transactions on pattern analysis and machine intelligence/J. А. Canny // IEEE Transactions on pattern analysis and machine intelligence. - 1986 - Vol. PAMI-8. - No.6. - P. 679-698.

78. Dai J. Object detection via region-based fully convolutional networks/J. Dai, Y. Li, K. He, and J. Sun. R-fcn. // NIPS. - 2016. - P. 2-5

79. Dollar P. Feature pyramid networks for object detection / P. Dollar, T.-Y. Lin R. Girshick, K. He, B. Hariharan, and S. Belongie // CVPR. - 2017. - P. 2, 5. 5. Girshick., R. Fast r-cnn // ICCV. - 2015. - P. 2-5.

80. Ellen M. Voorhees Overview of TREC 2003 [Электронный pecypc]/Ellen M. Voorhees // - 2004. - Режим доступа: https://trec.nist.gov/pubs/trec12/papers/OVERVIEW.12.pdf.

81. Girshick R. Rich feature hierarchies for accurate object detection and semantic segmentation / R. Girshick, J. Donahue, T. Darrell, and J. Malik // CVPR. -2014. - P. 2-5.

82. Goyal P. Focal loss for dense object detection / P. Goyal, T.-Y. Lin, R. Girshick, K. He, P. Dollar // arXiv preprint arXiv: 1708.02002. - 2017. - P. 2, 5.

83. He K. Spatial pyramid pooling in deep convolutional networks for visual recognition / K. He, X. Zhang, S. Ren, and J. Sun // ECCV. — 2014. - P. 2, 5.

84. Ho S. Y. Design and analysis of an efficient evolutionary image segmentation algorithm/S. Y. Ho and K. Z. Lee // The Journal of VLSI Signal Processing - 2003 - vol. 35 - No.1. - P. 29-42.

85. Howard A. G. Efficient convolutional neural networks for mobile vision applications / A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, H. Adam. Mobilenets // arXiv preprint arXiv:1704.04861. - 2017. - P. 2, 5.

86. Juurlink B. Scalable Parallel Programming Applied to H.264/AVC Decoding/ B. Juurlink, M. Alvarez-Mesa, C. C. Chi, A. Azevedo, C. Meenderinck, A. Ramirez // - NY - 2012 - P. 33.

87. Lee J.H. Handling digital images for publication/J. H. Lee// Review. Sci Ed - 2014. -No.1(2). -P. 58-61.

88. Losev S. V. Resistance of phase correlation method to disturbances at creating of panoramic digital images/S. V. Losev // Izvestiya Vysshikh Uchebnykh Zavedeniy. Priborostroenie. - 2015. -Vol. 58. - N11. - P. 908-914.

89. Malik J. Contour and texture analysis for image segmentation/ J. Malik, S. Belongie, T. Leung, and J. Shi // International Journal of Computer Vision. - 2001. -Vol.43. - No.1 - P. 7-27.

90. Neto P. Real-time and continuous hand gesture spotting: An approach based on artificial neural networks/P. Neto, D. Pereira, J.N. Pires, A.P. Moreira // Proc. IEEE Int. Conf. Robot. Autom. - 2013. - P. 178-183.

91. Nikolic M. Edge detection in medical ultrasound images using adjusted Canny edge detection algorithm/M. Nikolic, E. Tuba, M. Tuba // Telecommunications Forum (TELFOR), 24th. - 2016. - P. 1-4.

92. Pakhomova O.A. Control and preprocessing of graphic data for effective dynamic objects recognition/O.A. Pakhomova, O.Ya. Kravets // IOP Conference Series: Materials Science and Engineering. - 2019. - Vol.537.

93. Pakhomova O.A. Developing of the highest quality synthetic image based on the snapshots series/O.A. Pakhomova, O.Ya. Kravets, O.V. Avseeva/ // Modern informatization problems in economics and safety: Proc. of the 22-th Int. Open Science Conf.. Science Book Publishing House, Yelm, WA. - USA. - 2017. - C. 41-47.

94. Pakhomova O.A. Efficiency analysis of dynamic object detection in computer vision system /O.A. Pakhomova, O.Ya. Kravets // Journal of Physics: Conference Series. - 2019. - Vol.1203(1).

95. Prewitt J.M.S. Object enhancement and extraction// Picture Processing and Psychopictorics, / J.M.S. Prewitt, B. Lipkin and A. Rosenfeld// New York: Academic Press. - 1970. - P. 75 - 149.

96. Redmon J. Unified, real-time object detection / J. Redmon, S. Divvala, R. Girshick, and A. Farhadi // CVPR. - 2016. - P. 2, 5, 6.

97. Reuban Asir MPEG-DASH Enhanced Multimedia Streaming /Asir Reuban // International Journal of Advanced Research in Computer Science and Software Engineering - 2014. - Vol.4 - Issue 3 - P. 848-851.

98. Rosenberger C. Genetic fusion: application to multi-components image segmentation/C. Rosenberger and K. Chehdi // IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2000) - 2000. - vol.6. - P. 22232226.

99. Saravanan C. Color Image to Grayscale Image Conversion Conference Paper/ C. Saravanan // IEEE Xplore Conference: Computer Engineering and Applications (ICCEA) Second International Conference on. - 2010. - Vol.2. - P. 196199.

100. Scharr H. Optimal Operators in Digital Image Processing [Электронный ресурс]/Н. Scharr // - U. Heidelberg. - 2000. - Режим доступа: http://www.worldcat.org/title/optimal-operators-indigital-image-processing/oclc/76215200.

101. Senthilkumaran N. A. Study on Edge Detection Methods for Image Segmentation /N. Senthilkumaran, R. Rajesh // Proceedings of the International Conference on Mathematics and Computer Science (ICMCS-2009). - 2009. - Vol.1. - P. 255-259.

102. Sobel I. A 3x3 Isotropic Gradient Operator for Image Processing / I. Sobel, G. Feldman // Pattern Classification and Scene Analysis. - 1968. - P. 271-272.

103. Van Vliet L.J. Recursive Gaussian Derivative Filters/L.J. van Vliet, I.T. Young, P.W. Verbeek // Proceedings of the 14th International Conference on Pateern Recognition ICPR'98, IEEE Computer Society Press, - Brisbane (Australia). - 1998. -vol.1. - P. 509-514.

104. Visilter Yu. V. Design of Morphological Operators Based on Selective Morphology/Yu. V.Visilter // SPIE Proceedings. - SunJose. - 2002. - Vol.4667. - P. 215-226.

105. VIT Company [Электронный ресурс]: SDK for number plate recognition -2015. - Режим доступа:

https://docs.vitcompany.com/en/wiki/SDK_for_number_plate_recognition.

106. Wang X. Blind Image Quality Assessment for Measuring Image Blur /X. Wang, B. Tian, C. Liang, D. Shi // Congress on Image and Signal Processing. - 2008 -P. 470.

107. Wanjari M.T. Document Image Segmentation using Region Based Methods/M.T. Wanjari, K.D. Kalaskar, M.P. Dhore // International Journal of Computing Science and Information Technology. - 2015. - Vol.3. - Iss.3. - P. 1-08.

108. X. Zhu Deep feature flow for video recognition/X. Zhu, Y. Xiong, J. Dai, L. Yuan, Y. Wei // - CVPR. - 2017. - P.3-5.

109. Xizhou Zhu Towards High Performance Video Object Detection [Электронный pecypc]/Xizhou Zhu, Jifeng Dai, Lu Yuan, Yichen Wei // - 2017. -Режим доступа: https://arxiv.org/pdf/1711.11577v1.pdf.

110. Yuan X. Traffic Sign Detection via Graph-Based Ranking and Segmentation Algorithms/X. Yuan, J. Guo, X. Hao, H. Chen // IEEE Transactions on Systems, Man, and Cybernetics: Systems: - 2015. - No.45(12) - P. 1509-1521.

111. Zaitouna N.M. Survey on Image Segmentation Techniques /N.M. Zaitouna, M.J. Aqel // Management and Information Technology, Procedia Computer Science. -2015. - No.65 - P. 797 - 806.

112. Zappella L. Motion segmentation: A review/ L. Zappella, X. Llado, and J. Salvi// in Conf. Artificial Intell. Research and Development. - 2008 - P. 398-407.

113. Zeng J. Algorithm for Image Retrieval Based on Edge Gradient Orientation Statistical Code/J. Zeng, Y. Zhao, W. Li, X. Fu // The Scientific World Journal. - 2014. - P. 1-11.

114. Zhang H. Image segmentation evaluation: A survey of unsupervised methods/H. Zhang, J. E. Fritts, and S. A. Goldman // Computer Vision and Image Understanding. - 2008 - vol. 110 - No.2. - P. 260-280.

115. Zhu X. Flow-guided feature aggregation for video object detection/X. Zhu, Y. Wang, J. Dai, L. Yuan, Y. Wei // - ICCV. - 2017. - P 1-8.