Методы и алгоритмы анализа траекторий движения при решении задачи видеодетектирования транспортных средств тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Кустикова, Валентина Дмитриевна

• Кустикова, Валентина Дмитриевна
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Кустикова, Валентина Дмитриевна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1. ПРОБЛЕМА ВИДЕОДЕТЕКТИРОВАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ

1.1. Математическая постановка задачи видеодетектирования

1.2. Анализ существующих методов и технологий видеодетектирования транспортных средств

1.2.1. Классификация методов детектирования транспортных средств

1.2.2. Схемы решения задачи видеодетектирования транспортных средств

1.2.3. Видеодетектирование объектов

1.2.4. Методы видеодетектирования транспортных средств

1.2.5. Качество работы систем видеодетектирования объектов

Выводы

Постановка задач диссертационного исследования

2. МЕТОДЫ И АЛГОРИТМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВИДЕОДЕТЕКТИРОВАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ

2.1. Введение

2.2. Метод полного покадрового поиска

2.3. Метод покадрового поиска с отсечением по областям интереса

2.4. Метод видеодетектирования с учетом результатов сопровождения на один следующий кадр

2.5. Метод видеодетектирования с учетом результатов сопровождения на несколько следующих кадров

2.6. Метод видеодетектирования для восстановления траекторий движения

2.7. Метод видеодетектировання с поиском на некоторых кадрах видеопотока 50 Выводы

3. ПРОГРАММНЫЕ СРЕДСТВА ДЛЯ ВИДЕОДЕТЕКТИРОВАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ

3.1. Требования к функциональности программной системы

3.2. Высокоуровневая архитектура программной системы

3.3. Общая схема функционирования системы

3.4. Описание модулей системы

3.4.1. Модуль поиска тра! юпортных средств

3.4.2. Модули сопровождения и сопоставления

3.4.3. Модуль разметки областей интереса

3.4.4. Модуль разметки окаймляющих прямоугольников

3.4.5. Модуль формирования траекторий движения на тестовом видео

3.4.6. Модуль разметки процента видимости объекта

3.4.7. Модули визуализации окаймляющих прямоугольников и траекторий

движения

3.4.8. Модули вычисления количественных показателей качества

3.4.9. Средства автоматизации для сбора результатов оценивания качества видеодетектирования

3.4.10. Реализация разработанных методов видеоде актирования

3.5. Программная реализация

3.5.1. Технологии и программные средства

3.5.2. Описание основных программных модулей и библиотек

Выводы

4. ПРИМЕНЕНИЕ ПРОГРАММНЫХ СРЕДСТВ ДЛЯ

ВИДЕОДЕТЕКТИРОВАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ

4.1. Введение

4.2. Условия проведения вычислительных экспериментов

4.2.1. Тестовые данные

4.2.2. Минимальный процент видимости транспорт! юго средства определенного класса для обнаружения алгоритмом поиска

4.2.3. Параметры сопоставления для разработанных алгори гма восстановления траекторий и метода видеодетектирования с учетом

результатов сопоставле11ия

4.2.4. Тестовая инфраструктура

4.3. Анализ качества поиска транспортных средств

4.3.1. Сравниваемые методы видеодетектирования

4.3.2. Показатели качества поиска объектов

4.3.3. Сравнительный анализ качества поиска

4.3.4. Анализ состава ошибки поиска транспортных средств

4.4. Сравнение и анализ качества сопровождения транспортных средств

4.4.1. Тестовые траектории движе! шя

4.4.2. Сравниваемые методы сопровождения

4.4.3. Показатели качества сопровождения одного объекта

4.4.4. Сравнительный анализ качества сопровождения

4.5. Применение разработанных методов для видео, полученного в реальных условиях

4.5.1. Прикладная задача

4.5.2. Выбор параметров для применения разработанных методов видеодетектирования

4.5.3. Анализ качества видеодетектирования и состава ошибки поиска

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение А. Подробное описание методов

Приложение А. 1. Сопоставление положений объектов в методе

видеодетектирования с учетом результатов сопоставления

Приложение А.2. Обновление рабочих множеств в методе видеодетектирования

с учетом результатом сопоставления

Приложение Б. Результаты сопоставления пар тестовых изображений при подборе параметров методов

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы анализа траекторий движения при решении задачи видеодетектирования транспортных средств»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время при решении многих практических задач используются системы компьютерного зрения. Системы видеонаблюдения широко применяются для обеспечения безопасности на территории различных комплексов и объектов (вокзалы, аэропорты, торговые и промышленные комплексы и т.д.), в частности, при решении задач поиска оставленного багажа, определения подозрительных людей по их траектории перемещения. Автоматизированные системы управления процессами (роботы, системы помощи водителю) используют методы визуального анализа изображений или видео в процессе принятия решении. Средства организации графической информации применяют различные подходы для эффективной индексации изображений и видеоданных. Ядром вычислений во всех перечисленных системах является обработка видео. Поскольку основное применение результатов компьютерного зрения сосредоточено в области промышленной робототехники, то ключевым становится соотношение качества и скорости обработки видеоданных.

Одной из актуальных и практически значимых задач является проблема качественного и количественного анализа транспортных потоков. Статистика продаж автомобилей в России по данным Ассоциации Европейского бизнеса свидетельствует о ежегодном увеличении количества транспортных единиц, которые выходят на улицы страны (2012г. считается рекордным, т.к. продажи выросли1 на 11% [1]). В связи с ростом транспортной нагрузки остро встают вопросы планирования строительства дорожных развязок и эффективного распределения транспортных потоков с целыо обеспечения бесперебойного движения на отдельных дорожных участках и магистралях. Решение проблемы анализа потоков обеспечит эффективное автоматическое регулирование движения посредством перестроения расписания переключения светофоров на основании информации о количестве транспортных единиц. Наличие статистической информации о числе транспортных средств разных классов, пересекающих определенный дорожный участок, даст возможность оценивать нагрузку на дорожное полотно с целыо прогнозирования срока службы дорожного покрытия и последующего планирования ремонтных работ. Также позволит принимать обоснованные решения о необходимости строительства дорог-дублеров, проектировать дорожную сеть в масштабах города. Качественный анализ дорожных сцен (положение и класс транспортных средств, траектории перемещения и т.д.) позволит частично обнаруживать нарушение правил дорожного движения (за 2012г. число нарушений ПДД увеличилось в 1.4 раза по сравнению с 2011г. [2]): проезд под запрещающие сигналы светофора, пересечение сплошных полос разметки, остановка или стоянка транспорта в запрещенных местах, въезд большегрузных автомобилей на шоссе с ограничениями на допустимый вес транспортной единицы.

На данный момент компьютерное зрение является критической областью в развитии приложений анализа транспортных потоков и разработки интеллектуальных транспортных технологий: видеорегистраторов, систем автоматической парковки, систем автомо-

1 Значительный рост продаж в 2012г. был вызван действием госпрограммы по субсидированию розничного аптокредитованля. В целом за 2013г. продажи снизились на 5% [1].

бильной навигации, систем распознавания регистрационных номеров и т.д. Разработка визуальных дорожных детекторов транспортных средств до настоящего времени остается направлением, открытым для научных и промышленных исследований [7, 11, 12], т.к. визуальное распознавание транспорта обеспечивает интуитивно понятный способ представления информации в отличие от остальных методов.

Видеодетектирование - один из возможных подходов к решению проблемы анализа транспортных потоков. Задача видеодетектирования состоит в том, чтобы определить положение транспортных средств на каждом кадре потока видеоданных и построить траекторию движения обнаруженных объектов. Построение траектории подразумевает выделение на наборе последовательно идущих кадров совокупности положений, отвечающих каждому объекту, который попадает в зону видимости камерой. Сложность надежного детектирования с использованием методов компьютерного зрения во многом обусловлена тем, что дорожные трассы являются динамическими «сценами» с различным фоном, постоянно изменяющимся освещением и возможным перекрытием объектов. Более того, в общем случае для видеоданных произвольного качества указанная задача является неразрешимой, т.к. качество во многом влияет на объем извлекаемой информации.

Обзор научных работ последних лет показал, что задача видеодетектирования транспортных средств изучается многими исследователями [83, 85, 86, 91]. Основная цель - повышение качества поиска за счет модификации алгоритмов компьютерного зрения. В большинстве работ поиск транспортных средств выполняется посредством обнаружения регистрационных номерных знаков. Данный объект с точки зрения алгоритмов распознавания является наиболее простым из-за контрастности фона и символов, ограниченности множества символов. Заметим, что подход не позволяет обнаруживать транспортные средства в ситуациях отсутствия номерных знаков (велосипеды) или их расположения в нестандартных частях (как у мотоциклов или автомобилей с временными номерами). При этом выполнение классификации транспортных средств требует доступа к базе данных автоинспекции, что не всегда необходимо и возможно. Наряду с этим встречаются работы, в которых осуществляется поиск простых геометрических примитивов: прямых линий в области бампера или подвески, окружностей, ограничивающих колеса, и т.п. Восстановление параметров транспортных средств осуществляется на основании взаимного расположения совокупности примитивов и истории их смещения в системе координат, связанной с изображением. Основные ограничения обоих подходов — неустойчивость к изменению ракурса2 н налнчгио размытых кадров (например, вследствие кратковременного воздействия ветра), а также отсутствие возможности крупноблочной классификации («АВТОМОБИЛЬ», «АВТОБУС») по одному кадру. В связи с этим существующие методы не позволяют решать задачу оценки интенсивности транспортных потоков с учетом их качественного состава в условиях, когда транспортные средства изменяют ракурс, например, при проезде через перекресток. Таким образом, проблема разработки методов и алгоритмов решения задачи видеодетектирования транспортных средств разных классов, обеспечивающих поиск и сопровождение независимо от ракурса

" Ракурс — изображение объекта в перспективе, обусловленное точкой съемки или взаимным расположением камеры и объекта.

и места расположения камеры, является актуальной. Данное исследование ориентировано на обработку видео со стационарных камер, на котором транспортные средства изменяют ракурс и направление движения; видео, поступающего с видеорегистраторов или полученного в процессе съемки дорожного движения с рук. Решения могут использоваться в системах оценки интенсивности транспортного потока, пересекающего развязку в направлении из одной улицы к другой, вследствие обеспечения более высокой точности; в видеорегистраторах въезжающих/выезжающих автомобилей на автостоянках и паркингах для контроля загрузки, обеспечивая более низкую стоимость установки при неизменном качестве; в модулях классификации транспортных средств для принятия решения по одному кадру о принадлежности тому или иному классу, что имеет значение в случае высоких скоростей.

Объектом исследования в работе является задача видеодетектирования транспортных средств разных классов и ракурсов, которая включает поиск и построение траекторий движения в системе координат, связанной с изображением, а предметом — методы и алгоритмы компьютерного зрения и машинного обучения для решения данной задачи.

Цель диссертационной работы состоит в развитии существующих методов и алгоритмов видеодетектирования транспортных средств для обеспечения устойчивости к изменению ракурса и расположению камеры, а также для повышения качества поиска и сопровождения. Данная цель предполагает решение следующих задач:

• Формулировка направлений исследования на основе анализа существующих методов видеодетектирования транспортных средств.

• Разработка методов и реализующих их алгоритмов видеодетектирования транспортных средств для восстановления траекторий движения транспортных средств, ракурс которых изменяется при движении.

• Разработка методов и реализующих их алгоритмов видеодетектирования транспортных средств, которые осуществляют одновременный поиск и сопровождение. Методы должны обладать устойчивостью к изменению ракурса и положению простых примитивов (регистрационных номеров, колес и т.п.), обеспечивать крупноблочную классификацию транспортных средств («АВТОМОБИЛЬ», «АВТОБУС») по одному кадру.

• Разработка программной системы видеодетектирования транспортных средств, которая позволит выполнять полный цикл решения задачи видеодетектирования, включающий подготовку тестовых данных (разметка положений и траекторий движения объектов на видео, разметка процента видимости объектов, разметка областей интереса для видео со стационарной камеры), интеграцию и применение различных методов видеодетектирования, сбор и анализ полученных результатов поиска и сопровождения.

• Экспериментальное исследование эффективности работы системы - оценка качества видеодетектирования (поиска и сопровождения) для разработанных методов и алгоритмов на тестовых видео.

• Применение разработанной системы при решении задачи видеодетектирования транспортных средств класса «АВТОМОБИЛЬ» на видео, снятом на конкретном участке.

Методы исследования. Работа основана на методах компьютерного зрения и машинного обучения, обеспечивающих поиск объектов разных классов на изображениях и сопровождение объектов на видео.

Научная новизна работы состоит в следующем:

• Предложен метод и реализующий алгоритм видеодетектирования для восстановления траекторий движения транспортных средств в системе координат изображения по множеству положений, построенных с использованием известного алгоритма поиска объектов разных классов. Метод в отличие от существующих позволяет

- восстанавливать траектории транспортных средств, ракурс которых изменяется в процессе движения;

- при определенных условиях объединять участки траекторий транспортных средств, полностью перекрываемых на небольшие промежутки времени;

- оценивать интенсивность и качественный состав транспортных потоков разного направления, исходя из траекторий при наличии информации о контексте (например, размещение въездов/выездов на улицы).

• Предложен метод и реализующий алгоритм видеодетектирования, обеспечивающий поиск транспортных средств на некоторых кадрах видеопотока и одновременное построение траекторий их движения в системе координат, связанной с изображением. Метод в отличие от существующих позволяет

- обнаруживать и сопровождать транспортные средства с изменяющимся ракурсом независимо от класса транспортного средства;

- выполнять классификацию транспортных средств по одному кадру.

Практическая значимость и ценность работы заключается в создании программной системы видёодетектирования транспортных средств, поддерживающей подготовку тестовых данных, интеграцию и применение программных реализаций разработанных методов, обеспечивающих классификацию по одному кадру, оценку качества видеодетектирования, визуализацию результатов поиска и сопровождения.

Достоверность научных результатов н выводов подтверждается результатами вычислительных экспериментов на реальных видео с дорожным движением, экспертизой результатов на научных конференциях и при публикации в научной печати.

Внедрение результатов работы. Исследования выполнялись при поддержке Федерального агентства по науке и инновациям (ФЦП «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы» по теме «Высокопроизводительные вычисления в машинном обучении для анализа больших объемов данных», госконтракт №02.740.11.5131, 2010-2011 гг.; ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2013 годы» по теме «Новые алгоритмы машинного обучения и компьютерного зрения и их высокопроизводительные реализации», госконтракт №11.519.11.4015, 2011-2013 гг.); Российского Фонда Фундаментальных Исследований (грант №14-07-31269 «Исследование применимости методов глубокого обучения к решению задач компьютерного зрения на примере классификации изображений с большим числом категорий, детектирования пешеходов и автомобилей», 2014-2015 гг.). Проект «Методы и алгоритмы анализа изображений для

решения задачи видеодетектирования транспортных средств» вошел в число победителей конкурса прикладных разработок и исследований в области компьютерных технологий «Компьютерный континуум: от идеи до воплощения» (2012 г., организаторы конкурса -компания Intel и Фонд развития инновационного центра «Сколково»).

Результаты внедрены в учебный процесс в рамках курса «Компьютерное зрение» и использованы при проведении научных школ по данной тематике. Расширенные материалы обзора методов отслеживания движения и сопровождения объектов, а также лабораторная работа по методу поиска объектов разных классов Latent SVM представлены в учебном курсе «Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP», разработанного сотрудниками факультета ВМК ННГУ и компании ltseez при поддержке компании Intel и включенного в программу сертификации Intel.

Результаты диссертационной работы внедрены в ООО Центр компьютерного зрения «Аргус» (г. Нижний Новгород), что подтверждается актом о внедрении. Параллельная программная реализация скрытого метода опорных векторов для решения задачи детектирования объектов (Latent SVM) включена в открытую библиотеку алгоритмов компьютерного зрения OpenCV.

Имеется 2 свидетельства о государственной регистрации программ для ЭВМ:

• Мееров И.Б., Золотых Н.Ю., Половинкин А.Н., Козинов Е.А., Кустикова В.Д., Сиднев A.A., Капралов Е.И., Рябикин Н.М., Ерухимов B.J1. Свидетельство о государственной регистрации программы для ЭВМ №2011616620 «Скрытый метод опорных векторов для решения задач машинного обучения» от 25 августа 2011 г.

• Кустикова В.Д. Свидетельство о государственной регистрации программы для ЭВМ №2013614810 «Метод видеодетектирования автомобилей» от 22 мая 2013 г.

Апробация работы. Основные результаты диссертационного исследования докладывались и обсуждались на следующих конференциях: международной конференции «Высокопроизводительные параллельные вычисления на кластерных системах» (Пермь, 2010), международных конференциях «Параллельные вычислительные технологии» (Москва, 2011, Новосибирск, 2012), всероссийских конференциях «Высокопроизводительные параллельные вычисления на кластерных системах» (Нижний Новгород, 2011. 2012), всероссийской конференции «Анализ изображений, сетей и текстов» (Екатеринбург, 2013), международной конференции «Pattern Recognition and Image Analysis: New information technologies» (Самара, 2013); а также на 9-ом открытом немецко-российском семинаре по распознаванию образов (9th Open German-Russian Workshop on Pattern Recognition and Image Understanding, OGRW-2014, Koblenz, Germany, 2014), на семинарах в рамках научной школы-практикума молодых ученых и специалистов «Технологии высокопроизводительных вычислений и компьютерного моделирования: В мире BigData» (Санкт-Петербург, 2014 - диплом I степени на конкурсе докладов), кафедры МО ЭВМ факультета ВМК ННГУ, компании ltseez и Центра компьютерного зрения «Аргус».

Публикации. По теме диссертации опубликовано 13 печатных работ, из них 4 статьи в изданиях, рекомендованных ВАК, и 1 работа в электронном виде. Список публикаций приведен в конце автореферата. Также имеется 2 свидетельства о государственной регистрации программ для ЭВМ.

Личный вклад соискателя. Постановка задачи и методика исследований предложены научным руководителем. Соискателем предложен метод видеодетектирования, решающий задачу восстановления траекторий движения транспортных средств, а также метод видеодетектирования транспортных средств, обеспечивающий поиск на некоторых кадрах видео и одновременное построение траекторий движения. Спроектирована архитектура и разработана реализация программной системы. Подготовлены тестовые видео. Выполнены вычислительные эксперименты, обработка и анализ полученных результатов.

В работе [32] соискателю принадлежит программная реализация алгоритма поиска объектов разных классов Latent SVM по имеющемуся математическому описанию изображения. Также соискателем разработаны параллельный алгоритм и его реализация для систем с общей памятью [33], которая интегрирована в открытую библиотеку компьютерного зрения OpenCV.

В [126, 127] выполнен аналитический обзор методов видеодетектирования транспортных средств и сравнение качества поиска на подготовленных тестовых данных.

В [96] дается описание одного из предложенных методов, работа практически полностью выполнена соискателем. Соавторами предложена постановка задачи.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы составляет 140 страниц, включая 44 рисунка и 38 таблиц. Список литературы включает 134 наименования.

Краткое содержание работы.

В главе 1 дается аналитический обзор текущего состояния по проблеме видеодетектирования транспортных средств, формулируется математическая постановка задачи видеодетектирования, рассматриваются цели и задачи диссертационного исследования.

В главе 2 содержится описание разработанных методов и алгоритмов видеодетектирования транспортных средств.

В главе 3 представлена архитектура программной системы видеодетектирования, обеспечивающей поддержку выполнения полного цикла работ от подготовки тестовых данных до анализа показателей качества работы методов.

В главе 4 представлены результаты вычислительных экспериментов на тестовых и реальных видео с дорожным движением.

В заключении формулируются основные результаты работы.

1. ПРОБЛЕМА ВИДЕОДЕТЕКТИРОВАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ

1.1. Математическая постановка задачи видеодетектирования

Метод видеодетектирования автомобилей работает с потоком видеоданных. Обозначим входной видеопоток как V. По существу V можно представить в виде последовательности кадров или изображений:

Iq> h> h'— > IN-I> ('-О

где N — количество кадров видеопотока, a Ik - кадр с индексом к. Не уменьшая общности, будем считать, что на вход поступает цветное видео в формате RGB (в противном случае достаточно выполнить преобразование видео или рабочих кадров в нужное цветовое пространство) [109]. RGB (Red Green Blue) - цветовая модель, которая описывает способ формирования цвета, как смеси красного, зеленого и синего цветов разной интенсивности. Интенсивность каждого цветового канала принадлежит отрезку [0,1], в результате чего пространство RGB представляется в виде трехмерного куба с единичной стороной. Для удобства хранения в машине интенсивность обозначается целыми числами из отрезка от 0 до 255 (точка (0, 0, 0) соответствует черному цвет - все цвета «выключены», (255, 255, 255) - белому).

Таким образом, любое изображение последовательности кадров (1.1) - двумерная матрица интенсивностей пикселей 1к, заданная в виде (1.2).

Ik = (vu) , (1.2)

где w,h - ширина и высота изображения соответственно, а каждый элемент vfo матрицы Ik представляет собой вектор интенсивностей по трем цветовым каналам пространства:

vij = (4 9ц. bfj), n), gfj.bfj G {0,1.....255}. (1.3)

Примем, что положение объекта определяется расположением прямоугольника, его окаймляющего [21, 30, 111]. Необходимо отметить, что в зависимости от алгоритма под положением может пониматься расположение контуров объекта [26], особых точек (углов или ребер) или расположение трехмерного геометрического каркаса объекта [110].

Задача видеодетектирования транспортных средств состоит в том, чтобы каждому кадру Ik исходного видео V поставить в соответствие совокупность положений объектов Вк. Тогда задача видеодетектирования сводится к построению отображения ср:

<р: {¡к, к = 0 ,N- 1} {,Вк,к = 0,N - 1], (1.4)

где Вк = [bbi, I = 0,sk — 1} - множество окаймляющих прямоугольников, обнаруженных на кадре Ik, sk = \Вк\ — количество найденных прямоугольников. При этом каждый прямоугольник bbf определяется набором следующих компонент:

bb? = ((xlyll(xl2.yi)lsl.c1]). (1.5)

где (^2'Уг) ~~ координаты левого верхнего и правого нижнего углов прямоуголь-

ника (0 < х[ < х12 < w — 1,0 < у[ < У2 < h — 1), sl е Е - достоверность того, что объект обнаружен правильно, а с1 £ С = {'CAR', 'BUS', ...,'TRAIN'} - класс, которому принадлежит транспортное средство (рис. 1.1). Заметим, что в зависимости от специфики решаемой задачи и выбораметода ее решения последние две компоненты могут отсутствовать. (х\,у\)

.у!)

Рис. 1.1. Набор окаймляющих прямоугольников

Сложность задачи поиска объектов на изображении обусловлена многими причинами, среди которых можно выделить несколько основных.

• Разнообразие форм и цветов представителей класса объектов. В случае множества транспортных средств это разнообразие типов (легковые и грузовые автомобили, автобусы, мотоциклы и т.д.), моделей и цветов.

• Перекрытие детектируемых объектов. Естественная ситуация, когда с точки зрения камеры объекты видны частично, например, обозревается только крыша и ветровое стекло автомобиля.

• Разная степень освещенности объектов, обусловленная временнь/ми и погодными изменениями.

Результат работы выбранного алгоритма не всегда зависит только от информации, извлекаемой из текущего кадра. В общем случае отображение ср зависит от набора параметров, среди которых:

• набор окаймляющих прямоугольников для объектов, обнаруженных на предыдущих кадрах -»¡к-г видео V < к);

• набор окаймляющих прямоугольников для объектов, обнаруженных на /2-следующих кадров 1к+1, ...,1к+1г видео V (12 < N - 1 - /с);

• совокупность параметров Р^ алгоритма поиска объектов;

• набор параметров Р^ алгоритма сопровождения.

Если рассматривается задача видеодетектирования, в которую внесены специальные требования, то наряду с указанным отображением (р, как правило, требуется построить дополнительные отображения. В рассматриваемой постановке необходимо выполнять построение траекторий движения объектов и подсчет транспортных средств с учетом направления движения.

Введем отображение гр для сопоставления окаймляющих прямоугольников на паре последовательных кадров 1к и Обратим внимание, что на некотором кадре объект исчезает из поля зрения камеры. Поэтому следует рассматривать множество образов, расширенное специально выделенным окаймляющим прямоугольником. Согласно (1.5) выберем прямоугольник с недопустимыми координатами, вырожденный в точку, ЬЬ = ((—1, —1), (—1,—1)[,5,с]), где 5 - произвольная вещественная величина, а с - произвольный класс объектов. Отметим, что в данном случае может быть выбран любой другой прямоугольник с несуществующими координатами. Тогда хр представляет отображение вида (1.6).

-> Вк+1 и [ЬЬ)^к = 0^-2 (1.6)

Допустим, что 1к - первый кадр, на котором был обнаружен объект, содержащийся в прямоугольнике с индексом г0(/с) £ {0,1,2, ...,5^}, ад- количество последующих кадров, на которых объект виден наблюдателю. Тогда траекторией (треком) движения ^(к) транспортного средства называется последовательность положений соответствующих окаймляющих прямоугольников (1.7).

Т*т = {ъъ%, ЪЫ£\ Ы,*«.....Ы^-1). (1.7)

где Г; £ {0,1,2.....ЬЬ^ = ^(ЬЬ^-1), I = 1,6?-1.

Далее в §1.2 предлагается обзор наиболее распространенных методов компьютерного зрения для решения задачи видеодетектирования, которая включает поиск, сопровождение и классификацию транспортных средств.

1.2. Анализ существующих методов и технологий видеодетектирования транспортных средств

1.2.1. Классификация методов детектирования транспортных средств

Множество всех методов детектирования транспортных средств, пересекающих дорожный участок, можно разделить на две группы [3, 4]:. «инвазивные» и «неинвазивные». «Инвазивные» методы предполагают вмешательство в дорожное покрытие посредством встраивания технических приборов. Среди наиболее распространенных аппаратных решений можно выделить:

• Индуктивные детекторы [7, 8] - индуктивные цепи, которые прокладываются под дорожным покрытием, цепи реагируют на появление металлических объектов на данном дорожном участке.

• Пневматические дорожные каналы [9] - пневматические ленты, прокладываемые поперек дорожных полос поверх покрытия, реагируют на вес автомобилей.

• Пьезоэлектрические сенсоры [4] - сенсоры, в основе которых лежит явление прямого пьезоэффекта (механическое воздействие, приложенное определенным образом к пьезоэлектрическому кристаллу, порождает электрическое напряжение).

«Неинвазивные» методы позволяют использовать аппаратуру, установленную в пределах видимости дорожного участка, а также программное обеспечение для обработки поступающей информации. К «неинвазивным» решениям можно отнести:

• Инфракрасные сенсоры - сенсоры, определяющие присутствие объекта, его скорость и тип транспортного средства на основании излучаемой энергии в зоне детектирования. Основным недостатком такого рода решений является неприспособленность к суровым климатическим условиям.

Список литературы диссертационного исследования кандидат наук Кустикова, Валентина Дмитриевна, 2015 год

СПИСОК ЛИТЕРАТУРЫ

1. АЕВ Business Quarterly [Электронный ресурс] // Association of European Business. -2013. - Режим доступа:

http://www.aebrus.ru/upload/iblock/2fb/2fbd04c 19е 169eb 1 Î76d57475ade91 f5.pdf. (09.06.2014)

2. Статистика нарушений ПДД в России [Электронный ресурс] // Редакция ВашаМаши-на.ру. - 2013. - Режим доступа: http://www.vashamashina.ru/statistika narusheniy.html. (28.07.2014)

3. Traffic counting methods [Электронный ресурс]. - Режим доступа: http://people.hofstra.edu/geotrans/eng/ch9en/meth9en/ch9m2en.html. (27.06.2012)

4. A summary of vehicle detection and Surveillance Technologies used in Intelligent Transportation Systems [Электронный ресурс]. - Режим доступа:

http://www.nnva.dot.gov/policvinfbrmation/pubs/vdstits2007/vdstits2007.pdf. (05.02.2014)

5. Аналитический обзор детекторов транспорта [Электронный ресурс] // AGA Group Inc. - 2008. - Режим доступа: http://www.againc.net/ru/education/transport-engineerine/10-detectors. (05.02.2014)

6. Detector Technology Evaluation [Электронный ресурс] // Department of Civil and Environmental Engineering University of Utah Traffic Lab. - 2003. - Режим доступа: http://www.mountain-nlains.org/pubs/pdf/MPC03-154.pdf. (05.02.2014)

7. Marsh Products Inc. [Электронный ресурс] - Режим доступа: http://www.marshproducts.com. (05.02.2014)

8. RAI Products, Vehicle Detection Systems [Электронный ресурс]. - Режим доступа: http://www.raiproducts.com/vehicle-detection-svstems.html. (05.02.2014)

9. International Road Dynamics Inc., Axle Sensors & Grout [Электронный ресурс]. - Режим доступа: http://www.irdinc.com/pcategory/axle-sensors--accessories.html. (05.02.2014)

10. Vaxtor Systems, License plate recognition software for the most challenging conditions [Электронный ресурс]. — Режим доступа: http://www.vaxtor.es/index-en.html. (05.02.2014)

11.VOCORD Traffic, Распознавание номеров и фотофиксация нарушений ПДД [Электронный ресурс]. — Режим доступа: http://www.vocord.ru/catalog/products/sistemy-videonablyudeniya/vocord-traffic. (05.02.2014)

12. Macroscop — программный комплекс для IP-камер [Электронный ресурс]. - Режим доступа: http://macroscop.com/po-dlva-ip-kamer/o-produkte.html. (05.02.2014)

13. Архив новостей по рубрике Digital Signal Processing [Электронный ресурс]. — Режим доступа: http://www.compeliournal.ru/enews/rLibric/dsp. (05.02.2014)

14. Технология DaVinci - новая эра в цифровой обработке видеосигнала [Электронный ресурс]. - Режим доступа: http://www.compeliournal.ru/images/articles/2005 10_4.pdf. (05.02.2014)

15. Quartics Products (integrated circuits for advanced video digital video processing) [Электронный ресурс]. - Режим доступа: http://www.quartics.com/products.html. (27.06.2012)

16. Application-Specific Integrated Circuit [Электронный ресурс]. - Режим доступа: http://www.siliconfareast.com/asic.htm. (05.02.2014)

17. Arth, С. Real-Time License Plate Recognition on an Embedded DSP-Platform [Текст] / С. Arth, F. Limberger, H. Bischof // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'07). - 2007. - P. 1-8.

18. Hirose, K. Robust Extraction of Wheel Region for Vehicle Position Estimation using a Circular Fisheye Camera [Текст] / К. Hirose, Т. Torio, H. Hama // International Journal of Computer Science and Network Security. - 2009. - V. 9, № 12. - P. 55-62.

19. Video Stabilization Using Point Feature Matching [Электронный ресурс]. - Режим доступа: http://www.mathworks.com/heln/vision/exainples/video-stabilization-using-point-feature-matching.html. (10.06.2014)

20. Grundmann, М. Auto-Directed Video Stabilization with Robust LI Optimal Camera Paths [Текст] / M. Grundmann, V. Kwatra, I. Essa // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR' 11). - 2011. - P. 225-232.

21. Sivaraman, S. A General Active-Learning Framework for On-Road Vehicle Recognition and Tracking [Текст] / S. Sivaraman, M.M. Trivedi // IEEE Transactions on Intelligent Transportation Systems. - 2010. - V. 11, № 2. - P. 267-276.

22. Kim, Z.W. Fast Vehicle Detection with Probabilistic Feature Grouping and its Application to Vehicle Tracking [Текст] / Z.W. Kim, J. Malik // Proceedings of the 9th IEEE International Conference on Computer Vision (ICCV'03). - 2003. - V. 1. - P. 524-531.

23. Tsai, Y.M. An intelligent vision-based vehicle detection and tracking system for automotive applications [Текст] / Y.M. Tsai, et al. // Proceedings of the IEEE International Conference on Consumer Electronics. -2011.-P. 113-114.

24. PASCAL Visual Object Challenge [Электронный ресурс]. - Режим доступа: http://pascallin.ecs.soton.ac.uk/challenges/VOC. (24.12.2014)

25. Amit, Y. 2D Object Detection and Recognition: models, algorithms and networks [Текст] / Y. Amit. - The MIT Press, 2002. - 325 p.

26. Shotton, J. Contour-based Learning for Object Detection [Текст] / J. Shotton, A. Blake, R. Cipolla // Proceedings of the 10th IEEE International Conference on Computer Vision (ICCV'05). -2005. - V. 1. - P. 503-510.

27. Dalai, N. Histograms of oriented gradients for human detection [Текст] /N. Dalai, B. Triggs // Proceedings of the Conference on Computer Vision and Pattern Recognition (CVPR'05). -2005.-V. l.-P. 886-893.

28. Torralba, A. Context-based Vision System for Place and Object Recognition [Текст] / A. Torralba, et al. // Proceedings of the 9th IEEE International Conference on Computer Vision (ICCV'03). - 2003. - V. 1. - P. 273-283.

29. Myung, J.C. Exploiting Hierarchical Context on a large database of object categories [Текст] / J.C. Myung, et al. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR' 10). -2010. - P. 129-136.

30. Felzenszwalb, P.F. Object Detection with Discriminatively Trained Part Based Models [Текст] / P.F. Felzenszwalb, et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (РАМГ10). - 2010. - V. 32, № 9. - P. 1627-1645.

31. Золотых, НЛО. Об одном подходе к решению задачи поиска объектов на изображениях [Текст] / H.IO. Золотых, Е.А. Козинов, В.Д. Кустикова, И.Б. Мееров, А.Н. Поло-винкин // 10-я Международная конференция Высокопроизводительные вычисления на кластерных системах (НРС-2010). - Пермь: Изд. ПГТУ, 2010. - С. 270-277.

32. Druzhkov, P.N. New object detection features in OpenCV library [Текст] / P.N. Druzhkov, V.L. Eruliimov, E.A. Kozinov, V.D. Kustikova, I.B. Meyerov, A.N. Polovinkin, N.Yu. Zolo-tykh // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2011. - V. 21, № 3. - P. 384-386.

33. Козинов, E.A. Подходы к оптимизации и распараллеливанию вычислений в задаче детектирования объектов разных классов на изображении [Текст] / Е.А. Козинов, В.Д. Кустикова, И.Б. Мееров, А.Н. Половинкин, А.А. Сиднев // Вестник Южно-Уральского государственного университета. Серия «Вычислительная математика и информатика». - 2012. - № 47 (306). - С. 68-82.

34. Viola, P. Robust Real-Time Face Detection [Текст] / P. Viola, M.J. Jones // International Journal of Computer Vision. - № 57 (2). - 2004. - P. 137-154.

35. Viola, P. Rapid object detection using a boosted cascade of simple features [Текст] / P. Viola, M.J. Jones // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'01).-2001.- V. l.-P. 1-511-1-518.

36. Pentland, A. Face Recognition for Smart Environments [Текст] / A. Pentland, T. Choudhury // IEEE Computer Vision. - 2000. - P. 50-55.

37. Alonso, D. Robust Vehicle Detection through Multidimensional Classification for On Broad Video Based Systems [Текст] / D. Alonso, L. Saldaro, M. Nieto // Proceedings of the IEEE International Conference on Image Processing (ICIP'07). - 2007. - P. IV-32 l-IV-324.

38. Viola, P. Detecting pedestrians using patterns of motion and appearance [Текст] / P. Viola, M.J. Jones, D. Snow // Proceedings of the 9th International Conference on Computer Vision (ICCV'03). — 2003. — V. l.-P. 734-741.

39. Gavrila, D.M. Vision-based pedestrian detection: the protector system [Текст] / D.M. Gavrila, J. Giebel, S. Munder// Proceedings of the IEEE Intelligent Vehicles Symposium.-2004.-P. 13-18.

40. Hilario, C. Pyramidal Image Analysis for Vehicle Detection [Текст] / С. Hilario, et al. // Proceedings to Intelligent Vehicles Symposium. - 2005. - P. 88-93.

41. Szeliski, R. Computer Vision: Algorithms and Applications [Текст] / R. Szeliski. -Springier, 2010.-979 p.

42. Форсайт, Д. Компьютерное зрение. Современный подход [Текст] / Д. Форсайт, Ж. Понс. - М.: Изд. д. Вильяме, 2004.-465 с.

43. Bradski, G. Learning OpenCV Computer Vision with OpenCV Library [Текст] / G. Bradski, A. Kaehler. - O' Reilly Media Publishers, 2008. - 571 p.

44. Sonka, M. Image Processing, Analysis and Machine Vision [Текст] / M. Sonka, V. Hlavac, R. Boyle. - Thomson, 2008. - 866 p.

45. Leibe, B. Robust Object Detection with Interleaved Object Categorization and Segmentation [Текст] / В. Leibe, A. Leonardis, B. Schiele. - Springier Science + Business Media, LLC, 2007.

46. Lee, P.H. Real-time pedestrian and vehicle detection in video using 3D cues [Текст] / P.H. Lee, et al. // Proceedings of the 2009 IEEE International Conference on Multimedia and Expo (ICME'09). -2009. - P. 614-617.

47. Horn, B. Determining Optical Flow [Текст] / В. Horn, В. Schunk // MIT Artificial Intelligence Laboratory. - 1980. -№ 572.

48. Wang, J.Y.A. Representing moving images with layers [Текст] / J.Y.A. Wang, E.H. Adelson // IEEE Transactions on Image Processing. - 1994. - № 3 (5). - P. 625-638.

49. Kumar, M.P. Learning Layered Motion Segmentations of Video [Текст] / M.P. Kumar, P.H.S. Torr, A. Zisserman // International Journal of Computer Vision (IJCV). - 2008. -V. 76, №3.- P. 311-319.

50. Yilmaz, A. Object tracking: A survey [Текст] / A. Yilmaz, O. Javed, M. Shah // ACM Computing Surveys. - 2006. - V. 38, №4, Article 13.

51.Veenman, C. Resolving motion correspondence for densely moving points [Текст] / С. Veenman, M. Reinders, E. Backer // IEEE Trans. Pattern Analysis Machine Intelligence (PAMI'01). - 2001. - V. 23, № 1. - P. 54-72.

52. Salarpour, A. Vehicle tracking using Kalman filter and features [Текст] / A. Salarpour, et al. // Signal & Image Processing: An International Journal (SIPIJ). -2011. -V. 2, № 2.

53. Dan, S. A Tracking Algorithm Based on SIFT and Kalman Filter [Текст] / S. Dan, Zh. Baojun, T. Linbo // Proceedings of the 2nd International Conference on Computer Application and System Modeling. - 2012. - P. 1563-1566.

54. Li, N. Corner Feature Based Object Tracking using Adaptive Kalman Filter [Текст] /N. Li // Proceedings of the 9th International Conference on Signal Processing (ICSP 2008). - 2008. -P.1432-1435.

55. Isard, M. Condensation - Conditional Density Propagation for Visual Tracking [Текст] / M. Isard, A. Blake // International Journal of Computer Vision. - 1998. - V. 29, № 1. - P. 528.

56. Gustafsson, F. Particle Filters for Positioning, Navigation and Tracking [Текст] / F. Gun-narsson, et al. // IEEE Transactions on Signal Processing. - 2002. - V. 2, Issue 2. - P. 425437.

57. Particle Filter Object Tracking [Электронный ресурс]. — Режим доступа: http://blogs.oregonstate.edu/hess/code/particles. (05.02.2014)

58. Comaniciu, D. Real-time tracking of non-rigid objects using mean shift [Текст] / D. Coman-iciu, V. Ramesh, P. Meer // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'00). - 2000. - V. 2. - P. 142-149.

59. Exner, D. Fast and robust CAMShift tracking [Текст] / D. Exner, et al. // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.-2010. - P. 9-16.

60. She, K. Vehicle tracking using on-line fusion of color and shape features [Текст] / К. She, et al. // Proceedings of the 7th International IEEE Conference on Intelligent Transportation Systems. - 2004. - P. 731-736.

61. Bertalmio, M. Morphing Active Contours [Текст] / M. Bertalmio, G. Sapiro, G. Randall // IEEE Transactions on Pattern Analysis and Machine Intelligence (РАМГ00). - 2000. — V. 22, № 7. - P. 733-737.

62. Formal Description of Moravec detector [Электронный ресурс]. - Режим доступа: http://kiwi.cs.dal.ca/~dparks/CornerDetection/moravec.htm. (27.06.2012)

63. Neubeck, A. Efficient Non-Maximum Suppression [Текст] / A. Neubeck, L. Van Gool // Proceedings of the 18th International Conference on Pattern Recognition (ICPR'06). - 2006. -V. 3.-P. 850-855.

64. Tuytelaars, T. Local Invariant Feature Detectors: A Survey [Текст] / Т. Tuytelaars, К. Miko-lajczyk // Foundation and Trends in Computer Vision. - 2007. - V. 3, № 3. - P. 177-280.

65. Harris/Plessey Operator [Электронный ресурс]. - Режим доступа: http://kiwi.cs.dal.ca/~dparks/CornerDetection/harris.htm. (27.06.2012)

66. Mikolajczyk, К. Scale and Affine Invariant Interest Point Detectors [Текст] / К. Mikola-jczyk, C. Schmid // International Journal of Computer Vision. - 2004. - № 60 (1). - P. 6386.

67. Donoser, M. Efficient Maximally Stable Extremal Region (MSER) Tracking [Текст] / M. Donoser, H. Bischof // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'06). - 2006. - P. 553-560.

68. Matas, J. Robust wide baseline stereo from maximally stable extremal regions [Текст] / J. Matas, et al. // Proceedings of the British Machine Learning Conference. -2002. - P. 384393.

69. Lindeberg, T. Feature detection with automatic scale selection [Текст] / Т. Lindeberg // International Journal of Computer Vision. - 1998. - V. 30, Issue 2.

70. Lowe, D. Distinctive image features from scale-invariant keypoints [Текст] / D. Lowe // International Journal of Computer Vision. - 2004. - № 60. - P. 91-110.

71. Rosten, E. Machine Learning for high-speed corner detection [Текст] / E. Rosten, T. Drum-mond // Proceedings of the 9th European Conference on Computer Vision (ECCV'06). -2006.-P. 430-443.

72. Quinlan, J.R. Induction of Decision Trees [Текст] / J.R. Quinlan // Machine Learning. -1986.-V. 1, Issue l.-P. 81-106.

73. Ke, Y. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors [Текст] / Y. Ke, R. Sukthankar // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'04). - 2004. - V. 2. - P. 506-513.

74. Hastie, T. The elements of statistical learning. Data mining, inference and prediction [Текст] / Т. Hastie, R. Tibshirani, J. Freidman. - Springer, 2001. - 745 p.

75. Bay, H. SURF: speed up robust features [Текст] / H. Bay, A. Ess, T. Tuytelaars, L.V. Gool // Computer Vision and Image Understanding (CVIU). - 2008. - V. 110, № 3. - P. 346-359.

76. Tola, E. A Fast Local Descriptor for Dense Matching [Текст] / E. Tola, V. Lepetit, P. Fua // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'08). - 2008. - P. 1-8.

77. Calonder, M. BRIEF: Binary Robust Independent Elementary Features [Текст] / M. Calond-er, et al. // Proceedings of the 11th European Conference on Computer Vision (ECCV' 10). -2010.-P. 778-792.

78. Rublee, E. ORB: an efficient alternative to SIFT or SURF [Текст] / E. Rublee, et al. // Proceedings of the International Conference on Computer Vision (CVPR'll). - 2011. -P.2564-2571.

79. Mikolajczyk, К. A Performance Evaluation of Local Descriptors [Текст] / К. Mikolajczyk, С. Schmid // IEEE Transactions on Pattern Analysis and Machine Intelligence (РАМГ05). -

2005. - V. 27, № 10. - P. 1 б 15-1630.

80. Koen, E.A. Evaluating color descriptors for object and scene recognition [Текст] / E.A. Koen, T. Gevers, C.G.M. Snoek // IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMP 10). -2010. - V. 32, № 9. - P. 1615-1630.

81. Comparison of the OpenCV's feature detection algorithms [Электронный ресурс]. — Режим доступа: httr)://computcr-vision-talks.com/201 1/01/comparison-of-the-opencvs-feature-detection-algorithms-2. (05.02.2014)

82. Buch, N. 3D Extended Histogram of Oriented Gradients (3DHOG) for Classification of Road Users in Urban Scenes [Текст] /N. Buch, J. Orwell, S.A. Velastin // Proceedings of the British Machine Vision Conference. - 2009.

83. Rad, R. Real time classification and tracking of multiple vehicles in highways [Текст] / R. Rad, M. Jamzad // Journal Pattern Recognition Letters. - 2005. - V. 26, Issue 10. -P.1597-1607.

84. Hsieh, J.W. Automatic Traffic Surveillance System for Vehicle Tracking and Classification [Текст] / J.W. Hsieh, et al. // IEEE Transactions on Intelligent Transportation Systems. -

2006. - V. 7, № 2. - P. 175-187.

85. Kafai, M. Dynamic Bayesian Networks for Vehicle Classification in Video [Текст] / M. Kafai, B. Bhanu // IEEE Transactions on Industrial Informatics. - 2012. - V. 8, № 1. -P. 100-109.

86. Buch, N. A Review of Computer Vision Techniques for the Analysis of Urban Traffic [Текст] / N. Buch, J. Orwell, S.A. Velastin // IEEE Transactions on Intelligent Transportation Systems. - 2011. - V. 12, № 3. - P. 920-939.

87. Шапиро, Jl. Компьютерное зрение [Текст] / Л. Шапиро, Дж. Стокман. - М.: Бином. Лаборатория знаний, 2006. - 752 с.

88. Ma, X. Edge-based Rich Representation for Vehicle Classification [Текст] / X. Ma, W.E.L. Grimson // Proceedings of the 10th IEEE International Conference on Computer Vision (ICCV'05). -2005. - V. 2. - P. 1185-1192.

89. Bishop, C.M. Pattern Recognition and Machine Learning [Текст] / C.M. Bishop. - Singapore: Springier Science+Business Media, 2006. - 703 p.

90. Sun, M. A Multi-View Probabilistic Model for 3D Object Classes [Текст] / M. Sun, et al. // Proceedings of the Conference on Computer Vision and Pattern Recognition (CVPR'09). -2009.-P. 1247-1254.

91. Gauglitz, S. Evaluation of Interest Point Detectors and Feature Descriptors for Visual Tracking [Текст] / S. Gauglitz, T. Holerer, M. Turk // International Journal of Computer Vision. -2011. - V. 94, Issue 3. - P. 335-360.

92. Shi, J. Good Features to Track [Текст] / J. Shi, C. Tomasi // Proceedings of the Conference on Computer Vision and Pattern Recognition (CVPR'94). - 1994. - P. 593-600.

93. Jin, H. Real-time Tracking and Outlier Rejection with Changes in Illumination [Текст] / H. Jin, P. Favaro, S. Soatto // Proceedings of the International Conference on Computer Vision (ICCV'01). - 2001. - V. 1. - P. 684-689.

94. Barron, J.L. Performance of Optical Flow Techniques [Текст] / J.L. Barron, D.J. Fleet, S.S. Beauchemin // International Journal of Computer Vision. - 1994. - V. 12, № 1. - P. 4377.

95. Kustikova, V.D. Vehicle Video Detection Method [Текст] / V.D. Kustikova, I.B. Meyerov, N.Y. Zolotykh // Proceedings of the 11th International Conference "Pattern Recognition and Image Analysis: New information technologies" (PRIA-11-2013). - 2013. - V. 1. - P. 232235.

96. Kustikova, V.D. Vehicle Video Detection Method [Текст] / I.B. Meyerov, N.Y. Zolotykh // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2014. - V. 24, № 4. - P. 588-582.

97. Kalal, Z. Forward-Backward Error: Automatic Detection of Tracking Failures [Текст] / Z. Kalal, K. Mikolajczyk, J. Matas // Proceedings of the International Conference on Pattern Recognition (ICPR' 10). - 2010. - P. 2756-2759.

98. Kalal, Z. Tracking-Learning-Detection [Текст] / Z. Kalal, K. Mikolajczyk, J. Matas // IEEE Transactions on Pattern Analysis and Machine Intelligence (РАМГ12). - 2012. - V. 34, №7.-P. 1409-1422.

99. Алгоритм сопровождения TLD (aka Predator) [Электронный ресурс]. - Режим доступа: http://robot-develop.or»/archives/4463. (05.02.2014)

100. TLD 1.0 (Predator) [Электронный ресурс]. - Режим доступа: https://githiib.com/zkOOOQ6/OnenTLD. (05.02.2014)

101. Cucchiara, R. Statistical and Knowledge based Moving Object Detection in Traffic Scene [Текст] / R. Cucchiara, et al. // Proceedings of the IEEE International Conference on Intelligent Transportation Systems. - 2000. - P. 27-32.

102. Cucchiara, R. Improving Shadow Suppression in Moving Object Detection with HSV Color Information [Текст] / R. Cucchiara, et al. // Proceedings of the IEEE International Conference on the Intelligent Transportation Systems. - 2001. - P. 334-339.

103. Fung, G.S.K. Towards Detection of Moving Cast Shadows for Visual Traffic Surveillance [Текст] / G.S.K. Fung, et al. // Systems, Man, and Cybernetics. - 2001. - V. 4. -P. 2505-2510.

104. Sanin, A. Shadow Detection: A Survey and Comparative Evaluation of Recent Methods [Текст] / A. Sanin, C. Sanderson, B.C. Lovell // Pattern Recognition. - 2012. - V. 45, № 4. -P.1684-1695.

105. Arrospide, J. Robust Vehicle Detection Through Multidimensional Classification for on Broad Video Based Systems [Текст] / J. Arrospide, et al. // Proceedings of the International Conference on Image Processing (ICIP'08). - 2008. - P. 2008-2011.

106. Tamersoy, B. Robust Vehicle Detection for Tracking in Highway Surveillance Videos using Unsupervised Learning [Текст] / В. Tamersoy, J.K. Aggarwal // Advanced Video and Signal Based Surveillance (AVSS '09). -2009. - P. 529-534.

107. Ballard, D.H. Generalizing the Hough Transform to Detect Arbitrary Shapes [Текст] / D.H. Ballard // Readings in computer vision: issues, problems, principles and paradigms. -1987.-P. 111-122.

108. Sun, Z. On-road vehicle detection using Gabor filters and support vector machines [Текст] / Z. Sun, G. Bebis, R. Miller // Digital Signal Processing. - 2002. - V. 2. - P. 10191022.

109. Miscellaneous Image Transformations (OpenCV API) [Электронный ресурс]. - Режим доступа:

http://docs.opencv.org/modules/imgproc/doc/miscellaneous transformations.html. (05.02.2014)

110. Buch, N. Vehicle Localization and Classification in Urban CCTV Streams [Текст] / N. Buch, et al. // Proceedings of the 16th World Congress and Exhibition on Intelligent Transport Systems and Services. - 2009.

111. Felzenszwalb, P.F. Cascade object detection with deformable path model [Текст] / P.F. Felzenszwalb, et al. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'10). -2010. - P. 2241-2248.

112. Song, X. A Model-based Vehicle Segmentation Method for Tracking [Текст] / X. Song, R. Netavia // Proceedings of the International Conference on Computer Vision (ICCV'05). -2005. - V. 2. - P. 1124-1131.

113. Dollrar, P. Pedestrian Detection: A Benchmark [Текст] / P. Dollrar, et al. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'09). - 2009. -P. 304-311.

114. Everingham, M. The PASCAL Visual Object Classes (VOC) Challenge [Текст] / M. Everingham, et al. // International Journal of Computer Vision. -2010. - P. 303-338.

115. PASCAL Visual Object Challenge Development Kit [Электронный ресурс]. - Режим доступа: http://pascallin.ecs.soton.ac.Uk/challenges/VQC/voc2007///devkit. (05.02.2014)

116. Piotr's Computer Vision Matlab Toolbox [Электронный ресурс]. - Режим доступа: http://vision.ucsd.edu/~pdollar/toolbox/doc/index.html. (05.02.2014)

117. Caltech categories [Электронный ресурс]. — Режим доступа: http://www.vision.caltech.edu/html-files/archive.html. (05.02.2014)

118. Kasturi, R. Framework for performance evaluation of face, text, and vehicle detection and tracking in video: Data, metrics, and protocol [Текст] / R. Kasturi, et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (РАМГ09). - 2009. - V. 31, №2. -P. 319-336.

119. Yin, F. Performance Evaluation of Object Tracking Algorithms [Текст] / F.Yin, D. Makris, S.A. Velastin // Proceedings of the 10th IEEE International Workshop on Performance Evaluation of Tracking and Surveillance. - 2007.

120. Bashir, F. Performance Evaluation of Object Detection and Tracking Systems [Текст] / F. Bashir, F. Porikli // IEEE International Workshop on Performance Evaluation of Tracking and Surveillance. - 2006.

121. Kuhn, I I.W. The Hungarian Method for the assignment problem [Электронный ресурс] // Springer-Verlag Berlin Heidelberg. - 2010. - Режим доступа: http://tom.host.cs.st-andrews.ac.uk/CS3052-CC/Practicals/Kuhn.pdf. (05.02.2014)

122. Kai, S. Vehicle Tracking Using On-Line Fusion of Color and Shape Features [Текст] / S. Kai, et al. // Proceedings of the 7th International IEEE Conference on Intelligent Transportation Systems. - 2004. - P. 731-736.

123. Collins, R.T. An open source tracking testbed and evaluation web site [Электронный ресурс] / R.T. Collins, X. Zhou, S.K. Teh // In IEEE International Workshop on Performance Evaluation of Tracking and Surveillance. - 2005. - Режим доступа: http://www.cs.crnu.edu/~rcollins/Papers/opensourceweb.pdf. (05.02.2014)

124. VIVID Tracking Evaluation Web Site [Электронный ресурс]. - Режим доступа: http://vision.cse.psu.edu/data/vividEval/main.html. (05.02.2014)

125. Kalal, Z. Online Learning of Robust Object Detectors during Unstable Tracking [Текст] / Z. Kalal, J. Matas, K. Mikolajczyk // Computer Vision Workshops (IEEE 12th International Conference on Computer Vision, ICCV'09). - 2009. - P. 1417-1424.

126. Кустикова, В.Д. Обзор методов поиска и сопровождения транспортных средств на потоке видеоданных [Текст] / В.Д. Кустикова, Н.Ю. Золотых, И.Б. Мееров // Вестник Нижегородского госуниверситета. -2012. -№ 5 (2). - С. 347-357.

127. Кустикова, В.Д. Сравнение некоторых алгоритмов видеодетектирования транспортных средств [Текст] / В.Д. Кустикова // Вестник ННГУ им. Н.И. Лобачевского. -2013.-№4(1).-С. 231-242.

128. Microsoft® Application Architecture Guide, 2nd Edition (Patterns & Practices) [Электронный ресурс] // Microsoft. - 2009. - Режим доступа: http://msdn.microsoft.com/en-us/library/ff650706.asnx. (05.02.2014)

129. Sommerville, I. Software Engineering [Текст] / I. Sommerville. - Addison-Wesly, 2011. -790 p.

130. Золотых, Н.Ю. Разработка системы видеодетектирования транспортных средств [Текст] / Н.Ю. Золотых, Е.А. Козинов, В.Д. Кустикова, И.Б. Мееров, А.Н. Половинкин // Всероссийская конференция «Анализ изображений, сетей и текстов» (АИСТ'13): доклады конференции (Екатеринбург, 4-6 апреля 2013). - Национальный открытый университет «ИНТУИТ», 2013.-С. 115-122.

131. Bouguet, J.Y. Pyramidal Implementation of the Lucas Kanade Feature Tracker Description of the algorithm [Электронный ресурс] / J.Y. Bouguet // Intel Corp. - Режим доступа: http://robots.stanford.edu/cs223b04/alt>o tracking.pdf. (05.02.2014)

132. Motion Analysis and Object Tracking (OpenCV 2.4.9.0 API) [Электронный ресурс].-Режим доступа:

http://docs.opencv.org/modules/video/doc/motion analysis and obiect_tracking.html#id 1. (05.02.2014)

133. Исходный код разработанной системы видеодетектирования транспортных средств [Электронный ресурс]. - Режим доступа: http://ml.vmk.unn.ru/index.php/ru/resources-ru. (27.08.2014)