Модели, методы и комплекс программ обнаружения цветных объектов с использованием преобразования радиальной симметрии тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Шакирзянов Ринат Михайлович

• Шакирзянов Ринат Михайлович
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Шакирзянов Ринат Михайлович

1.3. Детектор границ Канни

1.4. Методы подбора модели

1.5. Методы на основе преобразования Хафа

1.6. Методы с использованием нейронных сетей

1.7. Постановка задачи

1.8. Выводы

ГЛАВА 2. ЧИСЛЕННЫЕ МЕТОДЫ ПОСТРОЕНИЯ МОДЕЛЕЙ ИЗОБРАЖЕНИЙ ЦЕНТРАЛЬНО-СИММЕТРИЧНЫХ ОБЪЕКТОВ

2.1. Модель изображений центрально-симметричных объектов

2.2. Хроматическая составляющая модели

2.3. Весовая составляющая модели

60

2.3.1. Комбинированный метод построения модели изображения окружностей с применением преобразования Хафа

2.3.2. Метод построения многомасштабной модели изображения окружностей

2.3.3. Построение модели изображения правильных многоугольников

2.4. Выводы

ГЛАВА 3. ПРОГРАММНЫЙ КОМПЛЕКС И ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ОБНАРУЖЕНИЯ И РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА СЛОЖНОМ ФОНЕ

3.1. Комплекс программ для обнаружения и распознавания заданных объектов на сложном фоне

3.1.1. Описание разработанного комплекса программ

3.1.2. Модуль выделения объектов круглой формы на основе метода быстрого преобразования радиальной симметрии и цветовой сегментации

3.1.3. Модуль выделения окружностей методом Хафа

3.1.4. Модуль обнаружения огней световых сигналов с применением быстрого преобразования радиальной симметрии и цветовой сегментации

3.1.5. Модуль распознавания сигналов светофоров с использованием быстрого преобразования радиальной симметрии, цветовой сегментации и преобразования

Хафа

3.1.6. Модуль распознавания объектов круглой формы с использованием цветовой сегментации, быстрого преобразования радиальной симметрии и пирамиды

Гаусса

3.1.7. Модуль выделения контуров на изображении

3.1.8. Модуль для работы с детектором Канни

3.1.9. Модуль поддержки анализа отдельных каналов многоканального цветного изображения

3.2. Оценка эффективности работы метода обнаружения светофоров на изображениях

3.3. Сравнение результатов работы метода Хафа и метода обнаружения объектов заданной формы на изображениях на основе метода преобразования радиальной симметрии и преобразования Хафа

3.4. Влияние параметров преобразования радиальной симметрии на точность обнаружения окружностей

3.5. Влияние импульсного шума

3.6. Влияние гауссового шума

3.7. Влияние размытия изображения

3.8. Оценка быстродействия

3.9. Внедрение результатов диссертационной работы

3.10. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. СВИДЕТЕЛЬСТВО О РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ

ЭВМ

160

ПРИЛОЖЕНИЕ Б. АКТЫ О ВНЕДРЕНИИ И ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

ПРИЛОЖЕНИЕ В. ЛИСТИНГ МОДУЛЯ ВЫДЕЛЕНИЯ ОБЪЕКТОВ КРУГЛОЙ ФОРМЫ НА ОСНОВЕ МЕТОДА БЫСТРОГО ПРЕОБРАЗОВАНИЯ РАДИАЛЬНОЙ СИММЕТРИИ И ЦВЕТОВОЙ СЕГМЕНТАЦИИ

ПРИЛОЖЕНИЕ Г. ЛИСТИНГ МОДУЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ КРУГЛОЙ ФОРМЫ С ИСПОЛЬЗОВАНИЕМ ЦВЕТОВОЙ СЕГМЕНТАЦИИ, БЫСТРОГО ПРЕОБРАЗОВАНИЯ РАДИАЛЬНОЙ СИММЕТРИИ И ПРЕОБРАЗОВАНИЯ ХАФА

ПРИЛОЖЕНИЕ Д. ЛИСТИНГ МОДУЛЯ РАСПОЗНАВАНИЯ СИГНАЛОВ СВЕТОФОРОВ С ИСПОЛЬЗОВАНИЕМ ЦВЕТОВОЙ СЕГМЕНТАЦИИ И БЫСТРОГО ПРЕОБРАЗОВАНИЯ РАДИАЛЬНОЙ СИММЕТРИИ

ПРИЛОЖЕНИЕ Е. ЛИСТИНГ МОДУЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ КРУГЛОЙ ФОРМЫ С ИСПОЛЬЗОВАНИЕМ ЦВЕТОВОЙ СЕГМЕНТАЦИИ, БЫСТРОГО ПРЕОБРАЗОВАНИЯ РАДИАЛЬНОЙ СИММЕТРИИ И ПИРАМИДЫ ГАУССА

ПРИЛОЖЕНИЕ Ж. ПРИМЕРЫ ТЕСТОВЫХ ИЗОБРАЖЕНИЙ

Введение диссертации (часть автореферата) на тему «Модели, методы и комплекс программ обнаружения цветных объектов с использованием преобразования радиальной симметрии»

ВВЕДЕНИЕ

Актуальность темы исследования методов обнаружения и распознавания объектов на изображениях связана с необходимостью решения различных практических задач, возникающих во многих отраслях жизнедеятельности человека. В прикладных задачах при этом требуется достаточно точно определить пространственное положение объектов наблюдения.

Важное практическое значение имеют задачи распознавания объектов заданной формы и цвета на сложном фоне в условиях существенных помех с высокой точностью и скоростью. Одной из задач при анализе изображений является необходимость предварительно обеспечить отсутствие шума на снимках путём предобработки, которая требует дополнительных вычислительных ресурсов, а также может привести к потере важной информации. В связи с этим разработка эффективных алгоритмов обнаружения объектов, позволяющих уменьшить влияние шумов и сократить временные затраты на выполнение операций, при которых результат будет пригоден для последующего анализа в условиях решаемых задач, является актуальной темой.

В диссертационной работе исследуются методы на основе преобразования радиальной симметрии, цветовой сегментации, преобразования Хафа и пирамиды Гаусса. Модификации методов были применены для решения задач распознавания цветных объектов заданной формы на изображениях, в частности сигналов светофоров, автомобильных фонарей и световых маркеров.

Степень разработанности темы. Существуют различные подходы для решения задач обнаружения и распознавания на изображениях в системах компьютерного зрения объектов заданной формы. Исследованиям в области компьютерного зрения посвящены работы таких зарубежных и российских учёных, как Р. Гонсалес, Р. Вудс [5], Л. Шапиро, Д. Стокман [32], П. Хаф [82], Д. Баллард [37], Дж. Канни [52], А.Л. Горелик, В.А. Скрипкин, И.Б. Гуревич [6], Б.В. Анисимов, В.Д. Курганов, В.К. Злобин [2], В.А. Сойфер, В.В. Сергеев, Ю.В. Визильтер, В.Н. Вапник, А.Я. Червоненкис [4] и других.

Одним из развивающихся направлений в рассматриваемой области научных исследований является применение подходов, основанных на моделях объектов интереса. При этом часто рассматриваются радиально-симметричные объекты, такие как дорожные знаки, светофоры, автомобильные фонари, зрачки человека, маркеры для привязки к цели и т.д. Большой вклад в разработку соответствующих моделей и методов внесли такие учёные, как Г. Лой, А. Зелинский, Н. Барнес,

Д. Шоу [102; 103; 40; 41], Е. Скодрас, Г. Сиокас, Е. Дерматас [131; 129],

А. Могельмоус [89] и др. Результаты их исследований применяются для решения задач в биометрических системах, интеллектуальных транспортных системах, системах промышленного контроля и т.д. Однако, несмотря на имеющиеся наработки в этом направлении, существующие методы трудоёмки, чувствительны к шуму и другим искажениям изображений.

Потребность в уменьшении влияния помех на результат работы систем компьютерного зрения актуализирует необходимость повышения эффективности применяемых методов обнаружения объектов в части устойчивости к шуму, что делает актуальной научно-техническую задачу разработки новых методов обнаружения объектов для выполнения последующего анализа.

Объектом исследования являются цветные объекты на изображениях. Предметом исследования являются модели изображения цветных объектов заданной формы и методы их обнаружения.

Целью диссертационной работы является повышение точности локализации и уменьшение трудоёмкости обнаружения цветных центрально-симметричных объектов на изображениях в условиях помех.

Достижение поставленной цели потребовало решения следующих задач:

1) исследовать существующие подходы и методы обнаружения цветных объектов различной формы на изображениях;

2) разработать модели изображения цветных объектов заданной формы;

3) разработать методы обнаружения цветных объектов заданной формы с использованием преобразования радиальной симметрии;

4) разработать комплекс программ для решения задач обнаружения цветных центрально-симметричных объектов на изображениях на основе преобразования

с/

радиальнои симметрии с использованием предложенных моделей, позволяющий

также проводить вычислительные эксперименты.

Методы исследования. Для решения указанных задач использованы теоретические основы компьютерного зрения, цифровой обработки изображений,

V-/

вычислительной математики, математической статистики, методы математического моделирования, структурного и объектно-ориентированного

программирования.

Достоверность полученных результатов обоснована теоретическими

решениями, не противоречит известным положениям других авторов и

подтверждается результатами экспериментальных исследовании.

Научной новизной обладают следующие результаты:

1) разработаны математические модели, описывающие изображения цветных круглых объектов, отличающиеся от существующих учётом цветовых

^ V-/

характеристик и применением весовых значении пикселей, что позволяет

• •

использовать их для повышения точности и уменьшения трудоемкости обнаружения цветных центрально-симметричных объектов за счёт применения данных моделей при разработке численных методов (п. 1);

2) разработаны численные методы построения моделей изображения круглых объектов, отличающиеся от существующих учётом цветовых характеристик объектов, применением преобразования Хафа совместно с преобразованием радиальной симметрии, а также применением многомасштабного представления с использованием пирамиды Гаусса, что позволяет увеличить точность результатов работы базовых методов при поиске объектов с учётом их цветовых характеристик (п. 3);

3) разработан комплекс программ, включающий программную

реализацию предложенных методов, отличающиися оригинальностью архитектуры и предоставляемым функционалом, что позволяет обеспечить

требуемую функциональность для решения практических задач с заданной высокой точностью, а также осуществлять вычислительные эксперименты (п. 4).

Теоретическая значимость заключается в разработке эффективных моделей и методов для обнаружения цветных объектов заданной формы на основе метода преобразования радиальной симметрии, преобразования Хафа и многомасштабного представления на основе пирамиды Гаусса, а также в определении условий их использования. Разработанные методы имеют самостоятельное значение, могут быть применены для решения задач, связанных с анализом объектов заданной формы на цветных изображениях. Эффективность включает в себя уменьшение влияния шума и временных затрат на выполнение работы, при которых результат будет пригоден для последующей обработки в условиях решаемых задач.

Практическая значимость работы состоит в том, что разработанный программный комплекс позволяет эффективно решать задачу обнаружения и распознавания различных цветных объектов заданной формы на изображениях, в том числе дорожные знаки, светофоры, автомобильные фонари, зрачки человека, маркеры для привязки к цели и т.д. Также произведены численные эксперименты, сформулированы рекомендации по применению разработанных методов и определены границы их применимости.

Основные положения, выносимые на защиту:

1. Математические модели, отражающие наиболее существенные характеристики формы и цвета объектов для их обнаружения на изображениях.

2. Численные методы, позволяющие обеспечить точное обнаружение объектов заданной формы на изображениях в условиях помех.

3. Комплекс программ, позволяющий проводить экспериментальные исследования и обеспечивающий требуемую функциональность для решения практических задач с заданной высокой точностью.

Соответствие паспорту научной специальности. В диссертации разработаны и реализованы в виде комплекса программ модели и методы обнаружения цветных объектов на изображениях. Для оценки адекватности

проведены вычислительные эксперименты. Исследование соответствует следующим пунктам паспорта специальности 05.13.18 - «Математическое

моделирование, численные методы и комплексы программ»:

1. Разработка новых математических методов моделирования объектов и явлений: разработка математических моделей изображения объектов заданной формы и цвета.

3. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий: разработка численных методов построения моделей изображения объектов заданной формы на изображениях на основе метода преобразования радиальной симметрии с применением цветовых характеристик объектов, метода Хафа и многомасштабного представления на основе пирамиды Гаусса.

4. Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения

вычислительного эксперимента: реализация комплекса программ на основе

предложенных моделей и методов для решения поставленных задач и проведения

вычислительных экспериментов.

Апробация работы. Результаты диссертационной работы были представлены на следующих конференциях: International Russian Automation Conference, RusAutoCon-2021 (Сочи, 2021); 63-й Всероссийской научной конференции МФТИ (Москва, 2020); Всероссийской конференции «Состояние и перспективы развития современной науки по направлению "Техническое зрение и распознавание образов"» (Анапа, 2019); Международной научно-технической конференции «Перспективные информационные технологии» (Самара, 2019); 2019 International Multi-Conference on Industrial Engineering and Modern Technologies, FarEastCon (Владивосток, 2019); Международной молодёжной научной конференции «XXIV Туполевские чтения (школа молодых учёных)» (Казань, 2019); Всероссийской научно-практической конференции с международным участием «Новые технологии, материалы и оборудование российской авиакосмической отрасли» (Казань, 2018); XI Международной

Четаевской конференции, посвященной 115-летию со дня рождения Н.Г. Четаева и памяти академика АН РТ Т.К. Сиразетдинова (Казань, 2017).

Публикации. По теме диссертационной работы опубликовано 12 научных работ: 4 статьи в периодических изданиях из перечня ВАК (в которых должны быть опубликованы основные научные результаты диссертаций на соискание учёной степени по научной специальности 05.13.18 - «Математическое моделирование, численные методы и комплексы программ»); 2 публикации в научных изданиях, индексируемых в базе Scopus, и 6 публикаций в материалах российских и международных конференций. Получено 1 свидетельство о регистрации программы для ЭВМ.

Реализация результатов работы. Результаты исследования внедрены в учебный процесс кафедры автоматизированных систем обработки информации и управления КНИТУ-КАИ, что подтверждается актом о внедрении в учебный процесс университета. Они используются при изучении дисциплины «Цифровая обработка изображений» для студентов направления 09.03.02 «Информационные системы и технологии», а также для слушателей курсов дополнительного профессионального образования по программе «Интеллектуальные технологии обработки информации».

Результаты исследования внедрены в ГБУ «Безопасность дорожного движения» для исследования и разработки в области интеллектуальных транспортных систем, в ООО «Телеком Интеграция» в качестве перспективного программного продукта, что подтверждается соответствующими актами внедрения результатов диссертационной работы.

Программное обеспечение, разработанное на основе материалов диссертационной работы, зарегистрировано в государственном реестре программ для ЭВМ и использовано при выполнении НИР «Разработка методов и средств обнаружения и распознавания объектов на изображениях в бортовой системе беспилотного летательного аппарата» (государственный контракт № 2.1724.2017/ПЧ от 31 мая 2017 г.) в федеральном государственном бюджетном образовательном учреждении высшего образования «Казанский национальный

исследовательский технический университет им. А.Н. Туполева - КАИ» (КНИТУ-

КАИ) в 2017-2019 годах.

Личный вклад автора. Постановка научно-технической задачи, содержание диссертации и представленные в ней результаты получены лично автором. Подготовка к публикации некоторых результатов проводилась совместно с соавторами, причём вклад диссертанта определяющий.

Структура и объём диссертации. Диссертация включает в себя введение, три главы, заключение, список использованной литературы, 7 приложений, а также 53 рисунка и 14 таблиц. Основная часть диссертационной работы изложена на 159 страницах машинописного текста.

ГЛАВА 1. ОБЗОР МЕТОДОВ ОБНАРУЖЕНИЯ ОБЪЕКТОВ ЗАДАННОЙ ФОРМЫ

В главе проведён обзор основных подходов к решению задачи обнаружения объектов на изображениях, проанализированы их достоинства и недостатки. На основе приведённого анализа сделан вывод о целесообразности разработки новых методов обнаружения объектов с использованием преобразования радиальной симметрии.

1.1. Методология обнаружения и распознавания объектов заданной формы

Распознавание образов как область научных интересов развивалось одновременно с развитием информатики. Таким образом во второй половине двадцатого века сформировалась в самостоятельную дисциплину. В настоящее время распознавание образов можно рассматривать как один из методов системного анализа [16; 6], поскольку, во-первых, результаты работы методов данной области нередко выступают в качестве источников информации для систем управления, а, во-вторых, работа методов, модулей, этапов распознавания зависит от измерительных и вычислительных средств всей системы.

Задача распознавания образов заключается в описании и классификации объектов и может быть сформулирована следующим образом [14; 12]. Пусть II -множество образов, имеющихся в данной задаче обнаружения и распознавания. Отдельный образ из множества и обозначим символом х. Каждый образ х Е II может быть охарактеризован некоторым, возможно, значительным количеством признаков. Далее необходимо сформировать пространство признаков, для чего потребуется выбрать некоторое подмножество признаков, характеризующих объект, т.е. значимые признаки, которые будут использованы при описании модели обнаружения объекта. Это множество значимых признаков обозначим через X Чаще всего Х- линейное пространство. Пусть х - элемент пространства X, соответствующий образу х Е II, а Р: II —> Х - оператор, отображающий хвх. Кроме того, Х= Р(Ц). Предположим, что во множестве образов II в данной задаче

распознавания нас интересуют некоторые подмножества - классы. В классической задаче классификации считается, что множество классов О = {со\, сот) является конечным, и классы образуют полную группу подмножеств из и (разбиение пространства образов и), т.е. и™1 = и и из/ П шу = 0 для всех / ^у.

Классифицировать образ х е С/ по классам &>ь .... - это значит найти индикаторную функцию g: и —> У, 7 = (уь которая ставит в соответствие

образу х Е и метку у( Е 7 того класса П7/, которому он принадлежит, т.е. g(x) = уи если х Е из^

В действительности приходится работать не со всем множеством образов С/, а только с проекцией Х= Р(Ц) - пространством признаков. Тогда требуется найти такую функцию д: X —> 7, которая ставила бы в соответствие каждому вектору х = Рх Е X метку у1 Е 7 того класса иЗ[ , которому принадлежит соответствующий образ, т.е. д(х) = уи если х = Рх, х Ей7/. Такая функция называется решающей.

В пространстве признаков X множеству классов О = {соъ азт)

соответствует некоторое, вообще говоря, покрытие Хъ Хт пространства

X: Х/ = {х = Рх: х Е ш,}, / = 1, т. Множества Хъ Хт могут, вообще говоря,

пересекаться. Поэтому вместо покрытия Хи ..., Хт будем рассматривать разбиение

Х\у Хт пространства X такое, что Х{ ^ Х^ Такое разбиение будет определяться неоднозначно. Чем «правильнее» выделены наиболее информативные признаки, тем «степень неоднозначности» выбора разбиения Х\9...9Хт будет меньше. Области Х( будем называть областями предпочтения классов из{.

Распознавание образов приобрело свою актуальность в условиях, когда человек не способен выполнять требуемые функции по причине информационной перегрузки и большого объёма информации. В связи с этим возникла необходимость в автоматизации определённого рода процессов. Таким образом, данная проблема оказалась в области междисциплинарных исследований, результаты которых находят широкое применение в различных сферах, таких как: управление беспилотными транспортными средствами, контроль доступа к

информации по идентификации личности, дактилоскопия, распознавание текста, улучшение качества изображений, обработка спутниковых снимков, обработка рентгеновских снимков в медицине, контроль корректности заполненных документов, контроль качества производимой продукции, обеспечение правопорядка и т.д.

Распознавание образов применяется в технологиях компьютерного зрения, которые базируются на методах обработки и анализа изображений. Эти методы должны обеспечивать высокую точность и быстродействие. Процесс распознавания объектов можно разделить на несколько основных этапов:

1) обнаружение объекта на изображении;

2) определение координат его расположения;

3) извлечение характерных признаков объекта;

4) классификация объекта по извлечённым признакам.

За последние годы и десятилетия был представлен ряд методов и алгоритмов, применяемых на различных стадиях процесса распознавания объектов на изображениях.

Стоит отметить, что применение методов компьютерного зрения зачастую недостаточно эффективно в реальных условиях, которые характеризуются наличием сложного фона (сложной фоновой структуры) на изображениях, различной степенью освещённости, наличием шумов, аффинными и проекционными искажениями объектов, возникающими из-за изменения углов регистрации. Особенно ярко эти недостатки стали проявляться при масштабном использовании программных систем компьютерного зрения. Эффективность работы многих систем становится ниже технологически приемлемого уровня при наличии искажений подобного рода, приходится шум устранять [26]. Ввиду упомянутых проблем задача распознавания объектов на изображениях до сих пор не решена в полном объёме, в связи с этим задача разработки методов и алгоритмов распознавания объектов на сложном фоне, обладающих высокой степенью инвариантности к различным шумовым, аффинным и проекционным искажениям, остаётся актуальной и на сегодняшний день.

Задача обнаружения объектов на изображении может быть решена на основе анализа цвета пикселей и текстуры, характеризующих свойства окраски или рельефа объекта, а также формы объектов. В свою очередь форма объектов представляется в виде разных признаков и характеристик, при этом распространено применение анализа границ объектов, определяемых на основе разной яркости пикселей на изображении. Под границей объекта понимается замкнутая последовательность точек (как правило, одного цвета), по одну сторону которой находятся все видимые пиксели объекта на изображении, а по другую -фон и другие объекты. Граница объекта состоит из внешних контуров объекта, которые видны на изображении. При этом не всякий контур задаёт границу объекта, так, например, поскольку контур может также возникнуть вследствие изменения освещённости, цвета, а также глубины сцены, иначе говоря, вследствие перепада яркости пикселей, поэтому необходимо для обнаружения границ объектов произвести отсев контуров. Итак, контур - скачкообразное изменение яркости между соседними пикселями - может быть результатом изменений в освещении, цвете, тени и текстуре изображения, и эти изменения могут быть использованы для определения глубины, размера и свойств объектов на изображении. С помощью анализа цифрового изображения можно отфильтровать ненужную информацию, чтобы выбрать точки контуров. Обнаружение контуров может быть осложнено шумом, и значительно зависит от порога, который определяет контуры объектов.

Обнаружение границ объектов само по себе очень сложно и требует много времени и вычислительных ресурсов, особенно это сложно, когда изображение искажено шумом. Обнаружение границ является базовым и важным инструментом в основных областях обработки изображений и распознавания образов, при этом последовательно решаются задачи выделения контуров и описания границ.

Распространённые методы обнаружения контуров заключаются в свёртке изображения с помощью соответствующего оператора, чувствительного к градиентам изображения, и возвращающего ноль в однородных областях.

В контуре объекта содержится очень много важной информации, которой может быть достаточно для распознавания объектов. Как было указано ранее, под

контуром подразумевается замкнутая монохромная линия, описывающая границы объекта на изображении. Он формируется в местах резкого изменения значения яркости на изображении, и определяется, как правило, путём вычисления первой производной функции яркости - её градиента. Методы выделения и описания контуров на изображениях, в том числе с последующим их, контуров, преобразованием и распознаванием зрительных образов, формируют так называемый контурный анализ. Таким образом контурный анализ позволяет описывать, хранить, сравнивать и производить поиск объектов, представленных в виде своих внешних очертаний - контуров, а также эффективно решать основные проблемы распознавания образов - перенос, поворот и изменение масштаба изображения объекта. Также к преимуществам метода стоит отнести инвариантность к освещению и к цвету объекта. Контур полностью определяет форму объекта, содержа всю необходимую информацию для распознавания этого объекта по форме без необходимости анализа внутренних пикселей изображения объекта. Это позволяет значительно сократить объём перерабатываемой информации, что благоприятно быстродействии таких методов.

Сложности при проведении контурного анализа возникают в случае их разрывов, появлении ложных контуров вследствие зашумлённости изображения, при частичном перекрытии объектов, когда имеет место схожая яркость фона и объекта (в этом случае невозможно выделить контур), а также слишком широки

сами контурные линии.

В настоящее время известны различные методы выделения контуров [3; 75;

98; 25; 23; 17; 37; 59; 155; 153; 116; 117; 124; 126; 127; 128; 135; 151]:

- методы с использованием операторов производных (градиентные методы);

- метод активных контуров;

- методы на основе вейвлет-преобразования;

- методы на основе генетических алгоритмов;

- методы на основе математической морфологии;

- методы на основе статистических характеристик;

- методы на основе фазовой конгруэнтности;

- методы на основе кластеризации;

- различные комбинированные методы и т.п

Ввиду удачной совокупности качеств, таких как низкая вычислительная сложность и, соответственно, высокая скорость работы, для подробного рассмотрения были выбраны методы с использованием операторов производных. В числе рассматриваемых методов будут рассмотрены следующие: оператор Робертса, оператор Превитт, оператор Собеля, метод Кирша, метод Робинсона, метод Марра-Хилдрета, детектор границ Канни [5].

Среди различных задач, решаемых в системах компьютерного зрения, большое значение имеют задачи анализа объектов, имеющих заданную форму, в частности, имеющих форму окружности, прямоугольника и т.д. Примерами таких

задач являются:

- биометрическая идентификация (например, определение центров глаз,

зрачков);

- подсчёт объектов (например, количество брёвен в вагоне);

- определение геометрических параметров пробы продукции (например, гранул порошка);

- позиционирование на местности (например, посадка в автоматическом режиме БПЛА по подсвеченному маркеру);

- распознавание объектов дорожной инфраструктуры (например, дорожные знаки, сигналы светофоров) и пр.

Обнаружение таких объектов предполагается с помощью анализа выделенных на изображении контуров и границ. Когда границы объектов обнаружены, появляется возможность, проанализировав их, выяснить форму объекта и иные геометрические характеристики. Форма объекта может быть сложной, но существует большой класс объектов, форма которых успешно может быть аппроксимирована сравнительно несложными фигурами, такими как окружности, треугольники, прямоугольники и т.п. Далее рассмотрены методы,

позволяющие обнаружить такие объекты. Задачи поиска объектов заданной геометрической формы часто решаются с помощью следующих методов и

алгоритмов:

- методы, основанные на обучении;

- методы подбора модели;

- генеративные методы.

У каждого из упомянутых в данном разделе методов есть свои преимущества и недостатки. Благодаря удачной совокупности качеств часто применяются методы на основе обучения и преобразования Хафа.

Далее более подробно представленные выше методы будут описаны и

проанализированы.

1.2. Методы с использованием операторов производных

Эти методы можно отнести к достаточно простым с точки зрения реализации. Они используют вычисление градиента яркости для определения её перепадов и, как следствие, границ объектов [5].

Вычисление градиента изображения Дх, у) заключается в вычислении

д/ а/

частных производных — и — для каждой точки изображения (х, у). Дискретной

ох ду

аппроксимацией этих частных производных в окрестности точки (х, у) будут

Список литературы диссертационного исследования кандидат наук Шакирзянов Ринат Михайлович, 2022 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Алгоритмические основы растровой графики / Д.В. Иванов, A.C. Карпов, Е.П. Кузьмин, B.C. Лемпицкий, A.A. Хропов. - М.: ИНТУИТ, 2007. - 256 е., ил.

2. Анисимов, Б.В. Распознавание и цифровая обработка изображений: [Учеб. пособие для вузов по спец. «ЭВМ» и «АСУ»] / Б. В. Анисимов,

B. Д. Курганов, В. К. Злобин. - М.: Высш. шк., 1983. - 295 с.

3. Баранник, В.В. Анализ методов обнаружения границ объектов на изображениях и их классификация / В.В. Баранник, A.B. Яковенко, A.B. Власов // Сучасна спещальна техшка. — 2012. — № 3. — С. 20-27.

4. Вапник, В.Н. Теория распознавания образов (статистические проблемы обучения) / В.Н. Вапник, А .Я Червоненкис. - М.: Наука, 1974. - 416 с.

5. Гонсалес, Р. Цифровая обработка изображений: Издание 3-е, исправленное и дополненное / Р. Гонсалес, Р. Вудс. - Москва: Техносфера,

2012.- 1104 с.

6. Горелик, А.Л. Современное состояние проблемы распознавания: Некоторые аспекты / А.Л. Горелик, И.Б. Гуревич, В.А. Скрипкин. - М.: Радио и

связь, 1985. - 160 с.

7. Джадд, Д. Цвет в науке и технике / Д. Джадд, Г. Вышецки - М.: Мир,

1978.-592 с.

8. Кирпичников, А.П. Алгоритм обнаружения световых сигналов транспортных средств и светофоров / А.П. Кирпичников, С.А. Ляшева, P.M. Шакирзянов, A.A. Шакирзянова, М.П. Шлеймович // Вестник Технологического университета. - 2019. - Т. 22, № 9. - С. 130-133.

9. Кирпичников, А.П. Обнаружение окружностей на изображениях с помощью метода Хафа и преобразования быстрой радиальной симметрии / А.П. Кирпичников, С.А. Ляшева, P.M. Шакирзянов, A.A. Шакирзянова, М.П. Шлеймович // Вестник Технологического университета. - 2019. - Т. 22, № 8. -

C. 164-167.

10. Кольцов, П.П. О количественной оценке эффективности алгоритмов анализа изображений / П.П. Кольцов, A.C. Осипов, A.C. Куцаев, A.A. Кравченко,

144

H.B. Котович, A.B. Захаров 11 Компьютерная оптика. - 2015. - T. 39, № 4. -С. 542-556.

11. Красильников, H. H. Колориметрическая система Манселла / H.H. Красильников. - Цифровая обработка 2D- и ЗО-изображений. - СПб.: «БХВ-Петербург», 2011. - 608 с.

12. Лепский, А.Е. Математические методы распознавания образов: Курс лекций / Лепский А.Е., Броневич А.Г. - Таганрог: Изд-во ТТИ ЮФУ, 2009. -155 с.

13. Ляшева, С.А. Детектирование центов объектов на изображениях с использованием метода преобразования радиальной симметрии / С.А. Ляшева, P.M. Шакирзянов, A.A. Шакирзянова, М.П. Шлеймович // Перспективные информационные технологии (ПИТ 2019). Труды Международной научно-технической конференции. / Под ред. С.А. Прохорова. - 2019. - С. 270-273.

14. Мазуров, В.Д. Математические методы распознавания образов: учебное пособие. - Екатеринбург: Изд-во Урал, ун-та, 2010.-101 с.

15. Малашин, P.O. Исследование обобщающих способностей сверточных нейронных сетей при формировании признаков, инвариантных к вращению [Текст] / Малашин P.O., Кадыков А.Б. // Оптический журнал. - 2015. - Т. 82, №8.-С. 60-65.

16. Матвеев, Ю. Н. Основы теории систем и системного анализа / Ю.Н. Матвеев. - Тверь: ТГТУ, 2007. - 100 с.

17. Новиков, А.И. Детектор границ градиентного типа / А.И. Новиков, A.B. Пронькин // Вестник РГРТУ. - №68. - 2019. - с. 68-76.

18. Обработка изображений с помощью OpenCV: пер. с англ. Слинкин А. А. / Г.Б. Гарсия, О.Д. Суарес, Х.Л.Э. Аранда, Х.С. Терсеро, И.С. Грасиа, Н.В. Энано - М.: ДМК Пресс, 2016. - 210 с.

19. ОДМ 218.6.003-2011 Методические рекомендации по проектированию светофорных объектов на автомобильных дорогах - Режим доступа: http://docs.cntd.ru/document/1200098292, свободный. - Заглавие с экрана. - Яз. рус. (дата обращения 07.10.2020).

145

20. Плесков, А. В. Эффективный алгоритм сегментации изображений на основе пирамиды Гаусса / Плесков А. В., Писаревский В.Н. - Донецк: ДонНТУ, 2000. - 6 с. - Режим доступа: http://iai.dn.Ua/public/JournalAI_2000_2/2/418-423_PLESK01.pdf.

21. Прикладная математика: предмет, логика, особенности подходов : с примерами из механики : [учеб. пособие] / И. И. Блехман, А. Д. Мышкис, Я. Г. Пановко. - [3-е изд., испр. и доп.]. - M. : URSS, сор. 2005. - 376 с.

22. Роджерс, Д. Алгоритмические основы машинной графики: Пер. с англ. /

Д. Роджерс. -М.:Мир, 1989.-512 с.

23. Сакович, И.О. Обзор основных методов контурного анализа для выделения контуров движущихся объектов / И.О. Сакович, Ю.С. Белов // Инженерный журнал: наука и инновации. - 2014. - №12. - С. 21-25.

24. Трифонов, М.А. Алгоритм обнаружения графических примитивов типа окружность при обработке изображений в реальном времени / М.А. Трифонов, C.B. Пивнева, Б.Ф. Мельников // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-

2017).-2017.-С. 1639-1642.

25. Фурман, Я.А. Введение в контурный анализ. Приложения к обработке изображений и сигналов / Я.А. Фурман, A.B. Кревецкий, А.К. Передреев, A.A. Роженцов, Р.Г. Хафизов, И.Л. Егошина, А.Н. Леухин. - 2-е изд., испр. - М.: Физматлит. - 2003. - 592 с.

26. Шакирзянов, P.M. Анализ вейвлетных методов для первичной обработки изображений / P.M. Шакирзянов // Аналитическая механика, устойчивость и управление. Труды XI Международной Четаевской конференции, посвященной 115-летию со дня рождения Н.Г. Четаева и памяти академика АН РТ Т.К. Сиразетдинова. - 2017. - С. 236-242.

27. Шакирзянов, P.M. Вероятностная оценка точности работы алгоритмов сегментации изображений / P.M. Шакирзянов // Труды 63-й Всероссийской научной конференции МФТИ. 23-29 ноября 2020 года. Прикладная математика и информатика. Москва, МФТИ. - 2020. - С. 196-197.

146

28. Шакирзянов, P.M. Детектирование центров объектов на изображениях с применением методов Хафа и преобразования быстрой радиальной симметрии / P.M. Шакирзянов, A.A. Шакирзянова // XXIV Туполевские чтения (школа молодых ученых). Материалы Международной молодёжной научной конференции. В 6-ти томах. - 2019. - С. 497-500.

29. Шакирзянов, P.M. Обнаружение летательных аппаратов на аэрофотоснимках с использованием модифицированного преобразования Хафа / P.M. Шакирзянов // Новые технологии, материалы и оборудование российской авиакосмической отрасли. Материалы Всероссийской научно-практической конференции с международным участием. Материалы докладов. - 2018. - С. 538-

540.

30. Шакирзянов, P.M. Обнаружение сигналов светофоров с использованием цветовой сегментации и детектора радиальной симметрии / P.M. Шакирзянов // Вестник Воронежского государственного технического университета. - 2020. - Т.

16, №6.-С. 25-33.

31. Шакирзянов, P.M. Способ определения центра целей округлой формы / P.M. Шакирзянов, М.П. Шлеймович // Состояние и перспективы развития современной науки по направлению «Техническое зрение и распознавание образов». Сборник тезисов докладов научно-технической конференции. - 2019. -

С. 194-200.

32. Шапиро, J1. Компьютерное зрение : учебное пособие / JI. Шапиро, Д. Стокман; под редакцией С. М. Соколова; перевод с английского А. А. Богуславского. - 4-е изд. - Москва : Лаборатория знаний, 2020. - 763 с. - Текст : электронный // Лань : электронно-библиотечная система. - Режим доступа: https://e.lanbook.com/book/135496 (дата обращения: 30.08.2021, для авториз. пользователей).

33. Adelson, Е. Pyramid methods in image processing / E. Adelson, P. Burt, C. Anderson, J. M. Ogden, J. Bergen // RCA Engineer. - 1984. - Vol. 29, No 6. - P. 33-41.

147

34. Agarwal, S. Learning to Detect Objects in Images via a Sparse, Part-Based Representation / S. Agarwal, A. Awan, D. Roth // IEEE Transaction on Pattern Analysis and Machine Intelligence. - 2004. - Vol. 26, No 11. - P. 1475-1490.

35. Antolovic, D. Review of the Hough transform method, with an implementation of the Fast Hough Variant for Line Detection. Technical Report TR663, School of Informatics and Computing, Indiana University, Bloomington / D. Antolovic. -2008.

36. Atherton, T.J. Size invariant circle detection / T.J. Atherton, D.J. Kerbyson // Image and Vision Computing. - 1999. - Vol.17. - P.795-803.

37. Ballard, D. H. Generalizing the Hough transform to detect arbitrary shapes / D. Ballard//Pattern Recognition. - 1981. -Vol. 13, No 2.-P. 111-122.

38. Bandera, A. Mean shift based clustering of Hough domain for fast line segment detection [Text] / A. Bandera, J. M. Perez-Lorenzo, J. P. Bandera, F. Sandoval // Pattern Recognition Letters. - 2006. - Vol. 27, No 6. - P. 578-586.

39. Barnes, N. Real-time regular polygonal sign detection / N. Barnes, G. Loy // 2005 International Conferenceon Fieldand Service Robotics (FSR05). - 2005. -P. 55-66.

40. Barnes, N. The regular polygon detection / N. Barnes, G. Loy, D. Shaw, A. Robles-Kelly // Tenth IEEE International Conference on Computer Vision (ICCVf05). -2005.-Vol. l.-P. 778-785.

41. Barnes, N. The regular polygon detector / N. Barnes, G. Loy, D. Shaw // Pattern Recognition. - 2010. - Vol. 43, No. 3. - P. 592-602.

42. Behrendt, K. A deep learning approach to traffic lights: Detection, tracking, and classification / Behrendt, K., Novak, L., & Botros, R. // In 2017 IEEE International Conference on Robotics and Automation (ICRA). IEEE. - 2017. - P. 1370-1377.

43. Benn, D.E. Robust eye centre extraction using the Hough transform. / Benn D.E., Nixon M.S., Carter J.N. // Lecture Notes in Computer Science. - 1997. - Vol. 1206.-P. 1-9.

44. Ben-Tzvi D. A combinatorial Hough transform [Text] / D. Ben-Tzvi, M. B. Sandler // Pattern Recognition Letters. - 1990. - Vol. 11.-No 3. - P. 167-174.

148

45. Ben-Tzvi, D. A dynamic combinatorial Hough transform for straight lines and circles [Text] / D. Ben-Tzvi, V. F. Leavers, M. Sandler // Alvey vision conference. -

1989.-P. 163-168.

46. Berzins, V. Accuracy of Laplacian edge detectors / V. Berzins // Computer Vision, Graphics, and Image Processing. - Vol. 27. - 1984. - P. 195-210.

47. Betke, M. Real-time multiple vehicle detection and tracking from a moving vehicle / M. Betke, L. S. Davis, E. Haritaoglu // Machine vision and applications. -

2000.-Vol. 12.-P. 69-83.

48. Bosch Small Traffic Lights Dataset - Режим доступа: https://hci.iwr.uni-heidelberg.de/content/bosch-small-traffic-lights-dataset , свободный. - Заглавие с экрана. - Яз. англ. (дата обращения 07.10.2020).

49. Bouckerche, A. Lane detection and tracking system based on the MSER algorithm, Hough transform and Kalman filter [Text] / A. Bouckerche, G. Lu, A. Mammeri // Proceedings of the 17th ACM international conference on Modeling, analysis and simulation of wireless and mobile systems. - 2014. - P. 259-266.

50. Bowyer, K. Experiments with an improved iris segmentation algorithm / Bowyer K., Flynn P., Liu X. // 4th IEEE Workshop on Automatic Identification Advanced Technologies (AutoID), Buffalo, NY, USA. - 2005. - P. 118-123.

51. Cabani, I. Color-based detection of vehicle lights / I. Cabani, G. Toulminet, A. Bensrhair // Intelligent vehicles symposium, 6-8 June 2005. Proceedings. IEEE. -2005.-P. 278-283.

52. Canny, J. A Computational Approach for Edge Detection / J.A. Canny // IEEE Trans. Pattern Analysis Machine Intelligence. - Vol. PAMI-8, No 6. - 1986. - P.

679-698.

53. Cao, M. Y. Spherical parameter detection based on hierarchical Hough transform [Text] / M. Y. Cao, С. H. Ye, O. Doessel, C. Liu // Journal of Pattern Recognition Letters. - 2006. - Vol. 27. - No 9. - P. 980-986.

54. Cao, Y. Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition [Text] / Y. Cao, Y. Chen, D. Khosla // International Journal of Computer Vision.-2015.-Vol. 113, No l.-P. 54-66.

149

55. Chau, C.-P. Adaptive dual-point Hough transform for object recognition [Text] / C.-P. Chau, W.-C. Siu // Computer Vision and Image Understanding. - 2004. -Vol. 96, No l.-P. 1-16.

56. Chau, C.-P. Generalized Hough Transform Using Regions with Homogeneous Color [Text] / C.-P. Chau, W.-C. Siu // International Journal of Computer Vision. - 2004. - Vol. 59, No 2. - P. 183-199.

57. Chen, H. The recognition and tracking of traffic lights based on color segmentation and camshift for intelligent vehicles / H. Chen, J. Gong, C. Guan, Y. Jiang, G. Tao, G. Xiong // 2010 IEEE Intelligent Vehicles Symposium. - 2010. - P. 431-435.

58. Cheng, Y. C. The Probabilistic Hough Transform with Localized Search Guided by Evidence Clusters [Text] // SSIAI '06 Proceedings of the 2006 IEEE Southwest Symposium on Image Analysis and Interpretation. - 2006. - P. 16-20.

59. Chhabra, A. Overview and comparative analysis of edge detection techniques in digital image processing / Ch. Chhabra, A. Chhabra // International Journal of Information & Computation Technology. - 2014. - Vol. 4, No 10. - P. 973-980.

60. Chung, C.-H. Adaptive image segmentation for region-based object retrieval using generalized Hough transform [Text] / C.-H. Chung, S.-C. Cheng, C.-C. Chang // Pattern Recognition. - 2010. - Vol. 43, No 10. - P. 3219-3232.

61.Deriche, R. Using Canny's criteria to derive a recursively implemented optimal edge detector [Text] / R. Deriche // Int. J. Computer Vision. - 1987. - Vol. 1. -P. 167-187.

62. Dhivya, S. A Big Data Based Edge Detection Method for Image Pattern Recognition - A Survey / S. Dhivya, Dr. R. Shanmugavadivu // International Journal Of Engineering And Computer Science. - 2018. - Vol. 7, Issue 3. - P. 23755-23760.

63. Diaz, P. G. T. A neural network based corner detection method [Text] / P. G. T. Diaz, A. A. Kassim, V. Srinivasan // proc. IEEE International Conferenceon Neural

Networks. - 1995. - P. 2116-2120.

150

64. Diaz-Cabrera, M. Robust real-time traffic light detection and distance estimation using a single camera. / M. Diaz-Cabrera, P. Cerri, P. Medici // Expert Systems with Applications. - 2015. - Vol. 42, Issue 8. - P. 3911-3923.

65. Diaz-Cabrera, M. Suspended traffic lights detection and distance estimation using color features / M. Diaz-Cabrera, P. Cerri, J. Sanchez-Medina // 15th International IEEE Conference on Intelligent Transportation Systems. - 2012. - P. 1315-1320.

66. Ding, L. On the Canny edge detector / L. Ding, A. Goshtasby // Pattern Recognition - 2001. - Vol. 34, Issue 3. - P. 721-725.

67. Droogenbroeck, V. M. Design of Statistical Measures for the Assessment of Image Segmentation Schemes / M. Van Droogenbroeck, O. Barnich // Proceedings of 11th International Conference on Computer Analysis of Images and Patterns (CAIP2005), Lecture Notes in Computer Science. - 2005. - Vol. 3691. - C. 280-287.

68. Fusiello, A. T-Linkage: a Continuous Relaxation of J-Linkage for Multi-Model Fitting / A. Fusiello, L. Magri // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. - 2014. - P. 1-8.

69. Galambos, C. Robust Detection of Lines Using the Progressive Probabilistic Hough Transform [Text] / C. Galambos, J. Matas, J. Kittler // Computer Vision and Image Understanding - Special issue on robust statistical techniques in image understanding - 2000. - Vol. 78, No 1. - P. 119-137.

70. Galambos, C. Using Gradient Information to Enhance the Progressive Probabilistic Hough Transform [Text] / C. Galambos, J. Kittler, J. Matas // Proceedings of the International Conference on Pattern Recognition - 2000. - Vol. 3. - P. 3564.

71. Gao, L. Vehicle detection based on color and edge information / L. Gao, C. Li, T. Fang, Z. Xiong // Image analysis and recognition, Springer, Berlin, Heidelberg. -

2008.-Vol. 5112.-P. 142-150.

72. Gepperth, A. R. T. Object detection and feature learning with sparse convolutional neural networks [Text] / A. R. T. Gepperth // Second international conference on Artificial Neural Networks in Pattern Recognition (ANNPR) - 2006. -P. 221-232.

151

73. Gesualdi, A. R. Straight-line track reconstruction in 3d images using adaptive morphological Hough transform [Text] / A. R. Gesualdi, J. M. Seixas, M. P. Albuquerque // SIP'07 Proceedings of the Ninth IASTED International Conference on Signal and Image Processing - 2007. - P. 196-207.

74. Gomez, A.E. Traffic lights detection and state estimation using hidden markov models / A. E. Gomez, F. A. R. Alencar, P. V. Prado, F. S. Osorio, D. F. Wolf // 2014 IEEE Intelligent Vehicles Symposium Proceedings. - 2014. - P. 750-755.

75. Gong, X. An Overview of Contour Detection Approaches / Xin-Yi Gong, Fei Shen, Hu Su, De Xu, Zheng-Tao Zhang, Hua-Bin Yang // International Journal of Automation and Computing. - 2018. - Vol. 15, No 6. - P. 656-672.

76. Goulermas, J. Y. Novel combinatorial probabilistic Hough transform technique for detection of underwater bubbles [Text] / J. Y. Goulermas, P. Liatsis // Machine Vision Applications in Industrial Inspection V. - 1997. - P. 147-156.

77. Hahn, K. Ellipse detection using a randomized Hough transform based on edge segment merging scheme [Text] / K. Hahn, H. Hahn, Y. Han // 6th WSEAS International Conference on Signal Processing, Robotics and Automation. - 2007. -

P. 1-6.

78. Haltakov, V. Semantic segmentation based traffic light detection at day and at night / V. Haltakov, J. Mayr, C. Unger, S. Ilic // 37th German Conference, Pattern Recognition. - 2015. - P. 446-457.

79. Hast, A. Optimal RANSAC - Towards a Repeatable Algorithm for Finding the Optimal Set [Text] / A. Hast, J. Nysjo, A. Marchetti // Journal of WSCG. - 2013. -Vol. 21, No 1.-P. 21-30.

80. Hildreth, E. Theory of Edge Detection [Text] / E. Hildreth, D. Marr // Royal Society of London. Series B, Biological Sciences (The Royal Society) - 1980. - Vol. 207, No 1167.-P. 215-217.

81.Horiki, S. Improvement of combinatorial Hough transform to compensate sampling errors of digital lines [Text] / S. Horiki, A. Kimura, T. Watanabe // Systems and Computers in Japan. - 1998. -Vol. 29, No 2. - P. 57-67.

152

82. Hough, P.V.C. Machine Analysis of Bubble Chamber Pictures / P.V.C. Hough // 2nd International Conference on High-Energy Accelerators and Instrumentation, HEACC 1959: CERN, Geneva, Switzerland. - 1959. - P. 554-558.

83. Hussain, S. U. Machine Learning Methods for Visual Object Detection [Text] / S.U. Hussian // General Mathematics, Universite de Grenoble - 2011. - 140 p.

84. Ibraheem N.A. Understanding Color Models: A Review / N. A. Ibraheem, M. M. Hasan, R. Khan, P. K. Mishra // ARPN Journal of Science and Technology. - 2012. -Vol. 2, No 3. - P. 265-275.

85. Illingworth, J. The Adaptive Hough Transform [Text] / J. Illingworth, J. Kittler // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1987. -

Vol. 9, No 5.-P. 690-698.

86. Izadinia, H. Fuzzy generalized Hough transform invariant to rotation and scale in noisy environment [Text] / H. Izadinia, F. Sadeghi, M. M. Ebadzadeh // 18th international conference on Fuzzy Systems FUZZIEEE'09. - 2009. - P. 153-158.

87. Jang, C., Multiple exposure images based traffic light recognition / C. Jang, C. Kim, D. Kim, M. Lee, M. Sunwoo // 2014 IEEE Intelligent Vehicles Symposium Proceedings.-2014.-P. 1313-1318.

88. Jensen, M. B. Evaluating state-of-the-art object detector on challenging traffic light data / M. B. Jensen, T. B. Moeslund, K. Nasrollahi // 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). - 2017. - P. 882-888.

89. Jensen, M. B. Vision for looking at traffic lights: Issues, survey, and perspectives / M. B. Jensen, A. Mogelmose, T. B. Moeslund, M. P. Philipsen, M. M. Trivedi // IEEE Transactions on Intelligent Transportation Systems. - 2016. - Vol. 17. -

P. 1800-1815.

90. Jensen, M. B. Vision for looking at traffic lights: Issues, survey, and perspectives. / M. B. Jensen, M.P. Philipsen, A. Mogelmose, T.B. Moeslund, M.M. Trivedi // IEEE Transactions on Intelligent Transportation Systems. - 2016. - Vol.17,

No 6.-P. 1800-1815.

153

91. Ji, Q. Randomized Hough transform with error propagation for line and circle detection [Text] / Q. Ji, Y. Xie // Pattern Analysis and Applications - 2003. - Vol. 6. -P. 55-64.

92. Kaelberer, S. Robust recognition of traffic signals / S. Kaelberer, U. Kressel, F. Lindner // IEEE Intelligent Vehicles Symposium, University of Parma, Italy. - 2004.

-P. 49-53.

93. Kang, S. K. Image corner detection using Hough transform [Text] / S. K. Kang, Y. C. Choung, J. A. Park // Second Iberian conference, Pattern Recognition and

Image Analysis IbPRIA'05. - 2005. - P. 279-286.

94. Kirsch, R. Computer determination of the constituent structure of biological images / R. Kirsch // Computers and Biomedical Research. - 1971. - Vol. 4. - P. 315-

328.

95. Kiryati, N. A probabilistic Hough transform [Text] / N. Kiryati, Y. Eldar, A. M. Bruckstein // Pattern Recognition - 1991. - Vol. 24, No 4. - P. 303-316.

96. Kong, H. Generalizing Laplacian of Gaussian Filters for Vanishing-Point Detection [Text] / H. Kong, S. E. Sarma, F. Tang // IEEE Transactions on Intelligent Transportation Systems. - 2013. - Vol. 14, No 1. - P. 408-418.

97. Kuo, C.-H. A two-stage classifier using SVM and RANSAC for face recognition [Text] / C. Gung, C.-H. Kuo, J.-D. Lee // IEEE Region 10 Conference TENCON. - 2007. - P. 1-4.

98. Lakshmi, S. A study of Edge Detection Techniques for Segmentation Computing Approaches / S. Lakshmi, Dr.V. Sankaranarayanan // IJCA, Special Issue on

CASCT. - 2010. - Vol. 1. - P. 35-41.

99. Li, H. W. Deformable Deep Convolutional Neural Networks for Object Detection [Text] / H. Li, C.-C. Loy, P. Luo, S. Qiu, W. Ouyang, X. Tang, Y. Tian, X. Wang, Z. Wang, S. Yang, X. Zeng // Computer Vision and Pattern Recognition. - 2015.

100. Lin, Y.-C. Adaptive IPM-based lane filtering for night forward vehicle detection / Y.-C. Lin, C.-C. Lin, L.-T. Chen, C.-K. Chen // 2011 6th IEEE Conference on Industrial Electronics and Applications. - 2011. - P. 1568-1573.

154

101. Liu, Ruiyuan. Research on Improved Canny Edge Detection Algorithm / R. Liu, J. Mao // MATEC Web of Conferences. - Vol. 232, No 14. - 2018. - P. 1-4.

102. Loy, G. Fast radial symmetry for detecting points of interest / G. Loy and A. Zelinsky // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2003. -Vol. 25, Issue 8.-P. 959-973.

103. Loy, G. Fast shape-based road sign detection for a driver assistance system / G. Loy and N. Barnes // 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). - 2004. - Vol. 1. - P. 70-75.

104. Lyasheva, S. The Image Analysis Using Fast Radial Symmetry Transform in Control Systems Base on the Computer Vision / S. Lyasheva, M. Shleymovich, R. Shakirzyanov // 2019 International Multi-Conference on Industrial Engineering and Modern Technologies, FarEastCon 2019. - 2019. - P. 1-6.

105. Masek, L. Recognition of human iris patterns for biometric / L. Masek // The University of Western Australia. - 2003. - 56 p.

106. McLaughlin, R. A. Technical Report - Randomized Hough Transform: Improved Ellipse Detection with Comparison / R.A. McLaughlin // Pattern Recognit.

Lett. - 1998. - Vol. 19. - P. 299-305.

107. Meksen, T. M. Detection of cracks in materials using the randomized Hough transform on ultrasonic images [Text] / T. M. Meksen, M. Boudraa, R. Drai // 6th WSEAS International Conference on Signal Processing, Computational Geometry & Artificial Vision. - 2006. - P. 202-206.

108. Mochizuki, Y. N-Point Hough transform for line detection [Text] / Y. Mochizuki, A. Torii, A. Imiya // Journal of Visual Communication and Image Representation - 2009. - Vol. 20, No 4. - P. 242-253.

109. Nagumo, S. Extraction of forward vehicles by front-mounted camera using brightness information / S. Nagumo, H. Hasegawa and N. Okamoto // Extraction of forward vehicles by front-mounted camera using brightness information. - 2003. - Vol.

2.-P. 1243-1246.

155

110. Nilufar, S. Object Detection with DoG Scale-Space: A Multiple Kernel Learning Approach [Text] / S. Nilufar, N. Ray, H. Zhang // IEEE Transaction on Image Processing - 2012. - Vol. 21. - 14 p.

111. Oliva, D. Edge detection using neural network committee / Diego Oliva, A. Demin, M. Demeshko // Scientific Visualization and Visual Analytics (GraphiCon

2018). - 2018. - Vol. 28. - P. 66-69.

112. Omachi, M. Detection of traffic light using structural information / M. Omachi, S. Omachi // IEEE 10th International Conference on Signal Processing Proceedings. - 2010. - P. 809-812.

113. O'Malley, R. Rear-lamp vehicle detection and tracking in low-exposure color video for night conditions / R. O'Malley, E. Jones, M. Glavin // Intelligent transportation systems. - 2010. - Vol. 11. - P. 453-462.

114. OpenCV. - Режим доступа: https://opencv.org/, свободный. - Заглавие с экрана. - Яз. англ. (дата обращения 07.10.2020).

115. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE Transactions on Systems, Man and Cybernetics. - Vol. SMC-9, No 1. - 1979. -P. 62-66.

116. Papari, G. Edge and line oriented contour detection: State of the art / G. Papari, N. Petkov // Image and vision computing. - 2011. - Vol. 29 - P. 79-103.

117. Park, J. M. Edge detection in grayscale, color, and range images [Text] / J. M. Park, Y. L. Murphey // Encyclopedia of Computer Science and Engineering. - 2008.

118. Patel, J. Fuzzy inference based edge detection system using Sobel and Laplacian of Gaussian operators [Text] / J. Patel, J. Patwardhan, K. Sankhe, R. Kumbhare // International Conference & Workshop on Emerging Trends in Technology

ICWET '11. -2011. -P. 694-697.

119. Pei, S.-C. Design of FIR Bilevel Laplacian-of-Gaussian filter [Text] / S.-C. Pei, J.-H. Horng // Journal of Signal Processing - 2002. - Vol. 82, No 4. - P. 677-691.

120. Plataniotis, K.N. Color Image Processing and Applications / K.N. Plataniotis, A.N. Venetsanopoulos // Springer-Verlag. - 2000. - 353 p.

156

121.Potapov, A. Limited Generalization Capabilities of Autoencoders with Logistic Regression on Training Sets of Small Sizes [Text] / A. Potapov, V. Batishcheva, M. Peterson // L. Iliadis et al. (Eds.), IFIP Advances in Information and Communication Technology. N.Y.: Springer. - 2014. - Vol. 436. - P. 256-264.

122. Proenca, H. Iris segmentation methodology for non-cooperative recognition / H. Proenca, L.A. Alexandre // IEEE Proc. Vision, Image and Signal Processing. -

2006.- Vol.153. -P.199-205.

123. Ren, S., Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / Sh. Ren, K. He, R. B. Girshick, J. Sun // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2015. - Vol. 39. - P. 91-99.

124. Reshma, P. Comparison of various Edge Detection Algorithms / P. Reshma // International Journal of Scientific & Engineering Research. - Vol. 10, Issue 3.-2019.

-P. 21-30.

125. Robinson, G. Edge detection by compass gradient masks / G. Robinson // Computer graphics and image processing. - 1977. - Vol. 6. - P. 492-501.

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

127. Sharifi, M. A classified and comparative study of edge detection algorithms / M. Sharifi, M. Fathy, M.T. Mahmoudi // International Conference on Information Technology: Coding and Computing, Proceedings. - 2002. - P. 117-120.

128. Shrivakshan, G.T. A Comparison of various Edge Detection Techniques used in Image Processing / G.T. Shrivakshan, Dr.C. Chandrasekar // IJCSI International Journal of Computer Science Issues. - 2012. - Vol. 9, Issue 5, No 1. - P. 269-276.

129. Siogkas, G. Traffic Lights Detection in Adverse Conditions using Color, Symmetry and Spatiotemporal Information. / G. Siogkas, E. Skodras, E. Dermatas, // International Conference on Computer Vision Theory and Applications VISAPP, Rome, Italy.-2012.-P. 620-627.

157

130. Sivaraman, S. Active learning for on-road vehicle detection: a comparative study / S. Sivaraman and M. Trivedi // Machine Vision and Applications. - 2014. - Vol.

25.-P. 599-611.

131. Skodras, E. A. Doctoral Dissertation, Electrical and Computer Engineer / E.A. Skodras. - Patras: University of Patras, 2016.- 152 p.

132. Smith, A.R. Color Gamut Transform Pairs / A.R. Smith // 5th annual conference on Computer graphics and interactive techniques (SIGGRAPH f78) August 23- 25. - Atlanta, USA: Association for Computing Machinery. - 1978. - P. 12-19.

133. Sobel, I. A 3x3 isotopic gradient operator for image processing /1. Sobel, G. Feldman // A Talk at the Stanford Artifical Project. - 1968. - P. 271-272.

134. Sooksatra, S. Red traffic light detection using fast radial symmetry transform / Sooksatra, S., & Kondo, T. // 11th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology

(ECTI-CON). - 2014. - P. 1-6.

135. Srinivasan, V. Edge Detection Using A Neural Network / V. Srinivasan, P. Bhatia, S. H. Ong // Pattern Recognition. - Vol. 27, No 12. - 1994. - P. 1653-1662.

136. Stephens, R. S. Probabilistic approach to the Hough transform [Text] / R.S. Stephens // Image and Vision Computing. - 1991. - Vol. 9, No 1. - P. 66-71.

137. Subri, S. H. Neural Network Corner Detection of Vertex Chain Code [Text] / S. H. Subri, H. Haron, R. Sallehuddin // AIML Journal. - 2006. - Vol. 6, No 1. -P.37-43.

138. Szegedy, C. Deep Neural Networks for Object Detection [Text] / C. Szegedy, A. Toshev, D. Erhan // Advances in Neural Information Processing Systems. -

2013.-P. 1-9.

139. Thammakaroon, P. Predictive brake warning at night using taillight characteristic / P. Thammakaroon, P. Tangamchit // 2009 IEEE International Symposium on Industrial Electronics. - 2009. - P. 217-221.

140. Tian, T. Y. Recovering 3D Motion of Multiple Objects Using Adaptive Hough Transform [Text] / T. Y. Tian, M. Shah // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1997. - Vol. 19, No. 10. - P. 1178-1183.

158

141. Tino, P. Probabilistic Model Based Hough Transform for Detection of Coexpression Patterns in Three-Color cDNA Microarray Data [Text] / P. Tino, H. Zhao, H. Yan // IJCBS '09 Proceedings of the 2009 International Joint Conference on Bioinformatics, Systems Biology and Intelligent Computing. - 2009. - P. 48-51.

142. Toldo, T. Image-consistent patches from unstructured points with J-linkage [Text] / T. Toldo, A. Fusiello // Image and Vision Computing. - 2013. - Vol. 31, No 10. -P. 756-770.

143. Toldo, T. Photo-Consistent Planar Patches from Unstructured Cloud of Points [Text] / T. Toldo, A. Fusiello // European Conference on Computer Vision

(ECCV). - 2010. - P. 589-602.

144. Toldo, T. Real-time incremental J-linkage for Robust Multiple Structures Estimation [Text] / T. Toldo, A. Fusiello // 5th International Symposium on 3D Data Processing, Visualization and Transmission, Paris, France (3DPVT). - 2010. - 8 p.

145. Toldo, T. Robust Multiple Structures Estimation with J-linkage [Text] / T. Toldo, A. Fusiello // European Conference on Computer Vision (ECCV). - 2008. -

P. 537-547.

146. Torii, A. The randomized-Hough-transform-based method for great-circle detection on sphere [Text] / A. Torii, A. Imiya // Pattern Recognition Letters. - 2007. -Vol. 28, No 10.-P. 1186-1192.

147. Trehard, G. Tracking both pose and status of a traffic light via an interacting multiple model filter / G. Trehard, E. Pollard, B. Bradai, F. Nashashibi // 17th International Conference on Information Fusion (FUSION). - 2014. - P. 1-7.

148. Wolfson, H. J. Generalizing the generalized Hough transform [Text] / H.J. Wolfson // Pattern Recognition Letters. - 1991. - Vol. 12, No 9. - P. 565-573.

149. Xu, J. Unsupervised moving object detection with on-line generalized Hough transform [Text] / J. Xu, Y. Wang, W. Wang, J. Yang, Z. Li // 10th Asian conference on Computer vision (ACCV 2010), New Zealand. - 2010. - P. 145-156.

150. Xu, X. Adaptive difference of Gaussians to improve subsurface object detection using GPR imagery [Text] / X. Xu, E. Miller // International Conference on Image Processing. - 2002. - Vol. 2. - P. 457-460.

159

151. Yang, X. Contour-based object detections dominant set computation [Text] /X. Yang, H. Liu, L. J. Latecki // Pattern Recognition. - 2012. - Vol. 45, No. 5. -P. 1927-1936.

152. Yuen, H. K. Ellipse Detection using Hough Transform / Yuen H. K., Illingworth J., Kittler J. [Text] // Alvey Vision Conference, Manchester. - 1988. -

P. 265-271.

153. Zhang, H. MR Image Segmentation Using Active Contour Model Incorporated with Sobel Edge Detection / H. Zhang, Y. Wang, Q. Liu, D. Huang // Computer Vision. Communications in Computer and Information Science. - Vol. 546. -

2015.-P. 429-437.

154. Zhang, Y. A multifeature fusion based traffic light recognition algorithm for intelligent vehicles / Y. Zhang, J. Xue, G. Zhang, Y. Zhang, N. Zheng // Proceedings of

the 33rd Chinese Control Conference. - 2014. - P. 4924-4929.

155. Ziou, D. Edge detection techniques - an overview / D. Ziou, S. Tabbone // Pattern Recognition and Image Analysis. - Vol. 8, No 4. - 1998. - P. 537-559.

160

ПРИЛОЖЕНИЕ

А.

ПРОГРАММЫ ДЛЯ ЭВМ

СВИДЕТЕЛЬСТВО

О

РЕГИСТРАЦИИ

-тгт'Т^ Л ¿Г

- Л Ел ийШ &

а а

а а

т^т

щГ • - ^

а

ЕЗ

а а

а а а

а а а а а

а

а а а

и

а а а

а,

ш\ *

$

щ

«I щ

К-

я; й-ш\

щ

58'

ааа а га ■■■■■а

1а

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2019665062

Программное обеспечение определения световых сш налов

Правообладатель: федеральное государственное бюджетное образовательное учреждение высшего образования "Казанский национальный исследовательский технический университет им. А.//. Тунолева-КАИ" (ЯV)

Авторы: Шакирзянов Ринат Михайлович (ЯП), Шлеймович Михаил Петрович (ЯП)

Заявка Кп 2019664109

Дата поступления 11 ноября 2019 г.

Дата государственной ретегршши

в Реестре программ для ЭВМ 1Н ноября 2019 г.

Руководитель Федеральной службы по интеллектуальной собственности

Г. П. Ивлиев

г*

т

а

ж а а а а а а 1а

а а а

ж

а

ж

а

а а а а

а

а а а а а

а а а а

а а

а а а

аааааааааааааааааааааааааааааааа

161

ПРИЛОЖЕНИЕ Б. АКТЫ О ВНЕДРЕНИИ И ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

inTEGRATIOn

теьесот

innostage group

ООО «Телеком Интеграция» 117246, город Москва, проезд Научный, дом 17, этаж 8, пом. IV ИНН 7731642944/ КПП 772801001

[phone] ¡[e-mail]

wwvv.tel-int.ru

АКТ

внедрения результатов диссертационной работы

Шакирзянова Рината Михайловича

Казанским национальным исследовательским техническим университетом имени А.Н. Туполева (КНИТУ-КАИ) в порядке взаимопомощи передан в ООО «Телеком-Интеграция» исследовательский стенд в виде программного комплекса для распознавания сигналов светофоров на сложном фоне. Передача осуществлена 23.12.2020 г.

Указанный программный комплекс предоставляет возможность проведения обработки цифровых изображений дорожной обстановки и выявления на них сигналов светофоров. Кроме того, имеется возможность исследования методов обнаружения световых сигналов на различных изображениях, включая как синтезированные изображения, так и снимки реального мира.

В представленном программном комплексе осуществлена практическая реализация методов обнаружения сигналов светофоров, предложенных в диссертационной работе P.M. Шакирзянова, а также вспомогательный функционал для работы с изображениями.

Полученный программный комплекс явился основой для формирования коммерческого предложения партнёрам и клиентам ООО «Телеком-Интеграция» по созданию, совместно с КНИТУ-КАИ, программных продуктов, которые будут эффективны для практического применения в конкретных организациях.

Настоящий Акт выдан P.M. Шакирзянову для представления в диссертационный

совет.

Директор обособленного подразделения в г. Казан

Д.А. Трофимов

162

УТВЕРЖДАЮ

Директор ГБУ «Безопасность дорожного движения», член-корреспондент Академии наук

Татарстан,

Р.Н. Минниханов

20// г.

АКТ

внедрения результатов диссертационной работы

Шакирзянова Рината Михайловича

Комиссия в составе:

председатель: Дагаева М.В., начальник Центра ИТС члены комиссии:

- Эминов Б.Ф., ведущий специалист сектора инновационного развития

Центра ИТС, к. ф.-м.н., доцент

- Аслямов Т.И., главный специалист технического сектора Центра ИТС

- Большаков Т.Е., главный специалист технического сектора Центра

ИТС

Составили настоящий акт о том, что результаты диссертационной работы Шакирзянова P.M., представленной на соискание учёной степени кандидата технических наук, включающие:

- весовую модель цветных объектов круглой формы на изображениях;

- методы выделения цветных объектов круглой формы на изображениях;

- программный комплекс для выделения сигналов светофоров внедрены в научных исследованиях и разработках собственных информационных систем, проводимых в Государственном бюджетном учреждении «Безопасность дорожного движения».

163

Практическое использование результатов работы позволило повысить точность работы разрабатываемых систем. Считаем целесообразным рекомендовать полученные в диссертационной работе Шакирзянова P.M. результаты к внедрению и практическому использованию при решении задач выделения объектов заданной формы.

Председатель комиссии:

Начальник Центра ИТС

Члены комиссии:

ведущий специалист сектора инновационного развития Центра ИТС, к. ф.-м.н., доцент

главный специалист технического сектора Центра ИТС

главный специалист технического сектора Центра ИТС

/ Большаков Т.Е.

164

BP КНИТУ-КАИ

/А.А. Лопатин

ИЮЛ Ж

20

г.

АКТ

о внедрении в учебный процесс университета результатов, полученных в ходе подготовки кандидатской диссертации

аспирантом кафедры автоматизированных систем обработки информации и управления

Шакирзяновым Ринатом Михайловичем

Мы, нижеподписавшиеся, директор института компьютерных технологий и защиты информации к.т.н., доцент Трегубов В.М., заведующий кафедрой автоматизированных систем обработки информации и управления к.т.н., доцент Шлеймович М.П., составили настоящий акт о том, что полученные аспирантом кафедры автоматизированных систем обработки информации и управления Шакирзяновым P.M. результаты работы над кандидатской диссертацией внедрены в учебный процесс университета.

Предложенные модели, методы и разработанный комплекс программ используются на кафедре автоматизированных систем обработки информации и управления КНИТУ-КАИ в учебном процессе для подготовки бакалавров по направления 09.03.02 «Информационные системы и технологии» при изучении дисциплины «Цифровая обработка изображений»,

а

также

для

обучения слушателей курсов дополнительного профессионального образования по программе «Интеллектуальные технологии обработки информации».

Директор института компьютерных технологий и защиты информации к.т.н., доцент

В.М. Трегубов

Заведующий кафедрой автоматизированных систем обработки информации и управления к.т.н., доцент

М.П. Шлеймович

165

приложение в. листинг модуля выделения объектов

круглой формы на основе метода быстрого

преобразования радиальнои симметрии и цветовой сегментации

#include "IncludeOpenCV.h"

#include "frst.h"

#include <iostream> #include <string.h> #include <Windows.h> #include <Commdlg.h> #include "resource.h" #include <stdio.h> #include <wchar.h>

using namespace std; using namespace cv;

char fcMode = CV_RETR_LIST;

char fcApprox = CV_CHAIN_APPROX_SIMPLE;

double alfa = 1;

double stdFactor = 1;

int rmin = 10;

int rmax = 10;

int color_min = 0;

int color_max = 15;

BOOL CALLBACK wndProc(HWND hdlg, UINT messg, WPARAM wParam, LPARAM lParam); bool getFileName(char* fname);

int main(int arge, char* argv[]) {

cv::Mat image;

int ret = DialogBox(GetModuleHandle(NULL), MAKEINTRESOURCE(IDD_DIAL0G1), NULL, (DLGPROC)wndProc);

char filename[MAX_PATH]; getFileName(filename); image = cv::imread(filename);

if (!image.data) {

std::cout << "Could not open or find the image" << std::endl; return -1;

}

cv: : namedl/\lindow( "Display window", cv: :WIND01a1_AUT0SIZE) ;

if (image.channels() == 4) {

cv::cvtColor(image, image, CV_BGRA2BGR);

>

cv::Mat graylmg = cv::Mat::zeros(image.size(), CV_8UC1); std::vectorccv::Mat> splitedHSV = std::vector<cv::Mat>(); cv::cvtColor(image, graylmg, CV_BGR2HSV); split(graylmg, splitedHSV);

graylmg = cv::Mat::zeros(image.size(), CV_8UC1); for (int y = 0; y < image.cols; y++) {

166

for (int x = 0; x < image.rows; x++) {

int H = static_cast<int>(splitedHSV[0].at<uchar>(x, y)); int S = static_cast<int>(splitedHSV[l].at<uchar>(x, y)); int V = static_cast<int>(splitedHSV[2].at<uchar>(x, y));

if ((V > 155) && (H >= colorjnin) && (H <= colon_max)) {

graylmg.at<uchar>(x, y) = 255;

}

else if ((H >= colorjnin) && (H <= color_max)) {

graylmg.at<uchar>(x, y) = (V - 130) > 0 ? V - 130 : 0;

}

else {

graylmg.at<uchar>(x, y) = 0;

}

}

}

cv::normalize(grayImg, graylmg, 0.0, 1.0, cv::NORM_MINMAX);

cv::Mat frstlmage = Mat::zeros(grayImg.size(), CV_64FC1);;

for (int r = rmin; r <= rmax; r++) {

Mat S_n;

frst2d(graylmg, S_n, r, alfa, stdFactor, FRST_MODE_BOTH); add(frstlmage, S_n, frstlmage);

}

cv::normalize(frstlmage, frstlmage, 0.0, 1.0, cv::N0RM_MINMAX); frstlmage.convertTo(frstlmage, CV_8U, 255.0);

cv::Mat markers;

cv::threshold(frstlmage, frstlmage, 0, 255, CV_THRESH_BINARY | CV_THRESH_OTSU); bwMorph(frstlmage, markers, cv::MORPH_CLOSE, cv::MORPH_ELLIPSE, 5);

std::vector< std::vector<cv::Point> > contours; std::vector<cv::Vec4i> hierarchy;

contours.clear();

cv::findContours(markers, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);

std::vector<cv::Moments> mu(contours.size());

for (unsigned int i = 0; i < contours.size(); i++) {