Метод, модели и алгоритмы обработки сложноформализуемых видеоданных в локальных информационных системах тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Скрипкина, Анна Андреевна

• Скрипкина, Анна Андреевна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Скрипкина, Анна Андреевна

ОГЛАВЛЕНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

ВВЕДЕНИЕ

1 АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ И УСТРОЙСТВ ЦИФРОВОЙ ОБРАБОТКИ ВИДЕОИНФОРМАЦИИ ПРИ РАСПОЗНАВАНИИ ОБЪЕКТОВ В РЕАЛЬНОМ МАСШТАБЕ ВРЕМЕНИ

1.1 Цели и задачи цифрового анализа и обработки видеоинформации

1.2. Основные принципы и этапы анализа видеоизображений в реальном масштабе времени

1.3 Выделение и формирование признаков распознавания движущихся объектов в существующих системах цифровой обработки видеоинформации

1.4 Выводы и постановка задачи исследования

2 МОДЕЛИРОВАНИЕ ОСНОВНЫХ ПРОЦЕССОВ ДЛЯ ВЫДЕЛЕНИЯ ИНФОРМАТИВНЫХ ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ, ИДЕНТИФИКАЦИИ И ОТСЛЕЖИВАНИЯ ДВИЖУЩИХСЯ ЛЮДЕЙ ПО ОСОБЕННОСТЯМ ИХ ПОХОДКИ

2.1 Построение системной модели выделения прямых и косвенных биометрических признаков (основных и дополнительных) движения людей в пространственно-временном базисе

2.2 Динамические модели состояний и наблюдений для анализируемой текущей видеопоследовательности

2.3 Отображение системной модели в операторных уравнениях. Этапы динамического выделения признаков и формирования рабочего словаря

2.4 Предварительная обработка видеоинформации для выделения информативных признаков походки человека

2.5 Выводы ко 2-й главе

3 Разработка метода формирования рабочего словаря прямых (основных) и косвенных (дополнительных) признаков для разложения описания алфавита классов и эталонов людей по особенностям их походки

3.1 Выбор и обоснование модели сегментации переднего плана

3.2 Математические субмодели элементов отслеживания траекторий движения человека, как вложений его эллипсной модели

3.3 Формирование косвенных и гибридных информативных признаков движения человека

3.4 Применение преобразования Фурье для получения значений прямых и косвенных признаков рабочего словаря

3.5 Выводы к третьей главе

4 ПОСТРОЕНИЕ ФУНКЦИОНАЛЬНО-СТРУКТУРНОЙ ОРГАНИЗАЦИИ (ФСО) СИСТЕМЫ РАСПОЗНАВАНИЯ ДИНАМИЧЕСКИХ ОБЪЕКТОВ (ДВИЖУЩИХСЯ ЛЮДЕЙ) ПО БИОМЕТРИЧЕСКИМ ПРИЗНАКАМ ПОХОДКИ. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

4.1 Функциональная и структурная организация системы распознавания движущихся людей по биометрическим характеристикам походки

4.2 Алгоритмическая организация системы распознавания

4.3 Экспериментальные исследования работоспособности алгоритмов функционирования системы распознавания

4.4 Выводы к 4 главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

БПФ - блок Фурье-преобразования;

ДЗУ - динамическое запоминающее устройство;

ДСКП - динамическая субмодель селекции косвенных признаков;

ДСН - динамическая субмодель наблюдений;

ДСПП - динамическая субмодель выделения прямых признаков;

ДСС - динамическая субмодель состояний;

ДСТ - динамическая субмодель отслеживания траекторий;

СКО - среднее квадратичное отклонение;

ФСО - функционально-структурная организация.

Введение диссертации (часть автореферата) на тему «Метод, модели и алгоритмы обработки сложноформализуемых видеоданных в локальных информационных системах»

ВВЕДЕНИЕ

Актуальность работы. Широкое развитие и выделение информационных технологий в различных отраслях народного хозяйства Российской Федерации, в сервисных службах, силовых и оборонных ведомствах в настоящее время способствует созданию единой системы информационного мониторинга для своевременного контроля и управления технологическими, сервисными, охранными и другими целенаправленными процессами.

Важнейшим направлением является построение и использование видеоинформационного мониторинга, как наиболее содержательного и доступного в организации, доставляющего до 80% всей оперативной и технологической информации пользователям соответствующего уровня.

Одним из факторов в создании видеоинформационного потока данных, формируемого оптико-электронными и программно-аппаратными средствами видеомониторинга, является распознавание и анализ движущихся объектов, обработка информации, отображаемой в кадрах видеоизображений, представленных в аналоговом и цифровом видах в зависимости от типа и назначения видеодатчиков (аналоговых и цифровых видеокамер).

Обычно при распознавании (классификации) движущихся объектов решаются следующие задачи: определение самого факта движения; выделение анализируемого движущегося объекта на фоне стационарного или движущегося фона; определение (классификация) типа движущегося объекта (человека, животного, птицы, транспортного средства и т.д.); распознавание конкретного образа движущегося объекта, например, лица (портрета) человека.

При этом опознание конкретного человека, в основном, осуществляется путем сравнения эталона (портрета, видеоизображения) с видеоизображениями человека (текущим видеокадром) или его отдельными чертами (например, изображение радужной оболочки глаза).

Анализ известных приемов, методов и средств распознавания и идентификации людей по их портретному сходству показал их недостаточную эффективность в целом ряде случаев, а именно при преднамеренном сокрытии (например, с помощью маски) или искажении лица, его отдельных черт (использованием грима, искусственным преобразованием путем использования сторонних предметов); при неудачном ракурсе наблюдения движущегося человека; при значительном расстоянии между человеком и видеодатчиком; при недостаточном освещении анализируемого объекта.

В связи с этим представляется целесообразным поиск, обоснование и использование особенностей, свойств новых информационных признаков, позволяющих повысить качество распознавания движущихся людей.

Разработке методов обнаружения и сопровождения движущихся объектов, обработки изображений и управления объектами и целенаправленными процессами (например, пожаро-охранными) посвящен целый ряд фундаментальных исследований Алпатова Б.А., Атакищева О.И., Башмакова O.E., Быкова P.E., Гуревича С.Б., Дуды Р., Харта П. и др. Методы цифровой обработки изображений рассматривались в работах Гонсалеса Р., Лукьяницы A.A., Титова B.C., Филиста С.А. Вопросы, посвященные передаче видеоданных, исследовались в работах Зубарева Ю.Б., Согдулаева Ю.С. и др. Методы распознавания статических и динамических образов на основе пространственно-временного анализа видеоизображений освещались в работах Фаворской М.Н., Сойфера В.А., Фисенко В.Т., Форсайта Д., Ключикова И.А. и др. Вместе с тем, вопросы распознавания движущихся людей (динамических образов) в различных ситуациях и в условиях меняющихся факторов (наличие помех, неоднородности освещения, изменение ракурса и т.д.) остаются нерешенными.

Одним из перспективных направлений распознавания и идентификации образов движущихся людей является биометрия, то есть технология, использующая физиологические или поведенческие особенности, способные

выступать в качестве признаков при распознавании и идентификации образов людей, находящихся в движении (то есть идущих пешком или бегущих отдельно или в толпе).

Анализ многочисленных, в основном зарубежных, публикаций в области биометрии позволяет утверждать, что различными авторами исследована такая биометрическая характеристика, как походка человека, описаны методы ее идентификации как полезного, а часто и незаменимого признака в общем словаре признаков, используемых при распознавании образов движущихся людей. В результате этого анализа также установлено, что ряд вопросов, таких как формирование эталонов с включением признака - особенностей (свойств) походки индивидуума, коррекция этих эталонов в процессе обучения системы распознавания образов, а также - оптимизация текущих описаний конкретных движущихся людей для их последующего сравнения с эталонами рассмотрены и исследованы недостаточно для различных форм представления походки человека.

Таким образом, сложилось противоречие между необходимостью повышать достоверность и оперативность (быстродействие) распознавания движущихся людей в различных условиях внешней среды и ограниченными возможностями существующих методов и средств соответствующего назначения. Из-за многочисленных приемов описания походки движущегося человека неоднозначны пути и способы соответствующих эталонных описаний и текущих описаний походки конкретного человека. При этом оба типа описаний (представлений) и последующие процедуры распознавания и идентификации движущихся объектов должны опираться на теоретически и экспериментально исследованный и обоснованно выбранный словарь признаков и алфавит классов соответственно для походки и других биометрических характеристик с близкими (схожими) свойствами.

В этой связи актуальной научно-технической задачей является повышение достоверности и быстродействия распознавания и идентификации

движущихся людей путем разработки метода и моделей обработки сложноформализуемых видеоданных (видеоизображений) в части оптимизации текущих описаний движущегося человека на основе косвенных биометрических признаков (походка), повышение достоверности формирования эталонных описаний объекта по этим признакам.

Целью работы является разработка моделей, метода и алгоритмов обработки сложноструктурируемых видеоданных на основе использования косвенных биометрических признаков движения человека для повышения качества распознавания и идентификации конкретных людей (движущихся объектов).

В соответствии с поставленной целью научно-техническая задача диссертационной работы декомпозирована на следующие частные задачи:

1. Анализ результатов современных исследований (на основе отечественных и зарубежных публикаций монографий, методик, статей и докладов) в области автоматического и автоматизированного процессов селекции видеоданных (видеоизображений) по косвенным биометрическим признакам движения, определение существующих ограничений известных приемов и методов распознавания и идентификации движущегося человека, обоснование направлений исследований.

2. Разработка системной модели выделения косвенных признаков движущихся конкретных людей, формирование рабочего словаря признаков единой или гибридной физической природы.

3. Разработка метода и программно-ориентированных алгоритмов формирования текущих описаний, эталонов и классов движущихся людей на основе использования словаря и алфавита для косвенных признаков движения.

4. Создание функционально-структурной организации системы распознавания движущихся людей по косвенным биометрическим признакам.

Объект исследований - автоматические и автоматизированные системы распознавания и идентификации движущихся людей в общем комплексе видеоинформационного мониторинга.

Предмет исследований - методы и алгоритмы селекции и цифровой обработки видеоданных, использующие косвенные признаки движущихся людей для их выделения из общего фона, распознавания и идентификации в реальном масштабе времени.

Методы исследования. Для решения поставленных в работе задач использовались методы и приемы цифровой обработки и анализа видеоинформации, методы системного анализа, принципы построения систем видеомониторинга, теория систем, теория распознавания образов, теория множеств и математической логики, методики грамматического описания и анализа видеосцен, теория сигналов, теория обнаружения и выделения сигналов.

Новыми научными результатами и положениями, выносимыми на защиту, являются:

1. Системная модель выделения косвенных биометрических признаков движущихся конкретных людей, отличительной особенностью которых является представление этих признаков в пространственно-частотном базисе, оптимизирующих текущие и эталонные описания движущихся объектов.

2. Метод формирования рабочего словаря, объединяющего косвенные и гибридные признаки для текущего и эталонного описания движущихся экземпляров людей, отличием которого является использование признаков частотного (спектрального) разложения вспомогательных траекторий движущихся частей тела идущего человека.

3. Программно-ориентированные алгоритмы:

- формирования рабочего словаря признаков косвенного и гибридного видов для текущих и эталонных описаний движущихся людей;

- формирования эталонных описаний (экземпляров людей) на основе пространственно-частотного представления косвенных признаков в составе рабочего словаря;

- распознавания и идентификации движущихся людей с использованием гибридного словаря и приемов обучения с целью динамического уточнения алфавита классов в процессе функционирования системы распознавания.

4. Функционально-структурная организация системы распознавания движущихся людей, отличающаяся наличием элементов и связей формирования рабочих гибридных словарей косвенных признаков, представленных в пространственно-временном базисе.

Практическая ценность и внедрение результатов работы

Практическая ценность работы состоит в следующем.

Разработка моделей формирования рабочего словаря из косвенных и гибридных информативных признаков, текущих и эталонных описаний экземпляров движущихся людей (объектов), положеных в основу функционирования автоматических распознающих систем в составе комплексов видеоинформационного мониторинга (видеонаблюдения, регистрации высокоинформативных видеоданных, охранного телевидения и т.д.), функционирующих в реальном масштабе времени.

Программно-ориентированные алгоритмы поэкземплярного распознавания и идентификации образов движущихся людей с применением биометрических косвенных и гибридных описаний, оптимизирующие локальные процессы функционирования распознающей системы с требуемой технической эффективностью внедрены в ФГУП «18 ЦНИИ» МО РФ, г. Курск и используются в учебном процессе Юго-Западного государственного университета, что подтверждено соответствующими актами.

Соответствие диссертации паспорту научной специальности

Диссертация соответствует паспорту специальности 05.13.01 - Системный анализ, управление и обработка информации: п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 5 «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации», а также п. 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».

Апробация работы. Основные научные и практические результаты диссертационного исследования докладывались и получили положительную оценку на международных и российских научных конференциях: «Перспективы развития информационных технологий» (г. Новосибирск, 2011 г.), «Медико-экологические информационные технологии» (г. Курск, 2011 г.), «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации «Распознавание - 2012» (г. Курск, 2012 г.), «Тенденции и инновации современной науки» (г. Краснодар, 2013 г.), «Актуальные задачи математического моделирования и информационных технологий» (г. Сочи, 2013 г.), а также на научно-технических семинарах кафедры «Биомедицинская инженерия» с 2011 по 2013 гг.

Публикации. Основные результаты диссертации отражены в 10 научных работах, из них 4 статьи, опубликованные в ведущих рецензируемых научных журналах.

Личный вклад автора. Все выносимые на защиту результаты получены лично автором. В работах, опубликованных в соавторстве и приведенных в списке литературы, соискателем лично предложены: в [28] и [29] анализ результатов современных исследований в области автоматического и автоматизированного процессов селекции видеоданных; в [34] - системная модель выделения косвенных признаков движущихся конкретных людей; в [33] - структурная и

математическая модели выделения признаков движущегося человека по траекториям полюсов (фокусов) эллипсной модели.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 70 наименований, изложена на 136 страницах машинописного текста и поясняется 38 рисунками, 3 таблицами.

1 АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ И УСТРОЙСТВ ЦИФРОВОЙ ОБРАБОТКИ ВИДЕОИНФОРМАЦИИ ПРИ РАСПОЗНАВАНИИ ОБЪЕКТОВ В РЕАЛЬНОМ МАСШТАБЕ ВРЕМЕНИ

1Л Цели и задачи цифрового анализа и обработки видеоинформации

Интеллектуальный анализ и обработка видеоинформации является одним из перспективных и наиболее быстро развивающихся направлений исследований и разработок, применяемых в различных областях человеческой деятельности. Изначально информация, получаемая с видеокамер, использовалась, в основном, в системах охранного телевидения. Однако, в дальнейшем, применение новых методов анализа и обработки позволило использовать видеоинформацию для решения самых разнообразных задач. Поэтому современные автоматизированные системы обработки и анализа видеоинформации широко используются для решения таких задач как видеонаблюдение с целью обеспечения безопасности объектов различного назначения (в охранных системах, системах контроля доступа, противопожарных системах и т.д.), в навигации, для контроля качества и количества производимой продукции и видеомонитеринга многих целенаправленных процессов.

В отличие от статичных кадров текущие видеоизображения содержат информацию об изменениях, происходящих с течением времени в наблюдаемой сцене. Видеопоследовательности являются емким информационным ресурсом, структурированным в пространстве и во времени, объединяющим в себе пространственные свойства статических изображений и свойства многомерных сигналов, меняющихся во времени [1, 36]. К их основным свойствам относятся

[41]: наглядность, избыточность, компактность, максимальная информативность (до 80% всей доставляемой человеку информации).

Анализ видеопоследовательностей позволяет выделять статические и динамические признаки обхектов наблюдения.

Избыточность видеоизображений заключается в том, что не все объекты, имеющиеся в кадре, и их отношения представляют интерес в каждой конкретной задаче.

Анализ видеопоследовательностей представляет собой такую процедуру, в результате которой можно ответить на два типа вопросов: логический (присутствие конкретного объекта в кадре, отношения с другими объектами) и количественный (количество объектов, их размер, расстояния до них и т.д.). В общем случае, основной целью анализа видеоизображений в результате мониторинга является извлечение содержащейся в последовательности кадров полезной и значимой информации. Критерии значимости этой информации определяются целевыми функциями конкретной системы, а основная задача систем автоматизированного видеонаблюдения заключается в информировании человека о ситуации, сложившейся в поле зрения камеры, и формировании данных для принятия решений, предусмотренных для программно заложенных действий [16]. Под ситуацией здесь будем понимать совокупность состояний системы и внешней среды в данный момент времени.

Процесс построения таких систем можно представить схемой, изображенной на рисунке 1.

Классификация, распознавание и идентификация движущихся являются сложными задачами, которые проблематично решить классическими методами распознавания [7], поскольку временные переходы в видеопоследовательностях могут порождать преобразования видеоизображений [36], не описываемые известными аналитическими зависимостями.

Видеосигнал

Рисунок 1 - Схема процесса функционирования систем анализа

видеоизображений

Приведенный выше процесс включает в себя следующие этапы:

1) получение видеосигнала и его преобразование в цифровую форму (если первичный сигнал получен в аналоговой форме);

2) накопление (при необходимости) текущего массива видеоданных;

3) обработка полученных в цифровом виде видеоизображений с целью выделения значимой и необходимой информации;

4) анализ полученной информации и ее выделение (селекция) для решения конкретной задачи

К типовым задачам анализа видеоизображений (рисунок 2) относятся [11]:

- обнаружение объектов, их селекция (выделение необходимых данных);

- хранение информации;

- обнаружение объектов и слежение за ними;

- селекция движущихся объектов и текущий контроль;

- измерение параметров объектов;

- классификация и распознавание объектов;

- другие задачи (в соответствии с особенностями мониторинга).

Рисунок 2 - Целевые задачи систем анализа и обработки изображений

Если задачи классификации, рспознавания и идентификации движущихся объектов рассматривать в видеопоследовательностях как единый процесс, то целесообразным представляется подход с единых системных позиций, использующий параметрические принципы [36] с параллельно-последовательной обработкой видеоданных.

Наибольший интерес представляют задачи, связанные с обнаружением, селекцией и распознаванием, которые взаимосвязаны друг с другом. К ним относятся [1, 16, 55, 70]:

1) обнаружение, селекция и сопровождение движущихся объектов (людей, животных, транспорта и т.д.), например, наблюдение за авто- и железными

дорогами для предотвращения аварий, фиксирование проезда автомобилями перекрестка;

2) обнаружение и селекция массового скопления объектов (массового скопления людей, автомобильных заторов на дорогах);

3) обнаружение объектов, находящихся в контролируемой зоне. К данной подгруппе задач можно отнести мониторинг мест массового скопления людей на наличие оставленных предметов, контроль доступа на охраняемые объекты, обнаружение неправильно припаркованного автоторанспорта;

4) определение траектории движения объектов (трекинг), регистрация неправильной траектории движения автотранспорта (поворот в запрещающем месте, движение по встречной полосе, выезд за пределы дороги и т.д.), обнаружение людей, двигающихся в неправильном направлении.

Измерение параметров объектов подразумевает под собой оценку определенных параметров видеоизображений [14, 24]:

1) определение и оценка скорости движения объектов на видеоизображении (например, измерение скорости автомобилей, обнаружение людей, двигающихся с нестандартной скоростью, т.е. бегущих и т.д.);

2) подсчет количества интересующих пользователя объектов: оценка интенсивности дорожного движения и подсчет числа проехавших транспортных средств, автоматическое определение числа занятых и свободных мест на парковках, подсчет числа изделий на конвейере и первичный контроль качества проведение статистических исследований в торговых и развлекательных центрах, а также в музеях, подсчет количества людей, проходящих через определенную контролируемую зону;

3) определение размеров объектов;

4) определение дистанции от объекта до видеокамеры.

Распознавание объектов предполагает:

1) распознавание предметов определенной формы и размера;

2) распознавание номерных знаков;

3) идентификация людей, в том числе по биометрическим характеристикам (лицу, походке, тепловому портрету и т.д.);

4) распознавание ситуаций, например, при мониторинге различных территорий с целью раннего обнаружения пожаров, аварий, катастроф, обнаружение краж и нестандартного поведения.

1.2. Основные принципы и этапы анализа видеоизображений в реальном

масштабе времени

Способность системы реализовать процессы анализа и распознавания видеопоследовательностей в заданном интервале времени можно описать обобщенной функцией вида:

где g|, g2,■■■,gn- конктретные задачи системы.

В зависимости от поставленной задачи системы выражение (1.1) может включать и ограничиваться отдельными составляющими. В свою очередь, каждую задачу можно охарактеризовать некоторой функцией [11]. Например:

(1.1)

£(0 = ЯХ,У,У),

(1.2)

где хиу- спектрально-энергетические и пространственные признаки объектов, у - показатель, учитывающий особенности зрительного восприятия объектов и их анализа.

Анализ видеоизображений можно разделить на следующие самодостаточные этапы [1, 16]:

1. выделение переднего плана: задачей этого этапа является выделение пикселов, принадлежащих переднему плану (например, движущиеся фрагменты видеоизображения), что соответствует обнаружению движущегося объекта. Пусть на изображении фона В(1), искаженном шумом появляется движущийся объект с отличной от фона яркостью. Если Ь(г/) - яркость пиксела (/, у) фона в момент времени t, Ь - величина разницы между яркостью точек движущегося объекта и яркостью фона, можно сформулировать три гипотезы. Гипотеза 1: /г(/,у',/) = + 5 - точка (/, у) принадлежит более яркому объекту по сравнению с фоном. Гипотеза 2: /г(/,у",?) = ¿(¿,у',г) - 5 - точка (/, у) принадлежит более темному объекту по сравнению с фоном. Гипотеза 3: /г(/,у',*) = 6(/,у',г) -точка (I у) принадлежит фону. Обнаружение движущихся объектов может выполняться с помощью различных алгоритмов. От того, насколько качественно выделен передний план, зависят все последующие этапы и решение всей задачи видеоанализа в целом. Сложность данного этапа обуславливается большим количеством разнообразных факторов, таких как собственные аппаратные шумы камеры, изменение освещенности, движения фона, тени от объектов;

2. сегментация - это процесс разбиения изображения на состаявляющие его объекты (рисунок 3).

Переднеплановое

Рисунок 3 - Процесс сегментации переднепланового изображения

Полученное переднеплановое изображение подвергается фильтрации для удаления фрагметов, обусловленных помехами (шумы камеры, движение листьев деревьев, дождь, снег, блики света и т. д.) и не представляющих интереса для анализа. Для этого используются специальные цифровые фильтры аппаратного и (или) программного типов. Существует множество подходов для решения задачи сегментации [1, 16, 36]. Большинство из них основано на анализе признаков точек видеоизображения. Учитывая, что процессу сегментации подвергаются переднеплановые объекты, площадь которых меньше площади всего видеокадра, объем обрабатываемой информации снижается. Таким образом, сегментацию можно рассматривать, как оператор вида [36]

где ^(/,7), — функции, определяющие переднеплановое и

сегментированное изображения соответственно

где Хр — имя р-го сегмента (объекта переднего плана), — множество точек р-го сегмента.

Таким образом, задачей сегментации является выделение связанных групп пикселов, принадлежащих, например, одному движущемуся объекту, и объединение их в сегменты. Проблема сегментации заключается в сложности сборки сегментов из их составляющих;

3. классификация: на данном этапе сегментированные объекты соотносятся с априори определенными классами (рисунок 4) [17]. Форма и параметры полученного сегмента могут использоваться для решения задачи классификации обнаруженного объекта, т.е. отнесения обнаруженного объекта к тому или иному классу объектов. Классификация может осуществляться с

(1.3)

Л = Хр,(г,Ле8р,р = 1,2,...,К,

(1.4)

использованием одного или нескольких последовательных кадров видеоряда. В настоящее время существуют два основных подхода для различения движущихся объектов - контурные методы и методы, основанные на движении. Первые используют двумерную пространственную информацию об объекте, а вторые -изменение характерных параметров объекта во времени;

класса

Рисунок 4 - Процесс классификации выделенных сегментов

- отслеживание траектории движения (трекниг) объетов: на данном этапе устанавливается соответствие между объектами в последовательности кадров, а также определяются траектории движения объектов и их динамические характеристики. В простой форме трекинг представляет собой в установке меток соответствующему объекту от кадра к кадру. На процесс отслеживания влияют следующие факторы: шумы камеры, изменение освещенности сцены и формы объектов, несколько похожих объектов с пересекающимися траекториями, перекрытие объектов, неточности при выделении переднего плана, сегментации. Важной задачей при отслеживании движения является выделение индивидуальных, мало меняющихся во времени характеристик и их параметров, присущих конкретно каждому из контролируемых объектов. Для трекинга объект должен быть выделен, что решается несколькими способами: объект описывается

одной точкой (центр масс объекта или центр минимально возможного прямоугольника, описанного вокруг объекта); объект описывается группой ключевых точек; объект описывается геометрическим примитивом (прямоугольником, эллипсом); объект представляется в контурном виде; объект описывается набором областей, максимально устойчивых при его движении, либо всей областью.

Список литературы диссертационного исследования кандидат наук Скрипкина, Анна Андреевна, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Алпатов Б.А. Методы обнаружения и сопровождения объектов. Обработка изображений и управление [Текст] / Б.А. Алпатов, П.В. Бабаян, O.E. Балашов, А.И. Степашкин. - М.: Радиотехника, 2008. - 176 с.

2. Быков P.E. Анализ и обработка цветных и объемных изображений [Текст] / P.E. Быков, С.Б. Гуревич. - М.: Радио и связь, 1984. - 248 с.

3. Волковицкий В. Возможности автоматизированного анализа видеоизображений [Текст] / В. Волковицкий, В. Волхонский // БДИ. - 2008. - № 5 (80). - С. 48-50.

4. Волковицкий В. Особенности алгоритмов анализа телевизионных изображений [Текст] / В. Волковицкий, В. Волхонский // БДИ. - 2009. - №2.

5. Гонсалес Р. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс . Москва: Техносфера, 2005. - 1072 с.

6. Денисенко А.Н. Сигналы. Теоретическая радиотехника [Текст]. - М.: Горячая линия - Телеком, 2005. - 704 с.

7. Дуда Р. Распознавание образов и анализ сцен [Текст] / Р. Дуда, П. Харт, под ред. В. Л. Стефанюка. - М.: Издательство «Мир», 1976. - 511 с.

8. Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения [Текст]. -М.:ФАЗИС, 2006.

9. Загоруйко Н.Г. Методы распознавания и их применение [Текст]. - М.: Сов. Радио, 1972.

10. Загоруйко Н.Г. Прикладные методы анализа данных и знаний [Текст]. -Новосибирск: ИМ СО РАН, 1999. - 270 с.

П.Зубарев Ю.Б. Видеоинформационные технологии систем связи: Монография [Текст] / Ю.Б. Зубарев, Ю.С. Сагдуллаев, Т.Ю. Сагдуллаев - М.: Издательство «Спутник +», 2011. - 296 с.

12. Касти Дж. Большие системы. Связность, сложность и катастрофы [Текст]. - M.: Мир, 1982, 216с

13. Кендалл М.Дж. Статистические выводы и связи [Текст]/ М.Дж. Кендалл, А. Стьюарт. - М.: Наука, 1973. - 899с.

14. Контрольно-пропускной пункт, основанный на распознавании походки (Opening management through gait détection), патент США US20120319814 Al, опубликовано 20.12.2012.

15. Коростелев С.И. Быстродействующее оптико-электронное устройство распознавания изображений объектов на основе трехмерных векторных эталонов. Кандидатская диссертация. - Курск: КГТУ, 2009 - 138с.

16. Лукьяница А.А., Цифровая обработка видеоизображений [Текст] / А.А. Лукьяница, А.Г. Шишкин. - М.: «Ай-Эс-Эс Пресс», 2009. - 518с.

17. Методы компьютерной обработки изображений [Текст] / под ред. В.А. Сойфера. - 2-е изд., испр. - М.:Физматлит, 2003. - 784 с.

18. Минский М. Фреймы для представления знаний [Текст]. - М.: Энергия, 1979,- 151 с.

19. Охтилев М.Ю. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов [Текст] / М.Ю. Охтилев, Б.В. Соколов, Р.М. Юсупов. - М.: Наука, 2006. - 410 с.

20. Распознавание образов: состояние и перспективы [Текст]: Пер. с англ / К. Верхаген, Р. Дёйн, Ф. Грун и др. - М.: Радио и связь, 1985. - 104 с.

21. Рафаэл Б. Думающий компьютер [Текст]. - М.: Мир, 1979. - 407 с.

22. Репин В.Г. Статистический синтез при априорной неопределенности и адаптация информационных систем [Текст] / В.Г. Репин, Г.П. Тартаровский. - М.: Сов. Радио, 1977.-432 с.

23. Свешников А.А. Основы теории ошибок [Текст]. - Издательство Ленинградского университета, 1972. - 122с.

24. Система анализа походки человека и его идентификации (Video-based gait recognition), патент США US7330566 В2, опубликовано 12.02.2008 г.

25. Скрипкина А.А. Анализ и исследование методов распознавания походки и движений человека [Текст] // Естественные и технические науки - 2013. - №3. -С. 218-223

26. Скрипкина А.А. Анализ методов распознавания движений человека [Текст] // Новый университет. - 2013. - № 1(11). - С. 28 - 32.

27. Скрипкина А.А. Применение морфологических операций для контурного представления движущихся людей на видеоизображениях [Текст] // European Researcher - 2013. - Vol.(48). - № 5-1 - С. 1206 - 1210.

28. Скрипкина А.А. Применение тепловых портретов и интегрированных систем на их основе для распознавания лиц в видеопоследовательностях / А.А. Бурмака, А.А. Скрипкина [Текст] // В мире научных открытий. Серия «Математика. Механика. Информатика» -2012. - № 8.1 (32). -С. 156- 169.

29. Скрипкина А.А. Применение тепловых портретов для распознавания лиц в видеопоследовательностях [Текст] / А.А. Бурмака, А.А. Скрипкина // «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. «Распознавание 2012»: материалы X международной научно-технической конференции. - Курск: Юго-Западный государственный университет. - 2012. - С. 65-67.

30. Скрипкина А.А. Выделение контуров движущихся объектов на видеоизображениях посредством применения морфологических алгоритмов [Текст] // Тенденции и инновации современной науки: материалы VII Международной научно-практической конференции (тезисы докладов). -Краснодар, 2013. - С. 98.

31. Скрипкина А.А. Использование походки человека в качестве биометрической характеристики [Текст] // Медико-экологические информационные технологии-2011: сборник материалов XIV Международной

научно-технической конференции. - Курск: Юго-Зап. гос. ун-т. 2011. - С. 210215.

32. Скрипкина A.A. Обзор методов обнаружения движущегося объекта по видеоизображениям [Текст] // Перспективы развития информационных технологий: сборник материалов III Международной научно-практической: в 2-х частях. Часть 1, - Новосибирск: Издательство НГТУ, 2011. - С. 126-129.

33. Скрипкина A.A. Формирование информативных признаков движения человека по результатам видеомониторинга [Текст] / A.A. Бурмака, И.А. Ключиков, A.A. Скрипкина // Промышленные АСУ и контроллеры - 2013. - № 10. - С. 57-62

34. Скрипкина A.A. Разработка системной модели обработки и анализа видеоизображений и субмодели выделения переднего плана [Текст] / A.A. Бурмака, A.A. Скрипкина // Перспективы науки - 2013. - №8. - С. 153-156.

35. Ту Дж. Гонсалес Р. Принципы распознавания образов [Текст] / Дж. Ту, Р. Гонсалес под ред. В.И. Журавлева. - М.: Мир, 1978. - 414 с.

36. Фаворская М.Н. Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательностей изображений. Докторская диссертация. - Красноярск, 2011. - 326 с.

37. Фисенко В.Т. Компьютерная обработка и распознавание изображений: учебное пособие [Текст] / В.Т. Фисенко, Т.Ю. Фисенко. - СПб.: СПбГУ ИТМО, 2008. - 192 с.

38. Форсайт Д. Компьютерное зрение. Современный подход [Текст]: Пер. с англ / Д. Форсайт,, Ж. Понс. - М.: Издательский дом «Вильяме», 2004. - 928 с.

39. Шелухин О.И. Моделирование информационных систем [Текст] / О.И. Шелухин, A.M. Тенекшев, A.B. Осин. -М.: Сайнс-Пресс», 2005. - 368 с.

40. Яне Б. Цифровая обработка изображений [Текст]. - М.: Техносфера, 2007. - 584с.

41. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы [Текст]. - М.Машиностроение, 1994. - 112 с.

42. Aggarwal J.K. Human Motion: Modeling and Recognition of Actions and Interactions [Текст] / J.K. Aggarwal, S. Park // International Symposium on 3D Data Processing, Visualization & Transmission. - Greece, 2004. -

43. BenAbdelkader C., EigenGait: Motion-based recognition of people using image self-similarity [Текст] / С. BenAbdelkader, R. Cutler, H. Nanda // AVBP. -2001.-P. 284-294.

44. BenAbdelkader C. Motion-based recognition of people in EigenGait space [Текст] / С. BenAbdelkader, R. Cutler , L. Davis // Proceedings of international conference on automatic face and gesture recognition. - 2002. - P. 254-259.

45. Bhanu B. Human recognition at a distance in video [Текст] / J. Han. -Springer, 2011. - 253 p.

46. Bobick A.F. Movement, activity and action: the role of knowledge in the perception of motion [Текст] // Philosophical Transactions: Biological Sciences. - 1997. - Vol. 352.-№ 1358. - P. 1257-1265.

47. Bugeau A. Detection and segmentation of moving objects in complex scenes [Текст] / A. Bugeu, P. Pérez // Computer Vision and Image Understanding. - 2009. - P. 459-476.

48. Chellappa R. Recognition of Humans and Their Activities Using Video [Текст]. - Morgan & Claypool Publishers, 2005. - 179 p.

49. Cucchiara R. Detecting Objects, Shadows and Ghosts in Video Streams by Exploiting Color and Motion Information [Текст] / R. Cucchiara, C. Granal, M. Piccardi, A. Prati // Image Analysis and Processing. - 2001. - P. 360 - 365.

50. Fujiyoshi H. Real-time human motion analysis by image skeletonization [Текст] / H. Fujiyoshi, A.J. Lipton // Proceeding of the workshop on applications of computer vision. - 1998. - P. 15-21.

51. Guo Y. Understanding human motion patterns [Текст] / Y. Guo, S. Tsuji // Proceedings of the international conference pattern recognition. - 1994. - Vol. 2. - P. 325-329.

52. Gutshess D. A background model initialization algorithm for video surveillance [Текст] / D. Gutshess, M. Trajkovic, E. Cohen-Sola, D. Lyons, A.K. Jain // IEEE Int. conference on computer vision. - 2001. - Vol. 1. - P. 733-740.

53. Jain K., Ross A., Prabhakar S. An introduction to biometric recognition [Текст] / К. Jain, A. Ross, S. Prabhakar // IEEE Transactions on circuits and systems for video technology. - 2004. - Vol. 14. № 1. - P. 4-20

54. Johansson G. Visual perception of biological motion and a model for its analysis [Текст] // Perception & Psychophysics. - 1973. - № 14. - P. 201-211.

55. Kellokumpu V. Dynamic texture based gait recognition [Текст] / V. Kellokumpu, G. Zhao, S.Z. Li, M. Pietikainen // Proceeding ICB '09 Proceedings of the Third International Conference on Advances in Biometrics. - 2009. - P. 1000 - 1009.

56. Khashman A. Automatic Detection, Extraction and Recognition of Moving Objects [Текст] // International Journal of Systems Applications, Engineering & Development, - Issue 1. - Vol. 2. - 2008.

57. Kim, D. Active Shape Model-Based Gait Recognition Using Infrared Images [Текст] / D. Kim, S. Lee, J. Paik // International Journal of Signal Processing, Image Processing and Pattern Recognition. - December 2009. - Vol. 2. - № 4.

58. Lam T. Human gait recognition by the fusion of motion and static spatiotemporal templates [Текст] / Toby H.W. Lam, Raymond S.T. Lee*, David Zhang // Pattern Recognition. - 2007. - Volume 40, Issue 9. - P. 2563-2573

59. Lee L. Gait analysis for recognition and classification [Текст] / L. Lee, W.E. Grimson // Proceedings of fifth international conference on automatic face and gesture recognition.-2001.-P. 148-155.

60. Murray M.P. Gait as a total pattern of movement [Текст] // American journal of physical medicine. - 1967. - Vol. 46. - P. 290-332.

61. Ning H. Fusion of static and dynamic body biometrics for gait recognition [Текст] / H. Ning, T. Tan, W. Hu // IEEE Transactions on circuits and systems for video technology. - 2004. - Vol. 14. № 2. - P. 149-158.

62. Niyogi S.A. Analyzing and recognizing walking figures in XYT [Текст] / S.A. Niyogi, E.H. Adelson // Proceedings of IEEE conference on computer vision and pattern recognition. - 1994. - P. 469-474.

63. Ohara Y. Volume: Spatio-Temporal Analysis of Walking [Текст] / Y. Ohara, R. Sagawa, T. Echigo, Y. Yagi // The fifth Workshop on Omnidirectional Vision, Camera Networks and Non-classical cameras. - 2004. - P. 79 - 90.

64. Orten B.B. Moving object identification and event recognition in video surveillance systems [Текст]. - 2005. - 84 p.

65. Rajagopalan A.N. Higher-order spectral analysis of human motion [Текст] / A.N. Rajagopalan, R. Chellappa // International conference on image processing. -2000.-Vol.3.-P. 230-233.

66. Wang L. Machine learning for human motion analysis: theory and practice [Текст] / L. Wang, Cheng L., Zhao G. - Medical information science reference. - 2010 - P. 299.

67. Wang L. Silhouette analysis-based gait recognition for human identification [Текст] / L. Wang, T. Tan, H. Ning, W. Hu // IEEE Transactions on pattern analysis and machine intelligence. - 2003. - Vol. 25. № 12. - P. 1505-1518.

68. Wren C. Pfinder: real-time tracking of the human body [Текст] / С. Wren, A. Azarbayejani, T. Darrell, A. Pentland // IEEE Transactions on pattern analysis and machine intelligence. - 1997. - Vol. 19(7). - P. 780-785.

69. Zhang R. Human gait recognition at sagittal plane [Текст] / R. Zhang, C. Vogler, D. Metaxas // Image vis. comput. - 2007. - Vol. 25(3). - P. 321-330.

70. Zivkovic, Z. Efficient adaptive density estimation per image pixel for the task of background subtraction [Текст] / Z. Zivkovic, F. van der Heijden // Pattern Recognition Letters. - 2006. - Vol. 27, № 7. - P. 773-780.