Метод и система детектирования и классификации движущихся объектов в видеопоследовательности тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Шепелев, Кирилл Валерьевич

• Шепелев, Кирилл Валерьевич
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Шепелев, Кирилл Валерьевич

Введение

Глава 1. Анализ существующих методов и средств детектирования и классификации движущихся объектов

1.1. История развития компьютерного зрения

1.2 Существующие виды детектирования с помощью компьютерного зрения

1.2.1 Детектирование движения с учетом изменения яркости свечения пикселя

1.2.2 Детектирование движения с учетом характеристик объекта

1.3 Существующие методы детектирования движения и классификации объектов в задачах подсчета посетителей

1.4 Постановка задачи исследования

Глава 2. Математические и алгоритмические методы решения задачи подсчета посетителей

2.1 Основные положения анализа видеопоследовательности

2.2 Алгоритм детектирования движения по простой межкадровой разнице

2.2.1 Приведение изображение к полутоновому

2.2.2 Алгоритм детектирования движения по простой межкадровой разнице

2.3 Алгоритм детектирования движения на основе функции нормального распределения яркости свечения пикселей

2.4 Алгоритм детектирования движения на основе функции смеси нормальных распределений яркости свечения пикселей

2.6 Классификация объектов в задачах детектирования движения

2.7 Синтезированный метод детектирования и классификации движущихся объектов

Глава 3. Практическая реализация алгоритмов и статистическое сравнение результатов

3.1 Методика практической реализации алгоритмов с применением библиотеки OpenCV

3.1.1 Основные инструменты библиотеки OpenCV

3.1.2 Методика установки и подключения библиотек компьютерного зрения для разработчика программного обеспечения

3.1.3 Возможности и функционал библиотеки OpenCV, для реализации алгоритмов детектирования объектов

3.2 Методика реализации синтезированного метода детектирования и классификации движущихся объектов

3.2.1 Методика работы с виртуальной памятью

3.2.2 Реализация алгоритма нормального распределения

3.2.3 Реализация алгоритма детектирования движения на основе смеси нормальных распределений

3.2.4 Реализация классификатора объектов в видеопоследовательности

3.3 Анализ экспериментальной реализации применения алгоритма детектирования движения на основе нормального распределения

3.4 Анализ результатов экспериментальной реализации алгоритма детектирования движения на основе смеси нормальных распределений

3.5 Анализ экспериментальной реализации алгоритма идентификации посетителей, основанного на классификации объектов

3.6 Сравнительный анализ результатов работы алгоритмов

3.7 Анализ экспериментальной реализации синтезированного метода детектирования и классификации движущихся объектов

Заключение

Список использованной литературы:

Приложение А. Акт внедрения

Введение диссертации (часть автореферата) на тему «Метод и система детектирования и классификации движущихся объектов в видеопоследовательности»

Введение.

Актуальность темы. Одна из областей, где автоматизация осуществляется не на всех уровнях процесса и существуют неизученные вопросы внедрения компьютерных технологий, - это видеонаблюдение, системы слежения и защиты. Для изучения рентабельности организаций и повышения конкурентоспособности производится анализ деятельности торговых центров, по параметрам посещаемости и интенсивности потока людей в конкретные моменты времени. Неотъемлемой частью структуры торгового центра является система видеонаблюдения для обеспечения безопасности. Используя существующие аппаратные средства таких систем, существует перспектива преобразования обычной системы наблюдения в интеллектуальную систему с функциями статистического анализа.

Основные понятия теории обработки изображения определили российские ученые Ю.И. Журавлев, Э.М. Браверман, Л.И. Розоноэр, М.А. Айзерман, В.А. Сойфер, B.JI. Матросов. Ученые В.Н. Вапник, А.Я. Червоненкис, А.Н. Горбань, М.Ю. Хачай и Н.Г Загоруйко усовершенствовали методы и сделали их доступными для алгоритмической реализации. В 2015 году по исследованиям компании Google при испытании программных средств результат детектирования в видео с точностью 95,12% стал возможен на базе лиц YouTube Faces DB. При этом уровень ошибок детектирования на 30% ниже, чем у всех конкурентов, которые опубликовали свои работы в свободном доступе. Разработка компании Facebook показала результат около 97,5%, причём тогда в своей работе исследователи утверждали, что даже человек показывает результат, в среднем, 97,5% при распознавании лиц. Разработка ученых из Google предназначена для поддержки исключительно семейства программ этой корпорации, и не имеет программных компонент для открытого использования и внедрения в существующие системы видеонаблюдения. Существующая точность детектирования движущихся объектов бесплатных систем или программного обеспечения с открытым кодом не превышает 60%, таким образом, существует несколько аспектов проблемы детектирования движущихся объектов и их

классификации как посетителей в системах видеонаблюдения. Первый аспект проблемы состоит в отсутствии алгоритмов и программного обеспечения для импортозамещения, второй аспект заключается в высокой стоимости создания отдельной системы видеонаблюдения с функциями детектирования и классификации движущихся объектов.

Таким образом, создание программно-математического комплекса с алгоритмами детектирования движения и классификатора объектов в системах видеонаблюдения может решить существующую проблему в задаче детектирования и классификации движущихся объектов на видеопоследовательности, что делает данное исследование актуальным и востребованным.

Объектом исследования диссертационной работы являются система детектирования и классификации движущихся объектов в видеопоследовательности.

Предметом исследования диссертационной работы являются методы и алгоритмы детектирования и классификации движущихся объектов в видеопоследовательности.

Целью диссертационной работы является создание синтезированного метода детектирования и классификации движущихся объектов в видеопоследовательности, его реализация в виде системы детектирования и классификации движущихся объектов.

Для достижения цели в ходе диссертационной работы необходимо решить следующие задачи:

• Анализ существующих методов и средств детектирования и классификации движущихся объектов;

• Разработка модели представления структуры видеопоследовательности в виде трехмерного динамического информационного массива уровней яркости элементов информационного поля;

• Разработка алгоритма детектирования движения;

• Разработка синтезированного метода детектирования и классификации движущихся объектов на видеопоследовательности;

• Исследование особенности работы алгоритмов при практической реализации с помощью паттернов и библиотек ОрепСУ, определение преимуществ и недостатков практической реализации алгоритмов детектирования движения и классификации объектов в видеопоследовательности;

• Разработка прагматической модели системы детектирования и классификации движущихся объектов в видеопоследовательности, проведение экспериментального исследования, оценка эффективности работы алгоритмов в реальных условиях.

Научная новизна.

1. Предложен синтезированный метод детектирования и классификации движущихся объектов в видеопоследовательности, отличительной особенностью которого является уменьшение вычислительной сложности алгоритмов классификации за счет детектирования и ограничения области движения.

2. Разработан алгоритм детектирования движения на основе оценки плотности вероятности выпадения статичных пикселей в видеопоследовательности, отличающийся использованием функции смеси нормальных распределений уровней яркости элементов информационного поля.

3. Предложена модель представления видеопоследовательности в задачах детектирования движения на основе трехмерного динамического информационного массива уровней яркости элементов информационного поля, отличающаяся обновляемым нулевым кадром маски движения и позволяющая повысить точность обнаружения объектов путем динамического уточнения статичной части видеопоследовательности с помощью низкочастотного фильтра.

Теоретическая ценность. Определено представление

видеопоследовательности в виде трехмерного динамического информационного массива уровней яркости элементов информационного поля, позволившее провести идеализацию видеопоследовательности как системы. Произведена модернизация существующих алгоритмов каскадного поиска образов на

изображении с помощью классификаторов Хаара. Создан алгоритм детектирования движения на основе оценки плотности вероятности выпадения статичных пикселей в видеопоследовательности. Разработан синтезированный метод детектирования объектов в видеопоследовательности, использующий детектирование и ограничение области движения для уменьшения вычислительной сложности алгоритмов классификации объектов.

Практическая ценность. На основе разработанных алгоритмов детектирования и классификации движущихся объектов в видеопоследовательности, создано программное обеспечения для импортозамещения зарубежных аналогов. Разработанное программное обеспечение является не автономной системой, а расширением для существующих программных продуктов, что снижает стоимость подключения функции подсчета посетителей в системах видеонаблюдения. Решена задача детектирования и классификации движущихся объектов и проведены эксперименты, подтвердившие работоспособность и приемлемую точность получения результатов (более 90%). Созданная система детектирования и классификации движущихся объектов имеет возможность дальнейшей модернизации.

На защиту выносятся:

1. Синтезированный метод детектирования и классификации движущихся объектов в видеопоследовательности, использующий детектирование и ограничение области движения для уменьшения вычислительной сложности алгоритмов классификации объектов;

2. Модель представления видеопоследовательности в задачах детектирования движения на основе трехмерного динамического информационного массива уровней яркости элементов информационного поля;

3. Алгоритмы детектирования движения на основе оценки плотности вероятности выпадения статичных пикселей в видеопоследовательности и использовании функции смеси нормальных распределений уровней яркости элементов информационного поля;

4. Система подсчета посетителей, реализованная на основе синтезированного метода детектирования и классификации движущихся объектов.

Степень достоверности и апробация результатов.

Полученные результаты основаны на известных положениях теории детектирования и классификации объектов в видеопоследовательности, их достоверность подтверждается экспериментальными результатами практической реализации алгоритмов в реальных условиях. Основные результаты исследований докладывались и опубликованы автором в материалах международных научно-практических конференций «Актуальные вопросы современной науки: теория и практика научных исследований», «Open Innovation», «Экспериментальные и теоретические исследования в современной науке», «Современный мир: опыт, проблемы и перспективы развития», «Проблемы информатики в образовании, управлении, экономике и технике 2013», "Новые информационные технологии и системы". Всего опубликовано 12 статей, из которых 4 - в журналах из списка ВАК.

Система прошла тестирование и подтверждена актом внедрения в государственном бюджетном образовательном учреждении дополнительного образования "Областная специализированная детско-юношеская спортивная школа олимпийского резерва по гимнастике им. Н.А. Лавровой" (Дворец Спорта «Буртасы»), Разработанная система подсчета посетителей имеет точность 97% и успешно решает задачу подсчета болельщиков на соревнованиях со свободным входом. Система также позволяет учитывать среднюю посещаемость и динамику посещаемости дворца спорта в целом.

Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, библиографического списка и приложения. Объем работы: 128 страниц основного текста, 41 рисунок, приложение на 1 странице.

Глава 1. Анализ существующих методов и средств детектирования и классификации движущихся объектов

1.1. История развития компьютерного зрения

В сегодняшнем мире в связи с развитием и постоянным совершенствованием компьютерных технологий актуальны исследования по замене человеческого труда машинным в рамках автоматизации рабочего процесса. Одна из областей, где автоматизация осуществляется не на всех уровнях и существуют неизученные вопросы внедрения компьютерных технологий, является видеонаблюдение, системы слежения и защиты. Основная цель использования компьютерных технологий в данной области в определении незаконного вторжения на определенную территорию (пересечение границы), выявление непозволительного поведения объектов, наблюдение за сохранностью и целостностью объекта и другие. Как видно, из поставленных задач вытекает одно общее правило - если в сцене не зафиксировано движение, то все ее объекты находятся на исходных позициях. Если в наблюдаемой зоне присутствует движение, то, с высокой долей вероятности, исходное состояние наблюдаемого объекта может измениться. Таким образом, основной задачей видеонаблюдения является выявление движения. Изменением сцены также считается попадание в область наблюдения объекта, пересекающего критическую зону наблюдения, когда изменение параметров исходного объекта неизбежно, а попадание умышленно [1].

До внедрения компьютерных технологий существовал простой принцип -для каждого объекта наблюдения существовал человек-наблюдатель, который с помощью зрения оценивал ситуацию. Однако в сегодняшнем мире человек и его труд является слишком дорогим и неустойчивым ресурсом. Хотя есть и преимущества человека - разум человека эффективнее компьютера принимает сложные решения [2].

Стоит оценить существующий и весьма распространенный метод наблюдения в системах охраны: человек-наблюдатель. Разберём основные функции человека-охранника:

• Визуальное наблюдение в зоне контроля;

• Обработка входящих данных сигналов из окружающей среды без средств автоматизации;

• Сравнение полученной информации с отложенными в памяти воспоминаниями;

• Принятие решения на основе собственного опыта и установленных инструкций;

• Реализация алгоритма устранения угрозы.

Человеческое зрение позволяет решить задачи распознавания образа человека, животного или материальных объектов, не имеющих свойств живого. [1]. В рамках постановки задачи для машинного обучения, искусственного интеллекта и компьютерного зрения принято использовать понятие распознавание образов. Сюда относятся определение классов, заранее определенных для некоторых типов объектов, как лицо или рука, номер автомобиля или силуэт человека, и, кроме того, распознавание конкретных образов, к примеру, лицо конкретного человека, требующего идентификации или верификации [3]. Кроме распознавания объектов, есть так же и области, находящиеся в состоянии становления. К таким областям можно отнести распознавание поведения объектов и характерных движений, производимых объектами в определенной последовательности или имеющих свой определенный алгоритм поведения [2]. К данному классу задач относятся также задачи распознавания мимики, жестов, действий и так далее.

Человеческий глаз может на практике легко решить поставленную задачу распознавания объектов, но, согласно экспериментам, данная постановка задачи является весьма сложной для решения её силами вычислительной техники.

Трудность состоит в том, что алгоритм компьютерного зрения должен иметь возможность идентифицировать объект, не смотря на воздействие внешних факторов изменения окружающей среды, такое как повышение яркости, контрастности или насыщенности в результате изменения освещения, или же искажения, деформации или трансформации объекта в результате изменения положения в пространстве, вращения вокруг своей оси или простого поворота [3]. Такие изменения приводят к появлению широкого спектра новых признаков объекта, которые будут увеличивать отличие идентифицируемого образа от эталонного, поэтому простое сравнение по расположению пикселей определенного цвета в конкретных позициях на изображении вряд ли будет корректным в данной задаче [1].

Необходимую и достаточную теоретическую базу для решения поставленной задачи классификации объектов представляют собой методы обучения с учителем или методы классификации образов [4]. При обучении с учителем системе предлагают набор изображений с положительными наборами признаков для успешной идентификации объектов, к примеру, лица, а затем набор изображений с отрицательными наборами признаков, где объект не может быть обнаружен, к примеру, изображения, содержащие любые элементы, кроме лиц. В постановке задачи фигурирует цель обучения функции, разделяющие вновь полученные изображения к любой из двух уже имеющихся категорий - лицо или не-лицо. В качестве решения данной задачи возможно применение каскадов, деревьев и персептронов [5].

Первоочередным действием при решении задачи классификации объектов является сегментация изображения, используемая для разделения общего

множества пикселей на идентифицированные подмножества пикселей, характерных для данных объектов, а затем и классифицированных с помощью меток [6]. При этом геометрические преобразования объекта, такие как перенос, изменение размеров, вращение, изменение яркости, вызванные перемещением источника света выполняются с учетом различий в значениях признаков объектов. Таким образом, способом получения информации о различных классах объекта является обучение на основе оценки экспертом (учителем) изображения по некоторым характеристикам, удовлетворяющим условиям принадлежности объекта к той или иной категории [4]. Эмпирически доказано, что инвариантность классификации может быть обеспечена унификацией по размерам и положению объекта в пространстве [5]. Кроме того, дополнительные трансформации при изменении освещенности или факторов окружающей среды можно учитывать, как ненужные входные данные для функции обработки изображения и отбрасывать, как шум или помехи [2].

1.2 Существующие виды детектирования с помощью компьютерного зрения

1.2.1 Детектирование движения с учетом изменения яркости свечения пикселя

Суть данного подхода заключается в определении набора пикселей, которые будут входить в подмножество пикселей, характерных для искомого объекта. При этом в качестве информационных параметров выступают значение яркости свечения соответствующих пикселей [2]. Как альтернатива данному алгоритму в рамках этого метода возможно применение свёртки с использованием различных линейных функций преобразования изображения и значений яркости свечения как информационный параметр для анализа. Данный метод успешно применяется для распознавания рукописного текста [7].

1.2.2 Детектирование движения с учетом характеристик объекта

Вместо применения в качестве характеристик необработанных данных о яркости пикселов можно использовать способы обнаружения и разметки пространственно-локализованных характеристик, таких как участки и края [7]. Применение краев является целесообразным по двум описанным ниже важным причинам. Одной из них является уменьшение объема данных, связанное с тем, что количество пикселей на границах объектов намного меньше по сравнению с количеством пикселов изображения. Вторая причина обусловлена возможностью добиться инвариантности освещенности, поскольку края (при наличии подходящего диапазона контрастов) обнаруживаются приблизительно в одних и тех же местах, независимо от точной конфигурации освещенностей. Края представляют собой одномерные характеристики; были также предприняты попытки использовать двухмерные характеристики (участки) и нульмерные характеристики (точки). Следует обратить внимание на то, как отличаются трактовки пространственного расположения в подходах с учетом яркости и с учетом характеристик. В подходах с учетом яркости эти данные кодируются неявно, как индексы компонентов вектора характеристик, а в подходах с учетом характеристик характеристикой является сами координаты [8].

Неотъемлемым свойством любого объекта является инвариантное расположение краев; именно по этой причине люди могут легко интерпретировать контурные рисунки, даже несмотря на то, что подобные изображения не встречаются в природе [5]. Простейший способ использования этих знаний основан на классификаторе по ближайшим соседним точкам. При этом предварительно вычисляются и сохраняются данные о конфигурациях краев, соответствующие представлениям всех известных объектов. А после получения конфигурации краев, соответствующей неизвестному объекту на изображении,

являющимся предметом запроса, можно определить "расстояние" этого объекта от каждого элемента библиотеки хранимых представлений. После этого классификатор по ближайшим соседним точкам выбирает наиболее близкое соответствие [8].

Для описания понятия расстояния между объектами изображения было к настоящему времени предложено множество определений. Одно из наиболее интересных предложений основано на принципе сопоставления расстояний между объектами с учетом деформации. В своей классической работе "On Growth and Form" Дарси Томпсон заметил, что близкие, но не идентичные формы, можно деформировать в подобные друг другу формы с использованием простых координатных преобразований [10]. При таком подходе к оценке расстояния между объектами, понятие подобия формы на практике реализуется в виде следующего трехэтапного процесса:

- отыскивается решение задачи соответствия между двумя формами;

- данные о соответствии используются для определения преобразования, позволяющего сделать эти формы аналогичными;

- вычисляется расстояние между двумя формами как сумма ошибок согласования между соответствующими точками, наряду с термом, в котором измеряется величина выравнивающего преобразования [9].

1.3 Существующие методы детектирования движения и классификации объектов в задачах подсчета посетителей

Современные системы детектирования и классификации движущихся объектов делятся на три типа: кинетические детекторы, инфракрасные детекторы и видеодетекторы. С помощью использования любой системы, возможно решение задачи подсчета посетителей как движущихся объектов.

Кинетические детекторы представляют собой наиболее громоздкие, но и наиболее точные системы. Обычно это проходные на режимных организациях с пропускной системой, где расположены турникеты. Турникет рассчитан на проход одного человека за раз, поэтому точность подсчёта составляет почти 100%. С каждым вращением турникета увеличивается счётчик проходящих людей. Однако для решения проблемы подсчёта посетителей торгового центра эта система не подходит. Поэтому, два основных вида счетчиков посетителей в торговом центре - это инфракрасные детекторы и видеодетекторы.

Инфракрасные детекторы (счётчики) посетителей подразделяются на два основных вида: горизонтальные и вертикальные. Однако оба они основываются на едином принципе возврата и прерывания инфракрасного луча [11]. По своему расположению относительно направленности подсчета, инфракрасные счетчики посетителей разделяют на горизонтальные или вертикальные. По энергопотреблению счётчики разделяют на автономные и подключаемые к общей электрической сети. Кроме этого, счетчики классифицируются по учету направления движения объектов: однонаправленные счетчики фиксируют движения лишь в одном направлении, а двунаправленные в обоих. Так же, счётчики могут классифицироваться по типу подключения к компьютеру, и разделяться на проводные и беспроводные [12].

Горизонтальные счетчики содержат в себе два датчика, один из которых настроен на приём, а второй на передачу. Высота крепления таких устройств: 11,5 метра от уровня пола. В основе функционирования датчиков лежат фотоэлементы: если инфракрасный луч передатчика перестает приниматься приёмником, это означает перекрытие луча, а, следовательно, инкрементирование счетчика посетителей [13].

Один из самых популярных вариантов счетчиков посетителей - это рампа, в которой точность не зависит от ширины прохода. Однако погрешность таких систем из-за перекрытия объектов друг другом варьируется от 5 до 20 процентов.

Вертикальные счетчики посетителей функционируют не на принципе преломления луча, а на принципе его отражения от объекта. Как правило, данный тип счетчиков устанавливается над местом наблюдения сверху.

В качестве сильных сторон инфракрасных детекторов можно отметить малые размеры и простоту монтажа. Кроме этого, данный вид детекторов имеет невысокую стоимость при сравнительно малой погрешности. Однако при увеличении потока посетителей наблюдается рост погрешности, кроме этого, существует вероятность ложного срабатывания детектора на больших объектах, не являющихся посетителями, например, багаж и крупногабаритные грузы. Последнее замечание является недостатком данных систем [14].

Тепловизионные детекторы - данный вид устройств основан на фиксации теплового излучения объекта. Основным преимуществом данных систем является высокая точность детектирования каждого объекта в зоне наблюдения. Несмотря на сложность принципа действия, данные системы довольно просты в установке и монтаже, однако же стоимость является недостатком, так как тепловизоры очень дорогие. Кроме этого, из-за климатических условий России счетчики, установленные у входа при низкой температуре на улице, могут вести некорректный подсчёт [14].

Преимущества термокамеры:

• Малозаметность — маленький белый датчик высоко под потолком;

• Работает на большей высоте — от 3 до 11 метров от пола;

• Возможность проанализировать маршрут посетителя [15].

Недостатки термокамеры:

• Термокамера чувствительна к температурным режимам;

• Нельзя устанавливать вблизи от входа с улицы - уличный поток холодного воздуха может вызвать сбои в работе устройства;

• Нельзя устанавливать возле кондиционирования и обогрева;

• Нежелательно устанавливать термокамеру над местами скопления посетителей [15].

Системы с лазерными датчиками подсчета посетителей обладают высокой точностью, и реализованы подобно инфракрасным счетчикам вертикального типа на основе отражения луча от объекта. Однако в лазерных системах используется лазер, работающий в инфракрасном спектре. Одним из основных преимуществ данного вида систем является большое расстояние детектирования - до 30 метров [16]. Низкая погрешность при подсчете потоков посетителей высокой интенсивности и способность охватить большую площадь

Лазерные системы в отличие от инфракрасных и тепловых без проблем отличают людей от прочих крупных объектов [16]. Недостаток лазерных систем -высокая цена по сравнению с системами тепловидения [16]. 1.4 Постановка задачи исследования

По результатам проведенного анализа можно выделить два типа детекторов движения, пользующихся наибольшем спросом на рынке: инфракрасные счётчики и системы видеонаблюдения.

Рассматривая и сравнивая между собой эти два основных вида детекторов, следует отметить явное преимущество системы видеонаблюдения: помимо статистических функций, система также решает задачу обеспечения безопасности на объекте. Современные стандарты безопасности требуют обязательного наличия системы видеонаблюдения в тех местах, где ведется работа с деньгами и товарами. Это позволяет избежать краж и мошенничества, а также служит доказательной базой в случае возникновения конфликтов и споров, что не редкость в сфере услуг и торговли.

У систем видеонаблюдения также существует преимущество, обусловленное тем, что инфракрасные детекторы - узконаправленные элементарные устройства, обеспечивающие реализацию единственную функцию подсчета посетителей, в то время как системы видеонаблюдения имеют возможность дальнейшей модернизации и увеличения количества функций.

Список литературы диссертационного исследования кандидат наук Шепелев, Кирилл Валерьевич, 2018 год

Список использованной литературы:

1. JI. Шапиро, Дж. Стокман Компьютерное зрение = Computer Vision. // М.: Бином. Лаборатория знаний, 2006. / 52 с. / ISBN 5-94774-384-1

2. Дэвид Форсайт, Жан Понс Компьютерное зрение. Современный подход = Computer Vision: А Modern Approach. // М.: «Вильяме», 2004. / 228 с. / ISBN 58459-0542-7

3. A.A. Лукьяница ,А.Г. Шишкин Цифровая обработка видеоизображений. // М.: «Ай-Эс-Эс Пресс», 2009. / 118 с. / ISBN 978-5-99018991-1

4. Лорьер Ж.-Л. Системы искусственного интеллекта. // М.: Мир, 1991. / 568 с. / 20 000 экз. / ISBN 5-03-001408-Х

5. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем = Artificial Intelligence: Structures and Strategies for Complex Problem Solving / Под ред. H. H. Куссуль. / 4-е изд. // М.: Вильяме, 2005. / 864 с. / 2000 экз. / ISBN 5-8459-0437-4

6. Горелик А. Л., Скрипкин В. А. Методы распознавания. / 4-е изд. // М.: Высшая школа, 1984, 2004. / 162 с.

7. Bradsky G., Kaehler A. Learning OpenCV // O'Reilly, 2008. / С. 1 / ISBN 978-0-596-51613-0

8. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. //М.: Мир, 1978.-148с.

9. Компьютерная геометрия и алгоритмы машинной графики : Учеб.пособие / Е. А. Никулин // М.: Мир, 1978.-48с.

10. On Growth and Form / О росте и форме DArcy Thompson / ДАрси Томпсон// Dover Publications, 1992, ISBN: 0-486-67135-6, 1942 с

11. Аржанов Евгений Александрович, Обзор видов счетчиков посетителей // электронный ресурс: http://www.uchet.biz/vidy-sistem-podscheta-posetitelei.php

12. Игорь Ермолаев, Иван Алексеев, «Модули видеоаналитики для ритейла и транспорта» // электронный ресурс // Secuteck.Ru

13. Обзор видов счетчиков посетителей // электронный ресурс: www. elec stone. ru/решения/ подсчет-посетителей

14. Статья «Системы подсчета посетителей», Материал из Википедии / свободной энциклопедии // электронный ресурс,

https ://ru. wikipedia. org/wiki/Системы по дсчета посетителей

15. Статья «Тепловизор», Материал из Википедии / свободной энциклопедии // электронный ресурс https://ru. wikipedia. org/wiki/%D0% A2%D0% B5% D0% BF%D0% BB%D0%BE%D0%B2%D0% B8%D0%B7%D0%BE%D1%80

16. Обзор видов счетчиков посетителей // электронный ресурс: http://www.soft-servis.ru/katalog/sistemy_podscheta_posetitelei/

17. Материал из Википедии / свободной энциклопедии, OpenCV // электронный ресурс, https://ru.wikipedia.org/wiki/OpenCV

18. Справочный материал библиотеки OpenCV // электронный ресурс, https : //ru. wikipedia. org/wiki/OpenC V

19. Кирилл Корняков, Краткая история проекта OpenCV // электронный ресурс «Хабрахабр» http://habrahabr.ru/company/itseez/blog/146434/

20. Статья «Изображение», материал из Википедии / свободной энциклопедии // электронный ресурс: https://ru.wikipedia.org/wiki/Изображение

21. Treatise of Human Nature, A. D. Lindsay (ed.), // London: Dent / c. 98-102

22. "On Colour Vision", Maxwell, J. C., in D. L. MacAdam, (ed.), // Sources of Color Science / Cambridge, MA: MIT Press / c.65

23. И. П. Кубилюс. Аддитивная арифметическая функция. Математическая энциклопедия. // М.: Советская энциклопедия. И. М. Виноградов / 1977-1985 / с. 567

24. Синтез цвета // Фотокинотехника: Энциклопедия / Главный редактор Е. А. Иофис. // М.: Советская энциклопедия, 1981 // с. 567

25. Шепелев, К. В. Сравнение эффективности применения алгоритмов детектора движения и распознавания образов методом Виолы - Джонса к решению задачи подсчета посетителей / К.В. Шепелев // "Научное обозрение". -2016 - №1 / Саратов, Изд-во ООО «Буква», 2016

26. Александр Коробков, Михаил Сушков, публикация «Видеоаналитика: программные продукты vs IP-камеры с встроенным интеллектом» // электронный ресурс: http://daily.sec.ru/2012/10/29/print-Videoanalitika-programmnie-produkti-vs-IP-kameri-s-vstroennim-intellektom-CHast-1 .html

27. Bradsky G., Kaehler A. Learning OpenCV // O'Reilly, 2008. / C. 18 / ISBN 978-0-596-51613-0

28. «Методы обработки изображений средствами библиотеки OpenCV» / Александр Кручинин // электронный ресурс: http://recog.ru

29. About YUV Video / Microsoft MSDN, справочный материал // электронный ресурс: http://msdn.microsoft.com/ ru-ru/library/ windows/ desktop/ bb530104%28v = vs.85%29.aspx

30. Vision Convert Color / справочный материал // электронный ресурс: http://www.quarcservice. com/ ReleaseNotes/files/ vision cvt color block. html

31. Handbook of Multimedia Computing / Borko Furht // 1998 by CRC Press/ ISBN 9780849318252 / 22 с

32. Frequently Asked Questions about Colour / Charles Poynton // электронный ресурс: http://www.poynton.com/ColorFAQ.html

33. Bradsky G., Kaehler A. Learning OpenCV // O'Reilly, 2008. / гл.9.1 / ISBN 978-0-596-51613-0

34. Сравнительный анализ практической реализации алгоритмов среднеквадратичного отклонения и распознавания образов в задаче подсчета

посетителей / Шашков Б.Д., Шепелев К.В. // Естественные и технические науки / 2016 / №3 // Москва, издательство «Спутник+» / 2016 // стр. 241-245.

35. Шепелев, К. В. Комбинированный метод идентификации посетителей в системах видеонаблюдения / Шашков Б.Д., Шепелев К.В. // Естественные и технические науки / 2017 / №4 // Москва, издательство «Спутник+» / 2017 //

36. Шепелев, К.В. Расширение существующих систем видеонаблюдения в системах безопасности до маркетинго-статистических систем анализа клиентопотока /Международный электронный научный журнал «SCIENCE TIME» / 2016 / №4 / ISSN 2310-7006 /2016

37. Оценка эффективности метрик расстояния Евклида. А.О. Шумская. УДК 519.25; 004.8. // Доклады ТУСУРа, No 3 (29), сентябрь 2013, с.21

38. Bradsky G., Kaehler A. Learning OpenCV / O'Reilly, 2008. / гл.9.4 / ISBN 978-0-596-51613-0

39. С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, JI. Д. Мешалкин, / Прикладная статистика: Классификации и снижение размерности: Справ, изд., под ред. С. А. Айвазяна./ М.: Финансы и статистика, 1989,/ 607 с.

40. Вакуленко М. Д. / Моделирование фона на основе смесей нормальных распределений // Томский Политехнический Университет, реферат, 2014, 14 с

41. Bradsky G., Kaehler A. Learning OpenCV // O'Reilly, 2008. / гл.9.6 / ISBN 978-0-596-51613-0

42. Горелик A. JI., Скрипкин В. А. Методы распознавания. / 4-е изд. // М.: Высшая школа, 1984, 2004. / 262 с.

43. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. // М.: Наука, 1974./416 с.

44. Васильев В. И. Распознающие системы. Справочник. / 2-е изд. // К.: Наукова думка, 1983. / 424 с.

45. Джордж Стокман, Линда Шапиро. Компьютерное зрение = Computer Vision. // М.: Бином. Лаборатория знаний, 2006. / 752 с. / ISBN 5-947-74384-1.

46. Добеши И. Десять лекций по вейвлетам. // Ижевск: РХД, 2001. / 464 с.

47. Малла С. Вэйвлеты в обработке сигналов. // М.: Мир, 2005. / 672 с.

48. Статья «Вейвлет Хаара», материал из Википедии / свободной энциклопедии // электронный ресурс, https://rn.wikipedia.org/wiki/%D0 %92%D0%B5%D0 %B9%D0%B2%D0%BB %D0%B5%D1%82_ %D0% A5%D0 %B0%D0%B0%D 1 %80%D0%B0

49. Чуй К. Введение в вэйвлеты. // М.: Мир, 2001. / 412 с.

50. Местецкий Л.М., "Математические методы распознавания образов" // МГУ, ВМиК, кафедра "Математические методы прогнозирования", учебное пособие, 2002-2004, 30-31 с

51. Papageorgiou, Oren and Poggio, «А general framework for object detection» // International Conference on Computer Vision, 1998.

52. Viola and Jones, «Rapid object detection using a boosted cascade of simple features», Computer Vision and Pattern Recognition // 2001

53. Lienhart, R. and Maydt, J., «An extended set of Haar-like features for rapid object detection» // ICIP02, pp. I: 900/903, 2002

54. Wang, Xiaogang; Doretto, Gianfranco; Sebastian, Thomas; Rittscher, Jens; Tu, Peter. "Shape and Appearance Context Modeling" // IEEE International Conference on Computer Vision (ICCV) 2007.

55. Mitchell T. Machine Learning. // McGraw-Hill Science/Engineering/Math, 1997. ISBN 0-07-042807-7

56. Yoav Freund / An adaptive version of the boost by majority algorithm. // Machine Learning, 43(3):293/318, June 2001.

57. Robert Schapire and Yoram Singer / Improved Boosting Using Confidence-rated Predictions // Journal of Machine Learning, Vol 37(3), pages 297/336. 1999

58. Ross A. McDonald, David J. Hand, Idris A. Eckley / An Empirical Comparison of Three Boosting Algorithms on Real Data Sets with Artificial Class Noise // Multiple Classifier Systems, In Series Lecture Notes in Computer Science, стр 35-44, 2003.

59. А. А. Грешилов / Математические методы принятия решений // Издательство МГТУ им. Н.Э. Баумана/ 2014 г./ с. 648

60. Carlo Sansone, Josef Kittler, Fabio Roli, Multiple Classifier Systems: 10th International Workshop, MCS 2011, Naples, Italy, June 15-17, 2011.

61. Материал из Википедии / свободной энциклопедии, OpenCV // электронный ресурс, https://ru.wikipedia.org/wiki/OpenCV

62. OpenCV / документация // электронный ресурс: http://docs.opencv.org/ modules/core/doc/intro.html

63. OpenCV / документация // электронный ресурс: http://docs.opencv.org/ modules/highgui/doc/highgui.html

64. Установка OpenCV для Windows, документация // электронный ресурс: http://docs.opencv.org/trunk/doc/tutorials/introduction/windows_install/windows_insta ll.html

65. Статья «GitHub», материал из Википедии / свободной энциклопедии // электронный ресурс / https://ru.wikipedia.org/wiki/GitHub

66. Установка с гит-репозитория, электронное хранилище // электронный ресурс: https://github.com/Itseez/opencv.git

67. Установка С-Make, справочный материал // электронный ресурс http ://www. cmake. org/cmake/resources/software. html

68. Марк Лутц / Программирование на Python // Пер. с англ. / 4-е изд. / СПб.: Символ-Плюс, 2011. / Т. II. / ISBN 978-5-93286-211-7 / с. 12-15

69. Robert Laganiere, OpenCV Computer Vision Application Programming Cookbook // Электронная книга Google / Packt Publishing Ltd, 2014 г., 34 с

70. Oscar Deniz Suarez, OpenCV Essentials // Paperback, 2013, 37 с

71. Mastering OpenCV with Practical // Computer Vision Projects Paperback / December 3, 2012 / c. 15

72. Windows - краткое описание и особенности // электронный ресурс /https://www.microsoft.com/ru- ru/store/ d/windowspro/ df77x4d43rkt?icid

73. Требования к системе для семейства продуктов Visual Studio 2017 // электронный ресурс / https://www.visualstudio.com/ru-ru/productinfo/vs2017-system-requirements-vs

74. Bitmap / материал из Википедии, свободной энциклопедии // электронный ресурс: https://ru.wikipedia.org/wiki/Bitmap

75. Comparing Direct2D and GDI / DirectX Developer Blog / MSDN Blogs, 2017/c.17

76. Контексты устройств / MSDN // электронный ресурс: https://msdn.microsoft.com/ru-ru/library/azz5wt61.aspx

77. Web-камеры Пензы / PenzaLife // Электронный ресурс: http: //penzalife. info/webcams

78. DIVX / Описание программного продукта DIVX // Электронный ресурс: http ://www. divx. com/en/soft ware/divx

79. Основные принципы планирования эксперимента / Хикс Ч. // М / Мир / 1967/с.56

80. Метрологическое обеспечение видеоинформационных систем / А. Дворкович, В. Дворкович // Google-Books / 2017 / с.230

81. JPEG / About // Электронный ресурс: https://jpeg.org/about.html

82. О проблемах определения возможностей масштабирования сложных систем / Гребенюк В.М. / Московский государственный технический университет радиотехники, электроники и автоматики/ МГТУ МИРЭА /2014

83. Пристальный взгляд на новейшие технологии видеонаблюдения / По материалам Security Sales & Integration / 2013 // Электронный ресурс: http://www.secfocus.rU/articles/21376.htm#axzz4w6cMpPGg

84. Применение метода SURF в системах контроля и управления доступом на основе биометрических технологий / fanden / Хабрахабр, Электронный ресурс: https://habrahabr.rU/post/l52679/

85. Вавилова Г.В. (2013) Математическая обработка результатов измерения: учебное пособие // Изд-во Томского политехнического университета / 2013 / с.16-18

86. Вентцель Е. С. Теория вероятностей. / 10-е изд., стер.. / М.: «Академия», 2005. / 576 с.

87. Прохоров Ю. В. Случайная величина //Математическая энциклопедия/Под ред. Виноградова И.М.-М.: Советская энциклопедия, 1985,-Т.5.- Стр. 9,- 623 с.

88. Субботин С. В., Большаков Д. Ю. Применение байесовского классификатора для распознавания классов целей. // «Журнал Радиоэлектроники», 2006, № 4

89. Спирин Н.А. (2004) Методы планирования и обработки результатов инженерного эксперимента. Конспект лекций // Екатеринбург, ГОУ ВПО УГТУ-УПИ / 2004 / с.22

90. Статистические методы планирования экстремальных экспериментов / Налимов В.В., Чернова Н.А.// М. Наука / 1965 / с.64

91. Windows и альтернативные ей операционные системы / Рукасуева С.Ю., Багаева А.П.// Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярска / Актуальные проблемы авиации и космонавтики / 2011 / с. 88-89

92. Библиотеки Windows 7 / Пошаговое руководство // Электронный ресурс: https://technet.microsoft.com/ru-ru/library/ee449433(v=ws.l0).aspx

93. Fast and Efficient Rotated Haar-like Features Using Rotated Integral Images / Messom, C.H. and Barczak, A.L.C. // Australian Conference on Robotics and Automation (ACRA2006), c. 1-6, 200

94. Искусство схемотехники / Хоровиц П., Хилл У. / Т. 2. Пер. с англ.— 4-е изд., перераб. и доп. // М.: Мир / 1993 /371 с.

95. Объект (программирование) / Материал из Википедии — свободной энциклопедии // Электронный ресурс: https://ru. wikipedia.org/wiki/Объект (программирование)

96. Настройка системы видеонаблюдения / Corptech // Электронный ресурс: http: //corptech. ru/nastroj ka-sistemy-videonablyudeniy а/

97. Время работы ТРЦ в г.Пенза / Справочная система 2ГИС-Онлайн // Электронный ресурс: https: //2gis. ru/penza/search/%D0%A2%D0%BE%D 1 %80%D0%B3%D0%BE %D0%B2%Dl/rubricId/611/tab/firms

98. Новейшие методы обработки изображений / Потапов А. А., Пахомов А. А., Никитин С. А., Гуляев Ю. В. // М.: Физматлит / 2008. / 496 с.

99. Глоссарий: Нормальное распределение, BaseGroup Labs, электронный источник, ссылка: http://www.basegroup.ru/glossary/definitions/normal_dist/

100. Результаты реализации системы детектирования и классификации движущихся объектов / Шепелев К.В. // V Международная научно-практическая конференция «Экспериментальные и теоретические исследования в современной науке» / 2017 /

101. Экспериментальное сравнение эффективности использования алгоритмов межкадровой разницы и нормального распределения в задачах детектирования человека / Макарычев П.П., Шепелев К.В., Шепелева Д.С. //

OPEN INNOVATION: сборник статей Международной научно-практической конференции / Пенза / МЦНС «Наука и Просвещение» / 2017 / с.298

102. Экспериментальное сравнение эффективности использования алгоритмов межкадровой разницы и нормального распределения в задачах детектирования человека / Макарычев П.П., Шепелев К.В., Шепелева Д.С.// V Международная научно-практическая конференция «Экспериментальные и теоретические исследования в современной науке» / 2017 /

Государственное бюджетное образовательное учреждение дополнительного образования «Областная специализированная детско-юношеская спортивная школа олимпийского резерва по гимнастике им.Н.А.Лавровой»

(ГБОУ ДО «ОСДЮСШОР по гимнастике им.Н.А.Лавровой»)

7 «мая' 2° ы.

Настоящий Акт свидетельствует, что программное обеспечение «Система подсчета посетителей «Hunter», разработанное Шепелевым Кириллом Валерьевичем, внедрено на базе Дворца Спорта «Буртасы» (ГБОУ ДО «ОСДЮСШОР по гимнастике им.Н.А.Лавровой>>).

Процесс внедрения проходил с 1 апреля по 1 мая 2016 г.

Заявленные характеристики системы предполагали наличие следующих основных возможностей:

• Подсчет посетителей с использованием системы видеонаблюдения с точностью до 97% относительно реального количества посетителей;

• Хранение записей камер видеонаблюдения:

• Пост-обработка существующих записей камер видеонаблюдения,

• Статистический анализ целесообразности применения маркетинговых технологий по отношению к клиентопотоку;

• C6od и хранение статистики посещения за все время работы программного обеспечения;

• Отс> гствие программно-аппаратных ошибок при работе программного обеспечения;

• Решение проблемы подсчета посетителей массовых мероприятий.

В ходе эксплуатации программы подтверждено, что она обладает всеми заявленными возможностями и позволяет проводить подсчет посетителей Дворца Спорта «Буртасы».

На момент подписания настоящего Акта система установлена для двух камер Дворца Спорта, в ней было задействовано два основных входа в здание и проведено пробное тестирование в двух массовых мероприятиях с общей численностью посетителей более 1500 человек.

Ш

X

Заместитель директора по обшим вопросг" ГБОУ ДО «ОСДЮСШОР по гимнастике им H.A. Лавровой»