Модельно-алгоритмическое обеспечение интеллектуальной системы видеонаблюдения за нерегулируемыми пешеходными переходами тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Колосовский, Максим Александрович
- Специальность ВАК РФ05.13.01
- Количество страниц 122
Оглавление диссертации кандидат наук Колосовский, Максим Александрович
Содержание
Введение
1 Интеллектуальное видеонаблюдение
1.1 Видеофиксация нарушений ПДД
1.2 Применение систем видеонаблюдения
1.3 Интеллектуальная обработка видео
1.4 Обзор алгоритмов построения модели фона
1.5 Обзор детекторов объектов
1.5.1 Детекторы пешеходов
1.5.2 Детекторы автомобилей
1.5.3 Выводы по обзору детекторов
1.6 Обзор трекеров объектов
1.7 Обзор работ по системам дорожного видеонаблюдения
1.8 Выводы к главе
2 Математическая постановка задачи видеонаблюдения
2.1 Постановка задачи построения маски объектов
2.2 Постановка задачи обнаружения
2.3 Постановка задачи трекинга
2.4 Математическая модель нарушения ПДД на нерегулируемом пешеходном переходе
2.5 Выводы к главе
3 Интеллектуальная система видеонаблюдения
3.1 Специфика решаемой задачи видеонаблюдения
3.2 Структура системы видеонаблюдения
3.3 Построение модели фона
3.4 Детектор активности
3.5 Детекторы объектов
3.6 Трекеры объектов
3.7 Анализ траекторий объектов
3.8 Выводы к главе
4 Экспериментальные исследования системы видеонаблюдения
4.1 Оценка качества работы системы
4.2 Тестирование производительности системы
4.3 Исследование устойчивости системы
4.4 Выводы к главе
Заключение
Литература
Приложение 1
Приложение 2
Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК
Программная система выявления нелегитимной активности на промышленных площадках2013 год, кандидат наук Абрамов, Николай Александрович
Робастные алгоритмы локализации траекторий движения транспортных средств в видеопотоке2022 год, кандидат наук Бочаров Дмитрий Александрович
Оценка эффективности и оптимизация размещения систем видеонаблюдения на автомобильных дорогах2013 год, кандидат наук Серпик, Евгений Анатольевич
Развитие методов управления дорожным движением на сетевом уровне2022 год, кандидат наук Цзянг Хайянь
Системы видеонаблюдения для повышения безопасности движения на железнодорожном транспорте2021 год, кандидат наук Ивашевский Михаил Романович
Введение диссертации (часть автореферата) на тему «Модельно-алгоритмическое обеспечение интеллектуальной системы видеонаблюдения за нерегулируемыми пешеходными переходами»
Введение
Актуальность. В настоящее время отмечается бурный рост использования систем видеонаблюдения, что объясняется широким кругом решаемых такими системами задач и постоянно увеличивающейся доступностью средств наблюдения и связи. Системы видеонаблюдения находят применение в сферах мониторинга дорожно-транспортных систем, обеспечения безопасности и правопорядка, беспилотной авиации, контроля производственных процессов, а также во многих других сферах. Их использование позволяет анализировать поведение наблюдаемых объектов, повышать эффективность их управления, надежность и качество получаемых результатов, оказывать поддержку при принятии решений.
С развитием компьютерных методов обработки визуальной информации все более привлекательными становятся интеллектуальные системы видеонаблюдения, способные в автоматическом режиме анализировать поступающую информацию. Информатизация процесса позволяет кардинально увеличить масштабы мониторинга и сократить использование человеческих ресурсов, увеличив при этом надежность и непредвзятость наблюдения.
Существенную долю интеллектуальных систем видеонаблюдения составляет дорожное наблюдение, занимающееся, среди прочего, контролем соблюдения правил дорожного движения, мониторингом загруженности дорог, обнаружением дорожно-транспортных происшествий. Так, например, в г. Москве количество камер дорожного видеонаблюдения ежегодно увеличивается в 1,5-2 раза, уже сейчас 95% штрафов выписывается именно благодаря автоматическим системам. Такие системы устанавливают, например, нарушение скоростного ре-
жима, проезд на «красный» свет, движение в запрещенной зоне, пересечение сплошной линии.
Данная работа посвящена обнаружению непредоставления водителем преимущества в движении пешеходу на нерегулируемом переходе. С точки зрения алгоритмов распознавания образов выявление такого нарушения принципиально сложнее, чем вышеупомянутых нарушений, для которых, как правило, достаточно простого алгоритма на основе вычитания фона и задания геометрии сцены. Помимо многочисленных сложностей распознавания, разработка такой системы осложняется необходимостью формализации задачи обнаружения непредоставления преимущества в движении пешеходу на переходе. По этим причинам подобные разработки крайне слабо представлены на российском и международном рынках.
Россия стабильно занимает одно из первых мест по числу погибших и пострадавших в дорожно-транспортных происшествиях. И если общее число нарушений постепенно снижается, то число происшествий на нерегулируемых пешеходных переходах возрастает, что делает развитие технологий контроля безопасности дорожного движения особенно актуальным.
Целью исследования является разработка специального алгоритмического обеспечения интеллектуальной системы видеонаблюдения на основе компьютерных методов обработки информации, ориентированной на проблему обеспечения безопасности дорожного движения на нерегулируемых пешеходных переходах и повышающей эффективность контроля за соблюдением правил дорожного движения на этих участках дорожно-транспортной системы посредством предоставления интеллектуальной поддержки при принятии решения о вынесении постановления об административном правонарушении.
Задачи исследования. Для достижения поставленной цели были решены следующие задачи:
1. Исследование особенностей работы различных алгоритмов обнаружения и сопровождения людей и автомобилей, исследование специфики видеона-
блюдения за нерегулируемыми пешеходными переходами, ориентированное на повышение эффективности функционирования разрабатываемой системы видсонаблюдения с учетом выявленных особенностей.
2. Формализация задачи выявления нарушений на нерегулируемом пешеходном переходе по траекториям участников движения и разработка модели, выявляющей такие нарушения.
3. Разработка новых или совершенствование существующих методов и алгоритмов обнаружения и сопровождения объектов для отслеживания участников движения.
4. Разработка критериев оценки эффективности созданной интеллектуальной системы видеонаблюдения и проведение экспериментального исследования характеристик системы.
Научная новизна заключается в следующем:
1. Выполнена формализация задачи выявления нарушения «непредоставление преимущества в движении пешеходу на нерегулируемом переходе» и создана модель анализа траекторий участников движения, позволяющая выявлять такие нарушения даже при условии неполноты информации о положениях участников движения.
2. Предложен алгоритм взаимодействия детектора активности, детектора объектов и трекера объектов, работающий в режиме реального времени даже при использовании вычислительно сложного детектора объектов, непрерывно отслеживающий меняющийся набор наблюдаемых объектов и способный восстанавливаться после ошибок алгоритмов обнаружения и сопровождения объектов.
3. Предложено усовершенствование алгоритма построения модели фона, позволяющее адаптироваться к быстрым изменениям освещения сцены и сни-
зить степень смешения модели фона с подвижными объектами, но сохраняющее высокую производительность исходного алгоритма.
4. Предложена процедура формирования обучающего набора для детектора объектов, повышающая показатели качества обнаружения на новых неизвестных данных, увеличивающая устойчивость классификатора к перекрытиям объектов друг другом и устойчивость к шумам камеры и артефактам сжатия видео.
Область исследования. Область исследования соответствует Паспорту специальности ВАК Минобразования и науки РФ 05.13.01 «Системный анализ, управление и обработка информации»: п. 2. Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений и обработки информации; п. 4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации; п. 5. Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации; п. 12. Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.
Отрасль исследований. Представляемое исследование соответствует отрасли «связь и информатизация», так как его результаты направлены на информатизацию процесса контроля соблюдения правил дорожного движения на нерегулируемых пешеходных переходах.
Объектом исследования является процесс контроля соблюдения правил дорожного движения водителями на нерегулируемых пешеходных переходах посредством информатизации с использованием компьютерных методов обработки информации. Предметом исследования являются методы и алгоритмы компьютерного зрения и машинного обучения.
Личный вклад автора. Основные результаты диссертации, модель выявления нарушений, новые алгоритмы обработки данных, компьютерная реализация
системы видеонаблюдения (за исключением ряда заимствованных реализаций алгоритмов), получены лично автором.
Теоретическая ценность диссертации. Ввиду того, что отслеживание объектов (особенно, людей и автомобилей) встречается в подавляющем большинстве задач интеллектуального видеонаблюдения, область применения результатов данной диссертации включает не только видеофиксацию нарушений на нерегулируемых пешеходных переходах, но другие задачи интеллектуального видеонаблюдения. Методология, примененная для разработки модели анализа нарушений непредоставления преимущества в движении пешеходу на переходе, может быть использована для разработки других алгоритмов, решающих задачу анализа траекторий в условиях неполноты информации о положениях объектов интереса.
Достоверность научных результатов обеспечивается следованием парадигме скользящего контроля (кросс-валидации), позволяющей повысить объективность измерения обобщающей способности алгоритмов машинного обучения, при оценке качества работы системы видеонаблюдения.
Практическая ценность полученных результатов. Созданное алгоритмическое обеспечение может применяться для наблюдения за нерегулируемыми пешеходными переходами, а также служить основой для разработки других систем видеонаблюдения, предназначенных для отслеживания людей и автомобилей, что составляет значительную часть рынка интеллектуального видеонаблюдения. Созданные инструменты для разметки данных могут быть использованы для разметки других данных, что позволит более подробно изучить работу данной или подобных систем наблюдения. Кроме того, представляют ценность собранные и размеченные данные для обучения и тестирования алгоритмов.
Внедрение результатов исследования. Разработанная интеллектуальная система видеонаблюдения за нерегулируемыми пешеходными переходами будет внедряться в реальную инфраструктуру дорожного наблюдения в г. Москве и в других субъектах РФ в сотрудничестве с резидентом инновационного кла-
стера Сколково компанией У1$юпЬаЬз. Результаты диссертационного исследования составляют содержание инновационного проекта, получившего поддержку в виде гранта на выполнение научно-исследовательских работ по программе «У.М.Н.И.К.» от ФГБУ «Фонд содействия развитию малых форм предприятий в научно-технической сфере», госконтракт №807ГУ1/2013 (0000068) от 28.11.2013 г.
Методологическую основу исследования составляют теории распознавания образов, цифровой обработки изображений и машинного обучения по прецедентам, системный анализ, теория конечных автоматов. Основные инструменты исследования включают пакет прикладных программ Ма1:1аЬ, библиотеки ОрспСУ и УЬ¥са1
Апробация работы. Основные результаты работы докладывались на следующих конференциях и семинарах: Международная конференция по компьютерной графике и зрению «Графикон'2013» (2013 г., г. Владивосток), XIII Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям (2012 г., г. Новосибирск), XIX Международная научно-практическая конференция студентов и молодых учёных «Современные техника и технологии (СТТ'2013)» (2013 г., г. Томск), Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Научная сессия ТУСУР-2013» (2013 г., г. Томск), X Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Наука и Молодежь— 2013 (НИМ'2013)» (2013 г., г. Томск), IV Всероссийская конференция «Знания-Онтологии-Теории (30НТ-13)» (2013 г., г. Новосибирск), XIV Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям (2013 г., г. Томск), II Всероссийская научно-практическая конференция «Информационные и инфокоммуникационные технологии - реалии, возможности, перспективы» (2014 г., г. Нижний Новгород), 52-ой Международная научная студенческая конференция «МНСК-2014» (2014 г., г. Новосибирск), Всероссийская студенческая научно-практическая конференция «Моло-
дая Наука — 2014» (2014 г., г. Москва), XX International Conference for Students and Young Scientists «Modern Technique and Technologies (MTT'2014)» (2014 г., г. Томск), Всероссийская научно-практическая конференция «Молодёжь. Наука. Современность» (2014 г., г. Ижевск), XVIII Всероссийская научная конференция студентов, аспирантов и молодых ученых «Наука и молодежь: проблемы, поиски, решения» (2014 г., г. Новокузнецк), 16-я Международная научно-техническая конференция «Измерение, контроль, информатизация» ИКИ-2014 (2014 г., г. Барнаул), XI Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Наука и Молодежь—2014» (2014 г., г. Барнаул), 17-я Региональная конференция по математике «Математики — Алтайскому краю (МАК-2014)» (2014 г., г. Барнаул), Краевой семинар по геометрии и математическому моделированию АГУ (2014 г., г. Барнаул), Семинар по исску-ственному интеллекту АГУ (2014 г., г. Барнаул), расширенный семинар кафедры прикладной математики АлтГТУ (2014 г., г. Барнаул).
Основные положения, выносимые на защиту:
1. Формализация задачи обнаружения нарушения непредоставления преимущества в движении пешеходу на нерегулируемом переходе и модель анализа траекторий, позволяющая обнаруживать такие нарушения, системы фиксации которых не представлены должным образом на рынке видеонаблюдения;
2. Архитектура системы видеонаблюдения и конфигурация алгоритмов, включая предложенные автором модификации существующих алгоритмов и механизм взаимодействия компонентов системы, ориентированная на обеспечение высоких показателей производительности и качества распознавания;
3. Реализация алгоритмического обеспечения интеллектуальной системы видеонаблюдения и способ экспериментальной оценки ее характеристик по предложенным автором критериям.
Публикации. Основные результаты диссертации изложены в 20 публикациях [1-20], три из которых в журналах из перечня, рекомендованного ВАК [1-3], 1 свидетельство об официальной регистрации программы для ЭВМ в реестре программ для ЭВМ.
Объем и структура диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и двух приложений. Полный объем диссертации составляет 122 страницы с 35 рисунками и 16 таблицами. Список литературы содержит 203 наименования.
Благодарности. Автор выражает огромную благодарность проф. Е. Н. Крючковой за осуществление научного руководства. Автор также признателен проф. Е. А. Перепелкину, доц. В. А. Крайвановой и доц. С. И. Жилину за обсуждение и полезные комментарии.
Глава 1
Интеллектуальное видеонаблюдение
В этой главе дается обзор решения проблемы аварийности на нерегулируемых пешеходных переходах при помощи повышения контроля за соблюдением правил дорожного движения посредством интеллектуальных систем видеонаблюдения (разд. 1.1). Далее приводится определение таких систем и возможности их применения (разд. 1.2), основные понятия и сложности интеллектуальной обработки видеоданных, как базового процесса функционирования таких систем (разд. 1.3), обзоры алгоритмов, составляющих основу систем видеонаблюдения, (разд. 1.4, разд. 1.5, разд. 1.6) и обзор работ по дорожному видеонаблюдению (разд. 1.7). В разд. 1.8 подводится итог и ставится задача исследования.
1.1 Видеофиксация нарушений ПДЦ
По данных ежегодных отчетов ГИБДД Российская Федерация стабильно занимает одно из первых мест в мире по количеству на душу населения дорожно-транспортных происшествий (ДТП), по числу погибших и раненых. В 2013 году погибло более 27 тыс. человек и пострадало более 250 тыс. человек, что составляет население целого города. Неудивительно, что проблема аварийности на дорогах волнует многих: от высшей законодательной власти до небольших общественных организаций. Ужесточаются штрафы за нарушение правил дорожного движения (ПДД), проводится пропаганда соблюдения правил дорожного движения в школах, СМИ, на телевидении, реформируется система ПДД. Одним
из эффективных способов борьбы с нарушениями ПДД является использование камер автоматической фиксации нарушений. Установка таких камер позволяет беспристрастно в круглосуточном режиме фиксировать нарушения ПДД на наблюдаемом участке дороги. Благодаря прогрессу технических средств видеонаблюдения использование камер становится все более доступным, что увеличивает охват контролируемых дорог, уменьшая долю безнаказанных нарушений. Судя по статистике внедрения систем автоматической видеофиксации, этот подход демонстрирует крайне высокую динамику роста. Так, например, в Москве камеры начали устанавливать лишь в 2011 году, в 2012 их было более 260, в 2013 - более 800, в 2014 планируется увеличить их количество вдвое, а в долгосрочной перспективе это число будет доведено до 4 000. Около 95% всех штрафов в Москве выписывается благодаря автоматической видеофиксации. Все это является наглядным подтверждением эффективности систем автоматической фиксации нарушений ПДД и увеличением их значения в этом секторе. Такие системы позволяют обнаруживать такие нарушения, как:
• превышение скорости;
• пересечение сплошной или стоп-линии;
• проезд перекрестка на «красный» свет;
• стоянка в неположенном месте;
• движение автомобиля в запретной зоне;
• запрещенный поворот или запрещенный проезд прямо.
В представляемой работе проводилось исследование, направленное на проектирование системы видеофиксации нарушений на нерегулируемых пешеходных переходах. С точки зрения алгоритмов распознавания видео обнаружения нарушения «непредоставление преимущества в движении пешеходу на нерегулируемом переходе» является принципиально более сложной задачей, чем упомянутые нарушения ПДД, при контроле которых, как правило, достаточно простого
алгоритма обнаружения автомобилей на основе вычитания фона, задания геометрии сцены и запрещенных для движения областей или траекторий. Видеонаблюдение же за нерегулируемыми пешеходными переходами требует использования более сложных алгоритмов распознавания, которые способны отличать пешеходов от автомобилей, что не требовалось при наблюдении за автомобильным потоком. Внедрение таких алгоритмов осложняется чувствительностью к помехам, условиям съемки, условиям освещения и многими другими факторами, что существенно снижает точность работы системы. Таким образом, основной проблемой разработки автоматической системы видеонаблюдения за нерегулируемыми пешеходными переходами является неустойчивость необходимых алгоритмов обработки видео в условиях реальной съемки.
Вопрос проектирования интеллектуальных систем видеонаблюдения за нерегулируемыми пешеходными переходами недостаточно освещен в научной литературе. Можно найти лишь упоминание функциональной возможности видеонаблюдения за нерегулируемыми пешеходными переходами в описании некоторых коммерческих систем. Среди десятков коммерческих систем видеонаблюдения лишь четыре декларируют контроль непредоставления преимущества пешеходу на нерегулируемом переходе:
• VOCORD Traffic;
• аппаратно-программный комплекс «Поток-ПДД»;
• система видеофиксации нарушений правил дорожного движения «Одиссей»;
• система видеофиксации нарушений ПДД «Автопатруль Пешеход».
Несмотря на существование ряда коммерческих систем, обладающих названной функциональностью, остается открытым вопрос о количестве ложных срабатываний и количестве пропущенных нарушений при использовании таких систем, что является ключевым фактором при рассмотрении вопроса о практическом внедрении подобных систем видеонаблюдения. Несомненно, что еще
предстоит решать такие проблемы, как, например, работа при неблагоприятных условиях съемки и устойчивость к частым перекрытиям участников движения друг другом.
1.2 Применение систем видеонаблюдения
Системой видеонаблюдения [21,22] называется программно-аппаратный комплекс, предназначенный для визуального контроля одного или нескольких объектов наблюдения. Система видеонаблюдения состоит из видеокамер, вычислительных блоков, осуществляющих обработку получаемых видеоданных, хранилища данных и мониторов, отображающих весь собираемый видеопоток данных или выделенные ситуации.
Использование систем видеонаблюдения неуклонно возрастает в последнее время, что связано с широким кругом решаемых такими системами задач. Помимо простого фиксирования происходящего на видео все большую популярность набирают интеллектуальные системы видеонаблюдения [21-24], способные при помощи алгоритмов компьютерного зрения в автоматическом режиме определять «особые» ситуации, снятые на видео, а также оценивать различные характеристики объектов, участвующих в этих ситуациях. Некоторые возможности применения интеллектуальных систем видеонаблюдения:
• системы контроля проникновения на объект (дом, квартира, крупные предприятия, офисы и территории);
• системы отслеживания несанкционированного пересечения охраняемой границы большой протяженности (например, государственной границы);
• поддержка списка лиц, находящихся на объекте, через идентификацию личности людей, проникших и покинувших объект;
• системы контроля и управления доступом (СКУД) на парковках, предприятиях и прочих объектах;
• выявление подозрительного поведения на торговых площадках с целью выявления воров и мошенников;
• выявление агрессивно настроенных, нетрезвых и прочих категорий людей, потенциально опасных для окружающих;
• выявления нарушений правопорядка (разбой, вандализм, драка и другое) посредством распознавания поведения;
• обнаружение оставленных вещей на вокзалах, аэропортах и других объектах с целью предотвращения террористических актов;
• автоматический сбор статистки о перемещениях объектов, например, при трансляции командных видов спорта;
• подсчет количества людей в местах массового скопления людей (торговые центры, вокзалы, метро) с целью сбора статистики и обеспечения безопасности;
• аналитика данных, полученных от спутника или беспилотника, для поиска или отслеживания перемещения людей и техники;
• автоматическое обнаружение возгорания;
• контроль загруженности автомобильных дорог и выявление дорожно-транспортных происшествий;
• поиск угнанных автомобилей при помощи видеонаблюдения за дорогами;
• контроль процесса производства и качества выпускаемой продукции;
• контроль соблюдения правил дорожного движения.
Таким образом, интеллектуальные системы видеонаблюдения находят применение в огромном количестве сфер нашей жизни. Интеллектуальное видеонаблюдение способно значительно усилить контроль безопасности и оптимизировать выполнение производственных процессов с использованием незначительного количества человеческих ресурсов.
Отметим, что рассматриваемые в данной диссертации вопросы построения фона, обнаружения и трекинга объектов (особенно, людей и автомобилей) используются в подавляющем большинстве упомянутых способов применения систем видеонаблюдения, что говорит о потенциальной возможности использования полученных в данной диссертации результатов ко многим другим практическим системам интеллектуального видеонаблюдения.
1.3 Интеллектуальная обработка видео
Интеллектуальная обработка видео направлена на автоматическое распознавание объектов и действий, заснятых на видео [21,22,24]. Основой такой обработки являются алгоритмы компьютерного зрения — подраздела науки искусственного интеллекта, специализирующегося на имитации человеческой способности визуального восприятия.
Рассмотрим некоторые ключевые компоненты систем видеонаблюдения. Подавляющее большинство систем видеонаблюдения для работы строят модель фона (background model) , т.е. изображение статичной сцены без объектов. На основе модели фона строятся детекторы активности (motion detectorj, формирующие маску объектов переднего плана (foreground detection, foreground modeling), как правило, как бинаризацию абсолютной разницы текущего кадра и текущей модели фона [25,26]. Несмотря на кажущуюся простоту, построение и поддержка модели фона далеко не тривиальная задача, что подтверждается множеством проведенных исследований, основные из которых представлены в разд. 1.4. Детектором объектов (object detector) называется алгоритм, который обнаруживает объекты определенного класса (например, пешеходов) на одиночном изображении. Простейшим детектором объектов может быть детектор активности [22,26,27]. Детекторы активности также могут использоваться, чтобы запускать детектор объектов только на областях, где зафиксирована активность. Обзор текущего состояния проблемы в области обнаружения объектов приведен в разд. 1.5. Детекторы объектов, как правило, вычислительно слишком сложны,
чтобы запускаться на каждом кадре видеопоследовательности, поэтому после обнаружения объекта его сопровождение осуществляется более быстрым алгоритмом, называемым трекером (object tracker) [22,26,27]. Основные подходы к трекингу приведены в разд. 1.6. В системах видеофиксации нарушений обязательным компонентом также является блок обнаружения и распознавания номеров транспортных средств.
Несмотря на несколько десятков лет исследования алгоритмов обнаружения объектов не существует алгоритмов, способных стабильно решать нетривиальные задачи видеонаблюдения. Даже после калибровки параметров системы под конкретное место съемки достаточно велик процент ложных срабатываний и пропусков истинных объектов, что является ключевым препятствием для внедрения систем, занимающихся нетривиальной аналитикой видео. Кроме того, важен вопрос производительности, ведь обработка данных должна вестись в режиме реального времени и для решения задач фиксации нарушений должна использоваться камера достаточно высокого разрешения или даже несколько камер.
Решение задач обнаружения и сопровождения объектов, в частности, осложняется следующими факторами:
• внутриклассовая вариативность объектов осложняет настройку модели обнаружения объектов;
• изменение объекта в процессе движения требует механизма адаптации трекера под меняющуюся модель объекта, но адаптация модели нередко сопровождается искажением модели посторонними шумами;
• модель объекта при изменении угла обзора также меняется;
• неравномерность освещения объекта затрудняет его обнаружение, перемещение объекта между областями разной освещенности изменяет модель объекта и осложняет его сопровождение;
Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК
Исследование и разработка методов сопровождения людей и частей их тела в видеопоследовательности2017 год, кандидат наук Шальнов, Евгений Вадимович
Исследование и разработка методов сопровождения людей и частей их тела в видеопоследовательности2018 год, кандидат наук Шальнов, Евгений Вадимович
Математическое моделирование городской мобильности с использованием данных видеонаблюдения2017 год, кандидат наук Курилкин Алексей Владимирович
Методы и алгоритмы анализа траекторий движения при решении задачи видеодетектирования транспортных средств2015 год, кандидат наук Кустикова, Валентина Дмитриевна
Разработка и исследование алгоритмов оценки параметров движущихся объектов в задачах видеоаналитики2021 год, кандидат наук Ершов Максим Дмитриевич
Список литературы диссертационного исследования кандидат наук Колосовский, Максим Александрович, 2015 год
Литература
1. Колосовский М. А., Крючкова Е. Н. Настройка параметров алгоритма сегментации изображений QuickShift // Программная инженерия. 2013. № 5. С. 11-20.
2. Колосовский М. А. Трекинг пешеходов в задаче видеонаблюдения за нерегулируемыми пешеходными переходами // Программная инженерия. 2014. № 5. С. 32-40.
3. Колосовский М. А. Система обнаружения объектов интереса в задаче видеонаблюдения за пешеходными переходами // Ползуновский вестник. 2014. № 2. С. 15-20.
4. Колосовский М. А., Крючкова Е. Н. Автоматическое определение размера суперпикселей при сегментации изображений методом Quick Shift // XIII Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям / При поддержке ИВТ СО РАН. Новосибирск: 2012. С. 46-47.
5. Колосовский М. А. Исследование влияния параметров алгоритма сегментации изображений QuickShift на качество сегментации // XIX Международная научно-практическая конференция студентов и молодых учёных «Современные техника и технологии» (СТТ-2013) / Томский политехнический университет. Т. 2. Томск: Издательство ТПУ, 2013. С. 260-261.
6. Колосовский М. А., Крючкова Е. Н. Модификация алгоритма Quick Shift для сегментации изображений высокого разрешения // Всероссийская
научно-техническая конференция студентов, аспирантов и молодых ученых «Научная сессия ТУСУР-2013». Т. 2. Томск: В-Спектр, 2013. С. 249-252.
7. Колосовский М. А., Крючкова Е. Н. Автоматическая настройка параметра цветовой компактности суперпикселей в алгоритме сегментации изображений Quick Shift // X Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Наука и Молодежь—2013» / Алт. гос. техн. ун-т им. И.И. Ползунова. Барнаул: Издательство АлтГТУ, 2013. С. 42-45.
8. Колосовский М. А., Крючкова Е. Н. Автоматическая настройка параметров алгоритма сегментации изображений Quick Shift // 23-я Международная Конференция по Компьютерной Графике и Зрению «Графикон'2013» / Институт автоматики и процессов управления ДВО РАН. Владивосток: Дальнаука, 2013. С. 316-320.
9. Колосовский М. А., Крючкова Е. Н. Оценка свойств изображения для адаптации алгоритма семантической сегментации под конкретное изображение // IV Всероссийская конференция «Знания-Онтологии-Теории» (ЭОНТ-13) / Институт математики им. C.JI. Соболева СО РАН. Т. 1. Новосибирск: 2013. С. 229-233.
10. Колосовский М. А., Крючкова Е. Н. Исследование зависимости качества сегментации изображений алгоритмом Quick Shift от параметров алгоритмов // XIV Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям / При поддержке ИВТ СО РАН. Томск: 2013. С. 39-40.
11. Колосовский М. А. Выбор признаков для трекинга объектов в задаче видеонаблюдения за пешеходными переходами // Информатика и информационные технологии в образовании, науке и производстве : сборник научных статей. Т. 1. Волжский: Нобель Пресс, 2014. С. 62-65.
12. Колосовский M. А., Крючкова Е. Н. Архитектура системы видеонаблюдения за пешеходными переходами // II Всероссийская научно-практическая конференция студентов и молодых ученых «Информационные и инфоком-муникациоиные технологии — реалии, возможности, перспективы» / НГИ-ЭИ. Княгинино: 2014. С. 147-149.
13. Колосовский М. А. Исследование качества работы системы видеонаблюдения при различных условиях съемки // Материалы 52-ой Международной научной студенческой конференции (МНСК-2014) : Информационные технологии / Новосиб. гос. ун-т. Новосибирск: 2014. С. 197.
14. Колосовский М. А. Влияние шумов камеры на качество работы системы видеонаблюдения // Всероссийская студенческая научно-практическая конференция «Молодая Наука — 2014» / Моск. финанс.-юридич. ун-т. Москва: 2014. С. 154.
15. Kolosovskiy M. A. Intelligent video surveillance system for pedestrian crossings // XX International Conference for Students and Young Scientists «Modern Technique and Technologies (MTT'2014)» / Tomsk Polytechnic University. Vol. 2. Tomsk: 2014. P. 291-292.
16. Колосовский M. А. Применение алгоритма трекинга на основе особых точек в задаче видеонаблюдения за пешеходными переходами // Всероссийская научно-практическая конференция «Молодёжь. Наука. Современность» / филиал ФГБОУ ВПО «УдГУ» в г. Воткинске. Ижевск: Изд-во «Удмуртский университет», 2014. С. 186-189.
17. Колосовский М. А. Отделение объектов от фона в задаче видеонаблюдения за пешеходными переходами // XVIII Всероссийская научная конференция студентов, аспирантов и молодых ученых «Наука и молодежь: проблемы, поиски, решения» / Сиб. гос. индустр. ун-т. T. II. Технические науки. Новокузнецк: Изд. центр СибГИУ, 2014. С. 197-199.
18. Колосовский М. А., Крючкова Е. И. Алгоритм восстановления сопровождения объектов после перекрытия в задаче видеонаблюденя за пешеходными переходами // 16-я Международная научно-техническая конференция «Измерение, контроль, информатизация» (ИКИ-2014) / Алт. гос. техн. ун-т им. И.И. Ползунова. Барнаул: Изд-во АлтГТУ, 2014. С. 18-20.
19. Колосовский М. А., Крючкова Е. Н. Алгоритм обнаружения автомобилей на основе вычитания фона для видеонаблюдения за пешеходными переходами // XI Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Наука и Молодежь—2014» / Алт. гос. техн. ун-т им. И.И. Ползунова. Барнаул: Изд-во АлтГТУ, 2014. С. 19-21.
20. Колосовский М. А. Обнаружение автомобилей в системе видеонаблюдения за пешеходными переходами // 17-я Региональная конференция по математике «Математики — Алтайскому краю» (МАК-2014) / Алт. гос. ун-т. Барнаул: Изд-во АлтГУ, 2014. С. 90-94.
21. Valera М., Velastin S. Intelligent distributed surveillance systems: a review // IEE Proceedings - Vision, Image and Signal Processing. Vol. 152. 2005. P. 192-204.
22. Intelligent distributed video surveillance systems / Ed. by S. Velasin, P. Remagni-no; The Institution of Engineering and Technology. United Kingdom: IET, 2006. Vol. 5 о {Professional Applications of Computing. 282 p.
23. Nam Y., Rho S., Park J. H. Intelligent video surveillance system: 3-tier context-aware surveillance system with metadata // Multimedia Tools and Applications. 2012. Vol. 57, no. 2. P. 315-334.
24. Karimaa A. Efficient video surveillance: performance evaluation in distributed video surveillance systems //Video Surveillance. 2011. P. 17-26.
25. Background modeling and foreground detection for video surveillance / Ed. by T. Bouwmans, F. Porikli, B. Hoferlin et al. United Kingdom: Chapman and Hall/CRC, 2014. 616 p.
26. Forsyth D., Ponce J. Computer Vision: A Modern Approach (2nd Edition). USA: Prentice Hall, 2011. 793 p.
27. Szeliski R. Computer vision: algorithms and applications. Texts in Computer Science. Springer, 2011. 812 p.
28. Rawat P., Singhai J. Efficient Video Stabilization Technique for Hand Held Mobile Videos // International Journal of Signal Processing, Image Processing & Pattern Recognition. 2013. Vol. 6, no. 3. P. 17-32.
29. Full-frame video stabilization / Y. Matsushita, E. Ofek, X. Tang et al. // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 1. 2005. P. 50-57.
30. Chereau R., Breckon T. P. Robust motion filtering as an enabler to video stabilization for a tele-operated mobile robot // Proceedings of Society of Photo-Optical Instrumentation Engineers (SPIE), Electro-Optical Remote Sensing, Pho-tonic'Technologics, and Applications VII / SPIE. No. 889701. 2013. 21 p.
31. Cohen I., Medioni G. Detecting and tracking moving objects for video surveillance // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 2. 1999. 7 p.
32. Fast single-image defogging / Z. Tan, X. Bai, B. Wang et al. // Fujitsu scientific & technical journal (FSTJ). 2014. Vol. 50, no. 1. P. 60-65.
33. Garg K., Nayar S. K. Vision and rain // International Journal of Computer Vision (IJCV). 2007. Vol. 75, no. 1. P. 3-27.
34. Narasimhan S. G., Nayar S. K. Contrast restoration of weather degraded images // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPA-MI). 2003. Vol. 25, no. 6. P. 713-724.
35. Kang L.-W., Lin C.-W., Fu Y.-H. Automatic single-image-based rain streaks removal via image decomposition // IEEE Transactions on Image Processing. 2012. Vol. 21, no. 4. P. 1742-1755.
36. Тропченко А. Ю., Тропченко А. А. Методы сжатия изображений, аудиосигналов и видео: Учебное пособое. СПб: СПбГУ ИТМО, 2009. 108 с.
37. Wallflower: Principles and practice of background maintenance / K. Toyama, J. Krumm, B. Brumitt et al. // The Proceedings of the Seventh IEEE International Conference on Computer Vision (ICCV) / IEEE. Vol. 1. 1999. P. 255-261.
38. Huwer S., Niemann H. Adaptive change detection for real-time surveillance applications // The Proceedings of Third IEEE International Workshop on Visual Surveillance / IEEE. 2000. P. 37-46.
39. Fuentes L. M., Velastin S. A. People tracking in surveillance applications // In Proceedings of the 2nd IEEE International workshop on Performance Evaluation of Tracking and Surveillance (PETS). Vol. 24, no. 19. Elsevier, 2006. P. 1165-1171.
40. Detecting moving objects, ghosts, and shadows in video streams / R. Cucchiara,
C. Grana, M. Piccardi et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2003. Vol. 25, no. 10. P. 1337-1342.
41. An integrated traffic and pedestrian model-based vision system / P. Remagnino, A. Baumberg, T. Grove et al. // British Machine Vision Conference (BMVC). British Machine Vision Association, 1997. 10 p.
42. Pfinder: Real-time tracking of the human body / C. R. Wren, A. Azarbayejani, T. Darrcll et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 1997. Vol. 19, no. 7. P. 780-785.
43. Stauffer C., Grimson W. E. L. Adaptive background mixture models for real-time tracking // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 2. 1999. 7 p.
44. A background model initialization algorithm for video surveillance /
D. Gutchess, M. Trajkovics, E. Cohen-Solal et al. // Eighth IEEE International Conference on Computer Vision (ICCV) / IEEE. Vol. 1. 2001. P. 733-740.
45. Matsuyama T., Ohya T., Habe H. Background subtraction for non-stationary scenes // Proceedings of Asian Conference on Computer Vision / Asian Federation of Computer Vision Societies. 2000. P. 662-667.
46. Haritaoglu I., Harwood D., Davis L. S. W 4 S: A real-time system for detecting and tracking people in 2 1/2D // European Conference on Computer Vision (ECCV). Springer, 1998. P. 877-892.
47. Oliver N. M., Rosario B., Pentland A. P. A Bayesian computer vision system for modeling human interactions // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2000. Vol. 22, no. 8. P. 831-843.
48. Elgammal A., Harwood D., Davis L. Non-parametric model for background subtraction // European Conference on Computer Vision (ECCV). Springer, 2000. P. 751-767.
49. Han B., Comaniciu D., Davis L. Sequential kernel density approximation through mode propagation: applications to background modeling // Proceedings of Asian Conference on Computer Vision (ACCV) / Asian Federation of Computer Vision Societies. 2004. 6 p.
50. Heikkila J., Silven O. A real-time system for monitoring of cyclists and pedestrians // Image and Vision Computing. 2004. Vol. 22, no. 7. P. 563-570.
51. Nakai PI. Non-parameterized Bayes decision method for moving object detection // Proceedings of Asian Conference on Computer Vision (ACCV) / Asian Federation of Computer Vision Societies. Vol. 95. 1995. P. 447-451.
52. Background cut / J. Sun, W. Zhang, X. Tang et al. // European Conference on Computer Vision (ECCV). Springer, 2006. P. 628-641.
53. Background subtraction based on cooccurrence of image variations / M. Se-ki, T. Wada, H. Fujiwara et al. // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 2. 2003. P. 65-72.
54. Real-time foreground-background segmentation using codebook model / K. Kim, T. H. Chalidabhongse, D. Harwood et al. // Real-time imaging. 2005. Vol. 11, no. 3. P. 172-185.
55. Piccardi M. Background subtraction techniques: a review // 2004 international conference on systems, man and cybernetics / IEEE. Vol. 4. 2004. P. 3099-3104.
56. Bouwmans T. Recent advanced statistical background modeling for foreground detection-a systematic survey // Recent Patents on Computer Science. 2011. Vol. 4, no. 3. P. 147-176.
57. Bouwmans T., El Baf F., Vachon B. Background modeling using mixture of gaussians for foreground detection-a survey // Recent Patents on Computer Science. 2008. Vol. 1, no. 3. P. 219-237.
58. Mayo Z., Tapamo J. R. Background subtraction survey for highway surveillance // Proceedings of the Twentieth Annual Symposium of the Pattern Recognition Association of South Africa (PRASA). Stellenbosch, South Africa: 2009. P. 77-82.
59. Cheung S.-C. S., Kamath C. Robust techniques for background subtraction in urban traffic video // Proceedings of Society of Photo-Optical Instrumentation Engineers (SPIE). Visual Communications and Image Processing. Vol. 5308. 2004. Jan. P. 881-892.
60. Comparative study of background subtraction algorithms / Y. Benezeth, P.M. Jodoin, B. Emile et al. // Journal of Electronic Imaging. 2010. Vol. 19, no. 033003. 30 p.
61. Dalai N. Finding people in images and videos. Phd. thesis: Grenoble Institute of Technology (Grenoble INP). Grenoble, France, 2006. 149 p.
62. Felzenszwalb P., McAllester D., Ramanan D. A discriminatively trained, mul-tiscale, deformable part model // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 2008. P. 1-8.
63. Stauffer C., Grimson W. E. L. Learning patterns of activity using real-time tracking // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2000. Vol. 22, no. 8. P. 747-757.
64. Lampert C. H., Blaschko M. B., Hofmann T. Beyond sliding windows: Object localization by efficient subwindow search // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 2008. P. 1-8.
65. Harzallah H., Jurie F., Schmid C. Combining efficient object localization and image classification // 12th International Conference on Computer Vision (ICCV) / IEEE. 2009. P. 237-244.
66. Recursive coarse-to-fine localization for fast object detection / M. Pedersoli, J. Gonzalez, A. D. Bagdanov et al. // European Conference on Computer Vision (ECCV). Springer, 2010. P. 280-293.
67. Enzweiler M., Gavrila D. M. Monocular pedestrian detection: Survey and experiments // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2009. Vol. 31, no. 12. P. 2179-2195.
68. Pedestrian detection: An evaluation of the state of the art / P. Dollar, C. Wo-jek, B. Schiele et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2012. Vol. 34, no. 4. P. 743-761.
69. Nguyen D. T. Human detection from images and videos. Phd. Thesis: University of Wollongong. Wollongong, Australia, 2012. 184 p.
70. Wang G., Xiao D., Gu J. Review on vehicle detection based on video for traffic surveillance // International Conference on Automation and Logistics (ICAL) / IEEE. 2008. P. 2961-2966.
71. Lowe D. G. Distinctive image features from scale-invariant keypoints // International journal of computer vision. 2004. Vol. 60, no. 2. P. 91-110.
72. Dalai N., Triggs B. Histograms of oriented gradients for human detection // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 1. 2005. P. 886-893.
73. Wu B., Nevada R. Detection of multiple, partially occluded humans in a single image by bayesian combination of edgelet part detectors // Tenth International Conference on Computer Vision (ICCV) / IEEE. Vol. 1. 2005. P. 90-97.
74. Sabzmeydani P., Mori G. Detecting pedestrians by learning shapelet features // IEEE Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE.
2007. P. 1-8.
75. Viola P., Jones M. J., Snow D. Detecting pedestrians using patterns of motion and appearance // Ninth International Conference on Computer Vision (ICCV) / IEEE. 2003. P. 734-741.
76. Multiple component learning for object detection / P. Dollar, B. Babenko, S. Be-longie et al. // European Conference on Computer Vision (ECCV). Springer,
2008. P. 211-224.
77. Viola P., Jones M. J. Robust real-time face detection // International journal of computer vision. 2004. Vol. 57, no. 2. P. 137-154.
78. Discriminative local binary patterns for human detection in personal album / Y. Mu, S. Yan, Y. Liu et al. // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 2008. P. 1-8.
79. Enzweiler M., Kanter P., Gavrila D. Monocular pedestrian recognition using motion parallax // 2008 IEEE Intelligent Vehicles Symposium. 2008. P. 792797.
80. Dalai N., Triggs B., Schmid C. Human detection using oriented histograms of flow and appearance // European Conference on Computer Vision (ECCV). Springer, 2006. P. 428-441.
81. Lee S., Liu Y., Collins R. T. Shape variation-based frieze pattern for robust gait recognition // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 2007. 8 p.
82. Wojek C., Schiele B. A performance evaluation of single and multi-feature people detection // Pattern Recognition. Springer, 2008. P. 82-91.
83. Zhang L., Wu B., Nevatia R. Detection and tracking of multiple humans with extensive pose articulation // 11th International Conference on Computer Vision (ICCV) / IEEE. 2007. P. 1-8.
84. Shashua A., Gdalyahu Y., Hayun G. Pedestrian detection for driving assistance systems: Single-frame classification and system level performance // 2004 IEEE Intelligent Vehicles Symposium. 2004. P. 1-6.
85. Combination of feature extraction methods for SVM pedestrian detection /
r _
I. P. Alonso, D. F. Llorca, M. A. Sotelo et al. // IEEE Transactions on Intelligent Transportation Systems. 2007. Vol. 8, no. 2. P. 292-307.
86. Leibe B., Seemann E., Schiele B. Pedestrian detection in crowded scenes // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 1. 2005. P. 878-885.
87. Object detection with discriminatively trained part-based models / P. F. Felzen-szwalb, R. B. Girshick, D. McAllester et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2010. Vol. 32, no. 9. P. 16271645.
88. The Pascal Visual Object Classes (VOC) Challenge / M. Everingham, L. Van Gool, C. K. I. Williams et al. // International Journal of Computer Vision (IJCV). 2010. Jun. Vol. 88, no. 2. P. 303-338.
89. Papageorgiou C., Poggio T. A trainable system for object detection // International Journal of Computer Vision (IJCV). 2000. Vol. 38, no. 1. P. 15-33.
90. Munder S., Gavrila D. M. An experimental study on pedestrian classification // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2006. Vol. 28, no. 11. P. 1863-1868.
91. Maji S., Berg A. C., Malik J. Classification using intersection kernel support vector machines is efficient // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 2008. P. 1-8.
92. Buch N. E. Classification of vehicles for urban traffic scenes. Phd. thesis: Kingston University. London, UK, 2010. 248 p.
93. Koller D., Weber J., Malik J. Robust multiple car tracking with occlusion reasoning: California PATH Working Paper (report): UCB-ITS-PWP-94-1. Berkeley, USA: University of California, Berkeley, 1994.
94. Song G. Y., Lee K. Y., Lee J. W. Vehicle detection by edge-based candidate generation and appearance-based classification // IEEE Intelligent Vehicles Symposium. 2008. P. 428^33.
95. Detection of front-view vehicle with occlusions using AdaBoost / C. Wu, L. Du-an, J. Miao et al. // International Conference on Information Engineering and Computer Science (ICIECS) / IEEE. 2009. P. 1-4.
96. A Two-stage Approach to People and Vehicle Detection with HOG-based SVM / F. Han, Y. Shan, R. Cekander et al. // Performance Metrics for Intelligent Systems Workshop (PerMIS) in conjunction with the IEEE Safety, Security, and Rescue Robotics Conference / NIST. 2006. P. 133-140.
97. Preceding vehicle detection using histograms of oriented gradients / L. Mao, M. Xie, Y. Huang et al. // International Conference on Communications, Circuits and Systems (ICCCAS) / IEEE. 2010. P. 354-358.
98. Duan T. D., Due D. A., Du T. L. H. Combining Hough transform and contour algorithm for detecting vehicles' license-plates // Proceedings of 2004 Interna-
tional Symposium on Intelligent Multimedia, Video and Speech Processing / IEEE. 2004. P. 747-750.
99. Robert K. Video-based traffic monitoring at day and night vehicle features detection tracking// 12th International IEEE Conference on Intelligent Transportation Systems (ITSC) / IEEE. 2009. P. 1-6.
100. Chiu C.-C., Ku M.-Y., Wang C.-Y. Automatic traffic surveillance system for vision-based vehicle recognition and tracking // Journal of Information Science and Engineering. 2010. Vol. 26, no. 2. P. 611-629.
101. A low-cost strong shadow-based segmentation approach for vehicle tracking in congested traffic scenes / E. A. Mosabbeb, M. Sadeghi, M. Fathy et al. // International Conference on Machine Vision (ICMV) / IEEE. 2007. P. 147-152.
102. Jeong S., Kang S., Kim J. Vehicle detection based on the use of shadow region and edge // Proceedings of Society of Photo-Optical Instrumentation Engineers (SPIE) 8878, Fifth International Conference on Digital Image Processing (ICDIP) / SPIE. Vol. 8878. 2013. 4 p.
103. A two-layer night-time vehicle detector / W. Wang, C. Shen, J. Zhang et al. // Digital Image Computing: Techniques and Applications (DICTA) / IEEE. 2009. P. 162-167.
104. State Machine and Downhill Simplex Approach for Vision-Based Nighttime Vehicle Detection / K.-H. Choi, D.-H. Kim, K.-S. Kim et al. // ETRI Journal. 2014. Vol. 36, no. 3. P. 439-449.
105. Nighttime vehicle detection for intelligent headlight control / A. Lopez, J. Hilgenstock, A. Busse et al. // Advanced Concepts for Intelligent Vision Systems / Springer. 2008. P. 113-124. "
106. Maggio E., Cavallaro A. Video tracking: theory and practice. John Wiley & Sons, 2011.
107. Chu D. M., Smeulders A. W. Color invariant SURF in discriminative object tracking // Trends and Topics in Computer Vision. Springer, 2012. P. 62-75.
108. Adaptive object tracking based on an effective appearance filter / H. Wang, D. Suter, K. Schindler et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2007. Vol. 29, no. 9. P. 1661-1667.
109. Liu T.-L., Chen H.-T. Real-time tracking using trust-region methods // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2004. Vol. 26, no. 3. P. 397-402.
110. Hough forests for object detection, tracking, and action recognition / J. Gall, A. Yao, N. Razavi et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2011. Vol. 33, no. 11. P. 2188-2202.
111. Wang J., Yagi Y. Integrating color and shape-texture features for adaptive realtime object tracking // IEEE Transactions on Image Processing. 2008. Vol. 17, no. 2. P. 235-240.
112. Zhou H., Yuan Y., Shi C. Object tracking using SIFT features and mean shift // Computer vision and image understanding. 2009. Vol. 113, no. 3. P. 345-352.
113. Birchfield S. KLT: An implementation of the Kanade-Lucas-Tomasi feature tracker : Version 1.3.4 (30 Aug 2007). 2007. URL: http://www.ces.clemson.edu/ stb/klt/ (дата обращения 01.12.2013).
114. Donoser M., Bischof H. Efficient maximally stable extremal region (MSER) tracking // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 1. 2006. P. 553-560.
115. Optical flow-based real-time object tracking using non-prior training active feature model / J. Shin, S. Kim, S. Kang et al. // Real-Time Imaging. 2005. Vol. 11, no. 3. P. 204-218.
116. Ren X., Malik J. Tracking as repeated figure/ground segmentation // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 2007. P. 1-8.
117. Yilmaz A., Li X., Shah M. Contour-based object tracking with occlusion handling in video acquired using mobile cameras // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2004. Vol. 26, no. 11. P. 15311536.
118. Yilmaz A., Javed O., Shah M. Object tracking: A survey // ACM Journal of Computing Surveys (CSUR). 2006. Vol. 38, no. 13. 45 p.
119. Veenman C. J., Reinders M. J., Backer E. Resolving motion correspondence for densely moving points // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2001. Vol. 23, no. 1. P. 54-72.
120. Serby D., Meier E., Van Gool L. Probabilistic object tracking using multiple features // Proceedings of the 17th International Conference on Pattern Recognition (ICPR) / IEEE. Vol. 2. 2004. P. 184-187.
121. Comaniciu D., Ramesh V., Meer P. Kernel-based object tracking // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2003. Vol. 25, no. 5. P. 564-577.
122. Roller D., Daniilidis K., Nagel H.-H. Model-based object tracking in monocular image sequences of road traffic scenes // International Journal of Computer Vision (IJCV). 1993. Vol. 10, no. 3. P. 257-281.
123. Ali A., Aggarwal J. Segmentation and recognition of continuous human activity // IEEE Workshop on Detection and recognition of events in video / IEEE. 2001. P. 28-35.
124. Fieguth P., Terzopoulos D. Color-based tracking of heads and other mobile objects at video frame rates // Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 1997. P. 21-27.
125. Background and foreground modeling using nonparametric kernel density estimation for visual surveillance / A. Elgammal, R. Duraiswami, D. Harwood et al. // Proceedings of the IEEE. 2002. Vol. 90, no. 7. P. 1151-1163.
126. Birchfield S. T., Rangarajan S. Spatiograms versus histograms for region-based tracking // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. Vol. 2. 2005. P. 1158-1163.
127. Cuevas E. V., Zaldivar D., Rojas R. Kalman filter for vision tracking: Technical Report: B 05-12. Berlin, Germany: Free University of Berlin, Department of Mathematics and Computer Science, 2005.
128. McKenna S. J., Raja Y., Gong S. Tracking colour objects using adaptive mixture models // Image and vision computing. 1999. Vol. 17, no. 3. P. 225-231.
129. Gall J., Rosenhahn B., Seidel H.-P. Drift-free tracking of rigid and articulated objects // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2008. P. 1-8.
130. Cannons K. A review of visual tracking: Technical Report: CSE-2008-07. Toronto, Canada: Department of Computer Science and Engineering and the Centre for Vision Research, York University, 2008.
131. A survey of appearance models in visual object tracking / X. Li, W. Hu, C. Shen et al. // ACM Transactions on Intelligent Systems and Technology (TIST). 2013. Vol. 4, no. 58. 42 p.
132. Visual tracking: An experimental survey / A. Smeulders, D. Chu, R. Cucchiara et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPA-MI). 2013. Nov. Vol. 36, no. 7. P. 1442-1468.
133. Automated visual traffic monitoring and surveillance through a network of distributed units / A. Koutsia, T. Semertzidis, K. Dimitropoulos et al. // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS). Bijing, China: 2008. P. 599-604.
134. Grid Enabled Computer Vision System for Measuring Traffic Parameters / I. Dimitrovski, G. Kakasevski, A. Buckovska et al. // Advances and Innovations
in Systems, Computing Sciences and Software Engineering. Springer, 2007. P. 561-565.
135. Real-time urban traffic information estimation with a limited number of surveillance cameras / G. Xue, K. Zhang, Q. He et al. // Frontiers of Computer Science. 2012. Vol. 6, no. 5. P. 547-559.
136. Rios-Cabrera R., Tuytelaars Т., Van Gool L. Efficient multi-camera vehicle detection, tracking, and identification in a tunnel surveillance application // Computer Vision and Image Understanding. 2012. Vol. 116, no. 6. P. 742-753.
137. Smart video surveillance system for vehicle detection and traffic flow control / A. Shafie, M. Ali, F. Hafiz et al. // J Eng Sci Tech. 2011. Vol. 6, no. 4. P. 469-80.
138. Chintalacheruvu N., Muthukumar V. et al. Video Based Vehicle Detection and its Application in Intelligent Transportation Systems // Journal of Transportation Technologies. 2012. Vol. 2, no. 4. P. 305-314.
139. Соловьев Б. А., Калайда В. Т. Распределенная система видеонаблюдения и идентификации объектов // Доклады Томского государственного университета систем управления и радиоэлектроники (ТУСУР). 2004. № 1(9). С. 106-112.
140. Новое поколение систем безопасности на автодорогах и их применение в интеллектуальных транспортных системах / В. М. Вишневский, Р. Н. Мин-ниханов, А. Н. Дудин [и др.] // Информационные технологии и вычислительные системы. 2013. №4. С. 80-89.
141. Полетайкин A. PI., Гузь О. А., Каганюк А. К. Интеллектуальные средства и технологии инфраструктуры городского дорожного движения // Компьютерно-интегрированные технологии: образование, наука, производство. 2014. № 14. С. 155-163.
142. Белов Ю. В., Гузь О. А., Полетайкин А. Н. Трехуровневая архитектура системы распределенной автоматизации управления дорожным движением //
Материалы международной научно-практической конференции «Обеспечение безопасности и комфорта дорожного движения: проблемы и пути решения». Харьков: ХНУРЭ, ХНАДУ, 2011. С. 123-126.
143. IBM smart surveillance system (S3): event based video surveillance system with an open and extensible framework / Y.-l. Tian, L. Brown, A. Hampapur et al. // Machine Vision and Applications. 2008. Vol. 19, no. 5-6. P. 315-327.
144. Shah M., Javed O., Shafique K. Automated visual surveillance in realistic scenarios // IEEE MultiMedia. 2007. Vol. 14, no. 1. P. 30-39.
145. Makris D., Ellis Т., Black J. Intelligent visual surveillance: towards cognitive vision systems // Open Cybernetics & Systemics Journal. 2008. Vol. 2. P. 219229.
146. Duque D., Santos II., Cortez P. The OBSERVER: an intelligent and automated video surveillance system // Image Analysis and Recognition. Springer, 2006. P. 898-909.
147. Chang E. Y., Wang Y.-F., Wang I.-J. Toward building a robust and intelligent video surveillance system: a case study // International Conference on Multimedia and Expo (ICME) / IEEE. Vol. 2. 2004. P. 1391-1394.
148. Akoz O., Karsligil M. E. Traffic event classification at intersections based on the severity of abnormality // Machine vision and applications. 2014. P. 1-20.
149. Integrating vision and language: semantic description of traffic events from image sequences / T. Hirano, S. Yoneyama, Y. Okada et al. // Advances in Visual Computing. Springer, 2007. P. 459-468.
150. Starzyk W., Qureshi F. Z. Multi-tasking smart cameras for intelligent video surveillance systems // 8th International Conference on Advanced Video and Signal-Based Surveillance (AVSS) / IEEE. 2011. P. 154-159.
151. Малыгин И. Г. Интелектуальные системы в городском транспортном комплексе // Экономика качества. 2013. № 3(4). 11 с.
152. Лазарев В. А., Осипова О. Е. Автоматизированная система управления на улично-дорожной сети Хабаровска // Ученые заметки Тихоокеанского государственного университета (ТОГУ). 2013. Т. 4, № 3. С. 1457 — 1460.
153. Жанказиев С. В. Интеллектуальные транспортные системы обеспечения безопасности на дорогах // Российско-германская научно-практическая конференция «Безопасность движения в олимпийском Сочи» / Сочинский филиал Московского автомобильно-дорожного государственного технического университета (МАДИ). Сочи: 23-24 июня 2011 г. С. 33-36.
154. Голошубов 10. В., Надвоцкая В. В. Обзор средств интеллектуального контроля дорожно-транспортной обстановки // Ползуновский альманах. 2012. № 2. С. 187-188.
155. Intelligent traffic monitoring and surveillance with multiple cameras / A. Kout-sia, T. Semertzidis, K. Dimitropoulos et al. // International Workshop on Content-Based Multimedia Indexing (CBMI) / IEEE. 2008. P. 125-132.
156. Road scene analysis for determination of road traffic density / O. Al-Kadi, O. Al-Kadi, R. Al-Sayyed et al. // Frontiers of Computer Science. 2014. Vol. 8, no. 4. P. 619—628.
157. Ozkurt C., Camci F. Automatic traffic density estimation and vehicle classification for traffic surveillance systems using neural networks // Mathematical and Computational Applications. 2009. Vol. 14, no. 3. P. 187-196.
158. Ali M., Kurokawa S., Shafie A. Autonomous Road Surveillance System: A Proposed Model for Vehicle Detection and Traffic Signal Control // Procedia Computer Science. 2013. Vol. 19. P. 963-970.
159. Нурминский E. А., Тормозов В. С.", Федосеев А. А. Автоматическое определение плотности автомобильного потока по данным камер видеонаблюдения // Информатика и системы управления. 2014. № 1(39). С. 151-159.
160. Мельников И. И., Демиденков К. А., Евсеенко И. А. Автоматизация процесса сбора и анализа данных о транспортных потоках для предупреждения образования заторов на дорогах г. Могилева // Проблемы физики, математики и техники. 2014. № 2(19). С. 84-88.
161. Video surveillance system for speed violated vehicle detection / G. Adinarayana, B. Lakshmi Sirisha, K. Sri Rama Krishna et al. // International Journal of Electronics & Communication Technology. 2011. 06. Vol. 2, no. 2. R 50-54.
162. Заровная Jl. С., Санников Э. Г. Создание аппаратно-программного комплекса для профилактики, предупреждения, пресечения, раскрытия, фиксации преступлений и правонарушений в олимпийском Сочи // Российско-германская научно-практическая конференция «Безопасность движения в олимпийском Сочи» / Сочинский филиал Московского автомобильно-дорожного государственного технического университета (МАДИ). Сочи: 23-24 июня 2011 г. С. 36-40.
163. Large-scale vehicle detection in challenging urban surveillance environments / R. Feris, J. Petterson, B. Siddiquie et al. // Workshop on Applications of Computer Vision (WACV) / IEEE. 2011. P. 527-533.
164. D.Neelima G. M. A computer vision model for vehicle detection in traffic surveillance // International Journal of Engineering Science & Advanced Technology. 2012. Vol. 2, no. 5.
165. A night time application for a real-time vehicle detection algorithm based on computer vision / S. Zhou, J. Li, Z. Shen et al. // Research Journal of Applied Sciences, Engineering and Technology. 2013. Vol. 5, no. 10. P. 3037-3043.
166. Robert K. Night-time traffic surveillance: A robust framework for multi-vehicle detection, classification and tracking // Sixth IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). 2009. P. 1-6.
167. Thi H. T. A robust traffic surveillance system for detecting and tracking vehicles at nighttime. Phd. thesis: University of Technology. Sydney, Australia, 2007. 100 p.
168. Brutzer S., Hoferlin B., Heidemann G. Evaluation of background subtraction techniques for video surveillance // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2011. P. 1937-1944.
169. Review and evaluation of commonly-implemented background subtraction algorithms / Y. Benezeth, P.-M. Jodoin, B. Emile et al. // 19th International Conference on Pattern Recognition (ICPR) / IEEE. 2008. P. 1-4.
170. Foreground object detection from videos containing complex background / L. Li, W. Huang, I. Y. Gu et al. // Proceedings of the eleventh ACM international conference on Multimedia / ACM. 2003. P. 2-10.
171. Nascimento J. C., Marques J. S. Performance evaluation of object detection algorithms for video surveillance // IEEE Transactions on Multimedia. 2006. Vol. 8, no. 4. P. 761-774.
172. Bashir F., Porikli F. Performance evaluation of object detection and tracking systems: Technical Report: TR2006-041. Cambridge, MA, USA: Mitsubishi Electric Research Laboratories, 2006. URL: http://www.merl.com/publications/TR2006-041.
173. Evaluating multi-object tracking / K. Smith, D. Gatica-Perez, J.-M. Odobez et al. // IEEE Conference on Computer Vision and Pattern Recognition-Workshops (CVPR). 2005. P. 36-36.
174. Keni B., Rainer S. Evaluating multiple object tracking performance: the CLEAR MOT metrics // EURASIP Journal on Image and Video Processing, Special Issue on Video Tracking in Complex Scenes for Surveillance Applications. 2008. Vol. 2008, no. 246309. 10 p.
175. Spangenberg R., Döring T. Evaluation of object tracking in traffic scenes // Proceedings of the ISPRS Commission V, Symposium on Image Engineering and Vision Metrology (IEVM 06) / International Society for Photogrammetry and Remote Sensing. Vol. XXXVI, Part 5. 2006. 6 p.
176. О правилах дорожного движения : Постановление правительства Российской Федерации от 23 октября 1993 г. N 1090 (ред. от 30.07.2014) // Собрание актов Президента и Правительства РФ. - 1993. - № 47. - ст. 4531.
177. Grundmann М., Kwatra V., Essa I. Auto-directed video stabilization with robust 11 optimal camera paths // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2011. P. 225-232.
178. Гонсалес P., Вудс P. Цифровая обработка изображений. M.: Техносфера, 2005. С. 1072.
179. Vedaldi A., Fulkerson A. VLFeat: An Open and Portable Library of Computer Vision Algorithms (Version 0.9.17). 2008. URL: http://www.vlfeat.org/ (дата обращения: 01.12.2013).
180. Leibe В., Schindler К., Van Gool L. Coupled detection and trajectory estimation for multi-object tracking // IEEE 11th International Conference on Computer Vision (ICCV). 2007. P. 1-8.
181. Person Re-Identification by Descriptive and Discriminative Classification / M. Hirzer, M. Beleznai, P. M. Roth et al. // Proceedings of 17th Scandinavian Conference on Image Analysis (SCIA). Springer, 2011. P. 91-102.
182. Vedaldi A., Soatto S. Quick shift and kernel methods for mode seeking // European Conference on Computer Vision (ECCV). Springer, 2008. Vol. IV. P. 705718.
183. Superpixel tracking / S. Wang, H. Lu, F. Yang et al. // IEEE International Conference on Computer Vision (ICCV). 2011. P. 1323-1330.
184. Schick A., Bauml M., Sticfclhagen R. Improving foreground segmentations with probabilistic superpixel markov random fields // IEEE Workshop on Change Detection in conjunction with International Conference of Computer Vision and Pattern Recognition (CVPR). 2012. P. 27-31.
185. Andriluka M., Roth S., Schiele B. People-Tracking-by-Detection and People-Detection-by-Tracking // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2008. June.
186. Birchfield S. Elliptical head tracking using intensity gradients and color histograms // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). 1998. P. 232-237.
187. Dokladal P., Enficiaud R., Dejnozkova E. Contour-based object tracking with gradient-based contour attraction field // IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) / IEEE. Vol. 3. 2004. P. 17-20.
188. Boudoukh G., Leichter I., Rivlin E. Visual tracking of object silhouettes // 16th IEEE International Conference on Image Processing (ICIP). 2009. P. 3625-3628.
189. Guan L., Franco J.-S., Pollefeys M. Multi-object shape estimation and tracking from silhouette cues // IEEE Conference on Computer Vision and Pattern Recognition (CVPR) / IEEE. 2008. P. 1-8.
190. A Directional-Edge-Based Real-Time Object Tracking System Employing Multiple Candidate-Location Generation / P. Zhao, H. Zhu, H. Li et al. // IEEE Transactions on Circuits and Systems for Video Technology. 2013. Vol. 23, no. 3. P. 503-517.
191. Zhu G., Zeng Q., Wang C. Efficient edge-based object tracking // Pattern Recognition. 2006. Vol. 39, no. 11. P. 2223-2226.
192. Mitiche A., Bouthemy P. Computation and analysis of image motion: A synopsis of current problems and methods // International Journal of Computer Vision (IJCV). 1996. Vol. 19, no. 1. P. 29-55.
193. Barron J. L., Fleet D. J., Beauchemin S. S. Performance of optical flow techniques // International Journal of Computer Vision (IJCV). 1994. Vol. 12, no. 1. P. 43-77.
194. Shi J., Tomasi C. Good features to track // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). 1994. P. 593-600.
195. Kloihofer W., Kampel M. Interest point based tracking // 20th International Conference on Pattern Recognition (ICPR) / IEEE. 2010. P. 3549-3552.
196. Gauglitz S., Hollerer T., Turk M. Evaluation of interest point detectors and feature descriptors for visual tracking // International Journal of Computer Vision (IJCV). 2011. Vol. 94, no. 3. P. 335-360.
197. Segmentation based particle filtering for real-time 2d object tracking / V. Be-lagiannis, F. Schubert, N. Navab et al. // European Conference on Computer Vision (ECCV). Springer, 2012. P. 842-855.
198. Papoutsakis K. E., Argyros A. A. Integrating tracking with fine object segmentation // Image and Vision Computing. 2013. Vol. 31, no. 10. P. 771-785.
199. Colour-based object tracking in surveillance application / T. S. Ling, L. K. Meng, L. M. Kuan et al. // Proceedings of the International MultiConference of Engineers and Computer Scientists (IMECS2009) / International Association of Engineers. Vol. 1. 2009. P. 459-464.
200. Fast and effective color-based object tracking by boosted color distribution / D. Wang, H. Lu, Z. Xiao et al. // Pattern Analysis and Applications. 2013. Vol. 16, no. 4. P. 647-661.
201. Lucas В. D., Kanade Т. et al. An iterative image registration technique with an application to stereo vision // Proceedings of the 7th International Joint Conference on Artificial Intelligence (IJCAI). Vol. 2. 1981. P. 674-679.
202. Wiggin E. Lucas-Kanade Tracker with pyramid and iteration (MATLAB Central File Exchange). 2012. URL: http://www.mathworks.com/matlabcentral/fileexchange/30822 (дата обращения 01.12.2013).
203. OpenCV library : Version 2.4.6 (03 July 2013). 2013. URL: http://opencv.org (дата обращения 01.12.2013).
риложение 1. Акт о внедрении
VisionLabs
Исх rPtCMMЧ «££ » (О 20 Щ Вх. « »__20
АКТ О ВНЕДРЕНИИ
результатов диссертационной работы
Колосовского Максима Александровича
«Модельно-алгоритмическое обеспечение интеллектуальной системы видеонаблюдсния за нерегулируемыми пешеходными переходами» на соискание ученой степени кандидата технических наук по специальности 05.13.01 — Системный анализ, управление и обработка информации
Настоящим актом подтверждаем, что разработанное Колосовским М.А. модельно-алгоритмическое обеспечение, описанное в его кандидатской диссертации, принято в опытную эксплуатацию и подлежит внедрению в составе системы распознавания автомобильных номеров VisionLabs AUTO на ряде наших существующих и будущих объектов.
Распознавание случаев ДТП в зонах пешеходных переходов крайне актуально и на данный момент и не представлено должным образом на российском и международном рынках. Поэтому данная разработка входит в число приоритетных и социально значимых направлений развития нашей компании.
С уважением,
Генеральный директор ООО «ВижнЛабс» _/ Ханин A.A. /
Kinnen-' i ООО В'ы ¡i'¡ ю. ¡ cmi i¿tr. ФРПП И
\ ipcc i2"45S ■ MoLfíHH. >.< 1 ьдр lOBwkn w i S crp 1 . liAiioiupi t !гч>пшо> 04,к 'ЧЧ. I -líidil aJ.haninftJvi'iioniabs iu Ui -? (426)988-7801
Приложение 2. Свидетельство о регистрации програм мы для ЭВМ
т ш т ш
¡35
к а
ш &
&
ш ш ш т т ш
5
т ж
*5
ш
к? ш и а я т т ш й
веяв 'ЖЫЯШ ИСЗ гагев
СВИДЕТЕЛЬСТВО
ш
о государственной регистрации программы для ЭВМ
№ 2014615314
Подсистема обнаружения и сопровождения пешеходов для системы видеонаблюдения
Правообладатель: Колосовскии Максим Александрович (Я11)
Автор Колосовскии Максим Александрович (Я11)
В? & К ййй
Заявка № 2014612678
Дата поступления 27 марта 2014 Г.
Дата государственной регистрации в Реестре программ для ЭВМ 23 Мая 2014 г.
Руков(м)итс1ь Федеральной службы по инте.иектуа1ыюй собственности
Б П Симонов
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.