Обработка и анализ видеоданных в системах транспортного мониторинга тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Мотыко, Александр Александрович

• Мотыко, Александр Александрович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Мотыко, Александр Александрович

Содержание

Введение

Глава 1. Аналитический обзор современных телевизионных систем транспортного мониторинга

1.1. Системы наблюдения за дорожным движением и измерители скорости транспортных средств

1.1.1. Классификация систем транспортного мониторинга.

Параметры потока, определяемые системами

1.1.2. Классификация и анализ измерителей скорости

транспортных средств

1.2. Анализ методов формирования панорамных изображений

1.2.1. Основные этапы синтеза панорамных изображений

1.2.2. Выделение характерных точек на изображениях

1.2.3. Селекция пар точек

1.2.4. Модели уравнений трансформации и оценка их параметров

1.3.Анализ телевизионных методов измерения скорости

1.3.1. Комбинированные и стереоизмерители

1.3.2. Измерители скорости, использующие данные одной камеры

1.4. Выводы и постановка задач исследования

Глава 2. Формирование видеопанорамы в многокамерной телевизионной системе

2.1. Построение панорамного изображения для системы транспортного мониторинга

2.1.1. Выделение характерных точек в условиях низкодетальных сюжетов

2.1.2. Сопоставление пар точек и оценка их достоверности

2.1.3. Оценка параметров уравнения трансформации

2.2. Экспериментальное исследование алгоритма формирования панорамного изображения для системы транспортного мониторинга

2.2.1. Оценка эффективности фильтрации характерных точек

2.2.2. Исследование эффективности применения оценки достоверности селекции характерных точек

2.2.3. Исследование устойчивости алгоритма к изменению параметров видеокамеры

2.2.4. Сравнение разработанного алгоритма и существующих решений

2.3. Выводы по главе 2

Глава 3. Телевизионное измерение скорости

3.1. Алгоритм измерения скорости транспортных средств с помощью видеокамеры

3.1.1. Анализ вариантов установки камеры

3.1.2. Процедура измерения скорости автомобилей на основе анализа видеоряда

3.1.3. Оценка точности измерений

3.2. Экспериментальное исследование точности алгоритма измерения скорости

3.3. Выводы по главе 3

Глава 4. Алгоритм сегментации и сопровождения движущихся объектов

4.1. Алгоритм обработки и анализа видеоданных

4.1.1. Требования к алгоритму

4.1.2. Сегментация движущихся объектов

4.1.3. Сопровождение объектов

4.1.4. Процедура оценки размеров изображений объектов

4.2. Экспериментальное исследование характеристик алгоритма сегментации и сопровождения движущихся объектов

4.3. Выводы по главе 4

Заключение

Список литературы

Введение диссертации (часть автореферата) на тему «Обработка и анализ видеоданных в системах транспортного мониторинга»

Введение

Актуальность работы

Обработка и анализ информации о транспортных потоках необходимы для осуществления эффективного управления дорожным движением и повышения безопасности его участников.

Для этой цели используют различные программные и технические средства. В последнее время активно развивают и внедряют системы транспортного мониторинга. Их функции - сбор и автоматический анализ данных о работе транспортной сети, фиксирование фактов нарушения правил дорожного движения. На основании собранной статистической информации возможно прогнозирование дорожной обстановки и планирование развития отрасли.

Несмотря на имеющееся многообразие, современные системы транспортного мониторинга обладают общим недостатком - они решают частные задачи в зависимости от своей технической оснащенности и реализованных алгоритмов обработки информации. Практически не существует систем, способных оценивать все необходимые параметры транспортного потока с помощью анализа видеоданных, без применения различной специальной аппаратуры (радаров, датчиков движения, лазерных дальномеров). Использование дополнительного измерительного оборудования делает систему более сложной в эксплуатации. Установка, юстировка и настройка подобного программно-аппаратного комплекса - трудоемкие процессы, требующие квалифицированного персонала и постоянного обслуживания. Это ограничивает область применения систем, снижает их эффективность.

Современное развитие вычислительной и телевизионной техники [1] позволяет разрабатывать новые алгоритмы обработки видеоинформации. Таким образом, становится возможным создание системы транспортного мониторинга, формирующей эргономичные и эффективные для автоматического анализа данные, определяющей все необходимые статистические параметры потока (в том числе скорости автомобилей), способной контролировать соблюдение правил дорожного движения, не использующей дополнительной аппаратуры, а также отличающейся простотой эксплуатации.

Цель работы

Разработка алгоритмов анализа и представления видеоданных для систем транспортного мониторинга, позволяющих повысить безопасность и эффективность управления дорожным движением.

Основные задачи диссертационной работы

1. Синтезировать алгоритм автоматического формирования панорамного видеоизображения для системы транспортного мониторинга, обеспечивающего широкий угол обзора и сохранение перспективы.

2. Разработать алгоритм измерения скорости транспортных средств на основе анализа видеоданных, не требующий трудоемкой юстировки и привязки экранных координат камер к местности.

3. Разработать алгоритм автоматической сегментации и сопровождения транспортных средств, движущихся в поле зрения камер системы.

4. Разработать алгоритм автоматической оценки основных параметров транспортного потока (средней скорости, плотности и интенсивности) на основе анализа видеоданных.

5. Провести экспериментальное исследование синтезированных алгоритмов, оценить их эффективность.

Методы исследования

В работе использованы методы цифровой обработки изображений, теории вероятности и математической статистики, функционального анализа, матричного исчисления, регрессионного анализа, методы моделирования на ЭВМ, экспериментальные исследования.

Основные положения, выносимые на защиту

1. Алгоритм построения панорамных изображений, в том числе в условиях низкодетальных сюжетов, типичных для систем транспортного мониторинга.

2. Алгоритм идентификации параметров трансформации с учетом оценок достоверности согласованных точек, позволяющий синтезировать панораму при малом количестве особенностей на исходных изображениях.

3. Метод измерения скорости транспортных средств для многополосных магистралей на основе анализа данных видеокамеры.

4. Алгоритм сегментации и сопровождения движущихся объектов на основе совокупности признаков, позволяющий производить оценку основных параметров транспортного потока.

Научная новизна

1. Предложена оценка достоверности селекции характерных точек, основанная на близости расстояний корректно согласованных пар, позволяющая синтезировать видеопанораму для низко детальных сюжетов.

2. Разработан алгоритм синтеза панорамных изображений для низкодетальных сюжетов с учетом оценки достоверности селекции пар характерных точек и процедурой автоматической идентификации параметров уравнения трансформации по двум критериям: количеству пар согласованных точек и их средней достоверности, что способствует построению качественных реалистичных изображений.

3. Предложен метод измерения скорости движения автомобиля на основе анализа траектории и увеличения его изображения по мере приближения к видеокамере, не требующий трудоемкой юстировки и привязки экранных координат камеры к местности.

4. Разработан алгоритм автоматической коррекции измерений скорости транспортных средств, основанный на анализе зависимостей коэффициентов увеличения проекции опорного и сопровождаемого автомобиля от экранной координаты. Предложенный алгоритм обеспечивает возможность измерения скорости при изменении параметров камеры вследствие ветровой и вибрационной нагрузки.

5. Разработан алгоритм анализа видеоданных, позволяющий на основе признаков движения и формы идентифицировать основные параметры автомобильного потока: среднюю скорость, плотность и интенсивность, а также осуществлять фиксацию нарушений скоростного режима.

Практическая значимость

1. Разработанный алгоритм автоматического построения панорамного изображения позволяет в многокамерных системах наблюдения обеспечить представление видеоданных с широким углом обзора. Панорамное видеоизображение делает формируемую системами наблюдения видеоинформацию эргономичной и эффективной для автоматического анализа и обработки.

2. Предложенные алгоритмы обработки видеоинформации и измерения скорости автомобилей с помощью анализа видеоданных позволяют построить на их базе систему транспортного мониторинга, которая:

• не требует дополнительной аппаратуры (радаров, датчиков, лазерных дальномеров), следовательно, проще в установке и эксплуатации, имеет широкую область применения;

• не требует сложной юстировки, то есть отличается простотой настройки и ввода в эксплуатацию.

• обеспечивает однозначное соответствие между проведенным измерением скорости и изображением транспортного средства.

3. Разработанные алгоритмы автоматической сегментации и сопровождения объектов и измерения скорости позволяют расширить функциональные возможности уже существующих систем наблюдения за транспортом. Система, использовавшаяся только для видеонаблюдения, сможет осуществлять контроль скоростного режима, фиксацию нарушений, а также формировать данные для автоматической оценки параметров автомобильного потока.

Реализация результатов работы

Основные результаты использованы в научно-исследовательских работах ФГУП НИИ ПТ «Растр», в научно-исследовательских работах кафедры, а также в учебном процессе кафедры электронных и телевизионных систем Санкт-Петербургского государственного университета аэрокосмического приборостроения. Внедрение результатов работы подтверждено соответствующими актами.

Программное обеспечение, реализующее ряд предложенных алгоритмов, зарегистрировано в отраслевом фонде алгоритмов и программ.

Апробация работы

Основные результаты диссертационной работы докладывались и обсуждались на научных конференциях:

• Научные сессии Государственного университета аэрокосмического приборостроения (ГУАП), Санкт-Петербург (2009, 2010, 2011 гг.);

• 7-я и 8-я Международные конференции «Телевидение: передача и обработка изображений», Государственный электротехнический университет (ЛЭТИ), Санкт-Петербург, (2009, 2011 гг.);

• Научная конференция Государственного университета телекоммуникаций (ГУТ), Санкт-Петербург, 2011,2012г.

Публикации

Содержание и основные результаты диссертации изложены в 15 научных работах, которые включают 2 статьи, опубликованные в журналах, входящих в список рецензируемых научных журналов ВАК РФ. 7 работ опубликованы в трудах научно-технических конференций, в том числе международных. Получено 5 свидетельств об официальной регистрации программ для ЭВМ в отраслевом фонде алгоритмов и программ. Материалы диссертации вошли в монографию: Обработка изображений в прикладных телевизионных системах // О.С. Астратов, A.C. Афанасенко, Л.Д. Вилесов, С.А. Кузьмин, A.A. Мотыко, H.A. Обухова, В.М. Смирнов, Б.С. Тимофеев, В.Н. Филатов. Под ред. проф. Б.С. Тимофеева. - СПб, ГУАП, 2012, с. 272.

Структура и объем диссертации.

Диссертация состоит из введения, четырех глав, заключения и списка литературы. Работа содержит 140 страниц основного текста и включает 20 таблиц и 98 рисунков.

В первой главе проведен обзор современных систем транспортного мониторинга, алгоритмов построения панорамных изображений и измерителей скорости. В результате анализа выявлены недостатки существующих решений и сформулированы задачи диссертационной работы, решение которых направлено на создание новой комплексной системы транспортного мониторинга, лишенной указанных недостатков.

Во второй главе предложен алгоритм формирования панорамного видеоизображения в характерных условиях видеонаблюдения в системах транспортного мониторинга. Проведены необходимые исследования разработанного алгоритма, проанализированы результаты и сделаны выводы.

В третьей главе предложен новый алгоритм телевизионного измерения скорости транспортных средств с помощью анализа видеоряда. Проведено исследование его точностных характеристик.

В четвертой главе рассмотрены вопросы обработки и анализа видеоданных с целью сегментации движущихся транспортных средств и определения основных параметров потока. Проведены экспериментальные исследования разработанных алгоритмов.

В заключении произведено обобщение полученных результатов исследований, сделаны итоговые выводы по диссертационной работе. Список литературы включает 92 источника, на которые были сделаны ссылки при написании работы.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Мотыко, Александр Александрович

Основные результаты, полученные в диссертационной работе, следующие:

1. Разработан алгоритм автоматического синтеза видеопанорамы для телевизионной системы транспортного мониторинга, обеспечивающий построение качественного панорамного изображения в условиях низкодетальных сюжетов с мелким масштабом особенностей и небольшим количеством характерных точек.

Формируемое единое изображение сохраняет перспективу опорного фрагмента, что позволяет оператору наблюдать реалистичную картину, делает видеоданные эргономичными.

2. Разработан алгоритм телевизионного измерения скорости транспортных средств, не требующий трудоемкой юстировки и привязки экранных координат камер к местности.

Дополнительно к оценке скорости в результате обработки и анализа видеоданных автоматически оценивают основные параметры дорожного движения в зоне наблюдения камер системы: среднюю плотность, скорость и интенсивность автомобильного потока.

Эффективная работа алгоритма построения панорамы в условиях, характерных для системы мониторинга транспортных потоков, обеспечена следующим:

• В процедуру выделения характерных точек введена фильтрация на основе определения максимумов яркостной производной в локальном фрагменте изображения. Это позволило учесть типичный для исходных данных мелкий масштаб особенностей и близкое расположение характерных точек, способное внести ошибку при совмещении фрагментов.

• Разработана процедура определения достоверности селекции пар на основе анализа расстояний между согласованными характерными точками. Каждой паре точек сопоставлена мера, характеризующая ее вес при оценке параметров модели трансформации растра, что позволило исключить пороговую фильтрацию при синтезе видеопанорамы. При совмещении фрагментов используют максимальное число найденных согласованных пар, что повышает точность построения панорамы (максимальная ошибка не более 2 пикселей).

• Использование модели перспективного преобразования обеспечивает сохранение единой перспективы для всех совмещаемых фрагментов. В результате, панорама реалистично отображает пространство, обозреваемое камерами системы.

Исследование на характерных для транспортного мониторинга сюжетах показывает:

• Алгоритм обеспечивает построение панорамного изображения при рассогласовании исходных фрагментов по масштабу (до 4%) и углу поворота (до 4 градусов).

Алгоритм демонстрирует лучшие результаты, по сравнению с аналогами (Hugin, Canon Photostitch), при синтезе панорам на основе видеоряда, характерного для дорожного наблюдения. Максимальная ошибка ниже в среднем на 25%, средняя ошибка на 15%.

Исследования разработанного алгоритма телевизионного измерения скорости показали:

• Данные о траектории и об относительном увеличении проекции транспортного средства позволяют оценить его скорость движения без использования дополнительной аппаратуры, трудоемкой настройки и юстировки.

• Точность оценки скорости (средняя ошибка не более 1,5 км/ч) обеспечивает использование накопления данных по времени и пространству, путем учета изменения размера всей площади изображения автомобиля на интервале сопровождения.

• Предложенный алгоритм обеспечивает одинаковую точность оценки скорости (максимальная ошибка не более 3 км/ч) транспортных средств, идущих по разным полосам при наблюдении их одной камерой, что позволяет использовать его для контроля скоростного режима многополосных магистралей.

Синтезированный алгоритм автоматической сегментации и сопровождения объектов осуществляет:

• Автоматическое выделение объекта. Ошибка сегментации для грузовых автомобилей в среднем не более 15% площади изображения, для легковых - 4,5%.

• Сопровождение объекта с помощью бинарной маски делает алгоритм устойчивым к частичному перекрытию проекций автомобилей. Средняя ошибка определения координат для легковых автомобилей не превышает 2%, для грузовых - 2,5%.

• Получение необходимых для телевизионного измерителя скорости данных об увеличении размеров изображения объекта посредством использования масштабируемой бинарной маски.

Полученные результаты позволяют сделать вывод, что на основе разработанных алгоритмов может быть реализована телевизионная система видеонаблюдения и контроля магистралей, обеспечивающая формирование эргономичных и эффективных для автоматического анализа видеоданных и осуществляющая оценку основных параметров потока без дополнительных измерительных средств и трудоемкой юстировки.

Таким образом, задачи диссертационной работы успешно решены, а поставленная цель достигнута.

Заключение

Список литературы диссертационного исследования кандидат технических наук Мотыко, Александр Александрович, 2012 год

Список источников

1. Умбиталиев А. А., Цыцулин А. К. Основные направления развития телевизионной техники // Вопросы радиоэлектроники, сер. Техника телевидения, 2006, №1, с. 3 - 12.

2. http://transport.grouptechno.ru/solutions/asudd-magistral/asudd-magistral_92.html

3. http://www.yamalis.ru/home.html

4. http://www.simicon.com/rus/product/gun/photoradar_kris_c.html

5. http://ripas.ru/index.php/option/content/pcontent/1 /task/view/id/41 /Itemid/82

6. http://www.againc.net/media/3735/its-alll.pdf

7. http://www.simicon.com/rus/product/gun/iv2_m.html

8. http://www.kb-spectech.ru/projects2.html

9. http://www.arustel.ru/article.php?id=58

10. http://www.rossi-potok.ru/page.php?id=8

11. http://www.bdspb.ru/asud.html

12. Лобанов E.M. Сильянов B.B., Пропускная способность автомобильных дорог, М., Транспорт, 1970, с. 152.

13. Маркуц В.М., Транспортные потоки автомобильных дорог и городских улиц (практические приложения ), Тюмень 2008 г с. 52.

14. http://www.autotracker.ru/

15. http://www.scout-gps.ru/

16. Попов С.А. Панорамное изображение в видеонаблюдении // С.А. Попов, Д.С.Ватолин, «Системы безопасности» №2, 2009 с. 2-5.

17. Traffic Detector Handbook: Third Edition, US Department of Transportation, 2006, p.118.

18. Guillaume Leduc,Road Traffic Data: Collection Methods and Applications, 2008, p.65

19. http://www.freepatentsonline.com/3699398.html

20. IMAGINE - Improved Methods for the Assessment of the Generic Impact Of Noise in the Environment. Collection Methods for Additional Data, Demand and Traffic Flow Management (WP2), May 2006, pp 45-51.

21. Martin, P.T., Feng, Y., Wang, X., Detector Technology Evaluation, Technical Report, Utah Transportation Center, 2003, p 210

22. http://www.freepatentsonline.com/5554907.html

23. Bennett, C.R., Chamorro, A., Chen C., de Solminihac, H., Flintsch, G.W., Data Collection Technologies for Road Management, Version 1.0, East Asia Pacific Transport Unit, The World Bank, Washington, D.C., April 2005. pp 4-11.

24. http://www.freepatentsonline.com/6999886.html

25. http://www.freepatentsonline.com/5798983.html

26. Schmidt, M., Giorgi, L., Chevreuil, M., Paulin, S., Turvey, S., Hartmann, M., GALILEO: Impacts on road transport, JRC-IPTS Technical Report EUR 21865, 2005, p 51.

27. http://www.freepatentsonline.com/6999886.html

28. http://www.simicon.com/rus/product/gun/binar.html

29. http://www.simicon.com/rus/product/gun/radis.html

30. http://www.simicon.com/rus/product/gun/da210.html

31. http://www.radar-shop.ru/articles/7/

32. Тимофеев Б. С. Видеопанорамы - новое направление развития систем телевизионного наблюдения // Телевидение: передача и обработка изображений. Материалы 7-й междунар. конф., Санкт-Петербург, 29-30 июня 2009 г. СПб.: Изд-во СПбГЭТУ, 2009. с. 165-172.

33. Milgram, D. L. (1975). Computer methods for creating photomosaics. IEEE Transactions on Computers, p. 24.

34. Milgram, D. L. (1977). Adaptive techniques for photomosaicking. IEEE Transactions on Computers, p26.

35. Peleg, S. (1981). Elimination of seams from photomosaics. Computer Vision, Graphics, and Image Processing, p. 16.

36. Slama, C. C. (ed.). (1980). Manual of Photogrammetry. American Society of Photogrammetry, Falls Church, Virginia, fourth edition. P 210.

37. Brown, M. and Lowe, D. (2007). Automatic panoramic image stitching using invariant features. International Journal of Computer Vision, p.59-73.

38. Meehan, J. (1990). Panoramic Photography. Watson-Guptill.

39. Mann, S. and Picard, R. W. (1994). Virtual bellows: Constructing high-quality images from video. In First IEEE International Conference on Image Processing (ICIP-94), pp. 363-367.

40. Szeliski, R. (1996). Video mosaics for virtual environments. IEEE Computer Graphics and Applications, pp.22-30.

41. Davis, J. (1998). Mosaics of scenes with moving objects. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'98), pp. 354-360,

42. Shum, H.-Y. and Szeliski, R. (2000). Construction of panoramic mosaics with global and local alignment. International Journal of Computer Vision, 36(2): 101-130. Erratum published July 2002, pp. 151-152.

43. Levin, A., Zomet, A., Peleg, S., and Weiss, Y. (2004). Seamless image stitching in the gradient domain. In Eighth European Conference on Computer Vision (ECCV 2004), pp. 377-389

44. Lucas, B. D. and Kanade, T. (1981). An iterative image registration technique with an application in stereo vision. In Seventh International Joint Conference on Artificial Intelligence (IJCAI-81), pp. 674-679, Vancouver.

45. Harris, C. and Stephens, M. J. (1988). A combined corner and edge detector. In Avley Vision Conference, pp. 147-152.

46. Shi, J. and Tomasi, C. (1994). Good features to track. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'94), pp. 593-600, Seattle.

47. Schmid, C., Mohr, R., and Bauckhage, C. (2000). Evaluation of interest point detectors.International Journal of Computer Vision, p. 37

48. Triggs, B. (2004). Detecting keypoints with stable position, orientation, and scale under illumination changes. In Eighth European Conference on Computer Vision (ECCV 2004), pp. 100-113

49. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, pp. 91-110.

50. T. Lindeberg (1994). "Scale-space theory: A basic tool for analysing structures at different scales". Journal of Applied Statistics (Supplement on Advances in Applied Statistics: Statistics and Images: 2) 21 (2): pp. 224-270.

51. Schmid, C. and Mohr, R. (1997). Local grayvalue invariants for image retrieval. IEEE Transactions on Pattern Analysis and Machine Intelligence, pp.530-534.

52. Brown, M., Szeliski, R., and Winder, S. (2004). Multi-Image Matching Using Multi-Scale Oriented Patches. Technical Report MSR-TR-2004-133, Microsoft Research.

53. Mikolajczyk, K. and Schmid, C. (2005). A performance evaluation of local descriptors. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(10): 1615—1630.

54. Winder, S. and Brown, M. (2007). Learning local image descriptors. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2007), Minneapolis, MN. pp 342.

55. Fischler, M. A. and Bolles, R. C. (1981). Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, pp. 381-395.

56. Alkaabi, S. and Deravi, F. Iterative Corner Extraction and Matching for Mosaic Construction. In Proceedings of CRV. 2005, pp.468-475.

57. Richard Hartley and Andrew Zisserman (2003). Multiple View Geometry in computer vision. Cambridge University Press, p. 561

58. Szeliski R, Computer Vision: Algorithms and Applications (2010), Springer, p.304.

59. Ondrej Chum (2005), "Two-View Geometry Estimation by Random Sample and Consensus".p 235

60. Rousseeuw, P. J. (1984). Least median of squares regresssion. Journal of the American Statistical Association, pp.871-880.

61. Torr, Zisserman "Robust computation and parameterization of multiple view relation", siteseer.nec.org , 1998 p.23

62. Chum, O. and Matas, J. (2005). Matching with PROSAC—progressive sample consensus. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'2005), pp. 220-226.

63. Chum, Matas "Randomized RANSAC with T(d,d) test", BMVC2002, 2002

64. Myatt, Torr, Nasuto, Bishop, Craddoc "NAPSAC: high noise, high dimensional robust estimation - it's in the bag", BMVC2002, pp.76-79

65. Julio Cezar Silveira Jacques Jr, Cl'audio Rosito Jung, Soraia Raupp Musse, Background Subtraction and Shadow Detection in Grayscale Video Sequences // in Proc. SIBGRAPI, 2005, pp.189-196.

66. Mikolajczyk, K. and Schmid, C., Scale and affine invariant interest point detectors // Int. Journal of Computer Vision, 60:1,2004 pp.63 - 86

67. Burt, Peter and Adelson, Ted, "The Laplacian Pyramid as a Compact Image Code", IEEE Trans. Communications, 9:4, 1983, pp. 532-540,

68. Crowley, J. L. and Sanderson, A. C. "Multiple resolution representation and probabilistic matching of 2-D gray-scale shape", IEEE Transactions on Pattern Analysis and Machine Intelligence, 9(1), 1987, pp 113-121

69. Перов А. И., Статистическая теория радиотехнических систем М.: Радиотехника, 2003 г. с. 400.

70. Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа — изд. четвёртое, переработанное. — М.: Наука, 1976. с. 544.

71. William Н. Press, Saul A. Teukolsky, William Т. Vetterling, Brian P. Flannery // Numerical Recipes in С — 2nd edition. — Cambridge: Cambridge University Press, p. 436

72. Golub G.H., Van Loan C.F. Matrix Computation. Baltimor MD.:1. John Hopkins Press, 1989, p. 210

73. http://hugin.sourceforge.net/

74. Z. Zhang, A flexible new technique for camera calibration',IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.22, No. 11,2000, pp 1330—1334.

75. Иванов В.П., Батраков A.C. - Трехмерная компьютерная графика / Под ред. Г.М. Полищука. с.66

76. Волосов Д. С. Фотографическая оптика. М., «Искусство», 1971. с 306.

77. Макарецкий Е. А, Овчинников А. В., Нгуен Лием Хиеу. Телевизионные измерительные системы контроля скоростного режима дорожного движения // Компоненты и технологии. 2007. № 4. сс. 34-37.

78. Красильников Н.Н. Цифровая обработка 2D- и ЗО-изображений. - СПб: БХВ-Петербург, 2011 г. 604 с.

79. Методика определения выбросов автотранспорта для проведения сводных расчетов загрязнения атмосферы городов // Государственный комитет Российской Федерации по охране окружающей среды, Москва, 1999г. с. 20.

80. Обухова Н.А., Сегментация объектов интереса на основе признака движения в видеокомпьютерных системах // Инфокоммуникационные технологии. - 2007 - N1 -с.77-85.

81. У. Прэтт, Цифровая обработка изображений, МИР, Москва, 1982г, с. 790.

82. Samuel J. Dwyer III. A personalized view of the history of PACS in the USA. In: Proceedings of the SPIE, «Medical Imaging 2000: PACS Design and Evaluation: Engineering and Clinical Issues», edited by G. James Blaine and Eliot L. Siegel. 2000, p.278

83. В. Jahne, Н. Scharr, and S. Korkel. Principles of filter design. In Handbook of Computer Vision and Applications. Academic Press, 1999. p.67

84. N. Otsu (1979). «A threshold selection method from gray-level histograms». IEEE Trans. Sys., Man., Cyber, pp. 62-66.

85. http://citeseer.nj.nec.eom/cache/papers/cs/4013/ftp:zSzzSzftp.ifi.uio.nozSzpubzSztrierzSzev al_TR.pdf/evaluation-of-binarization-methods.pdf

86. Тимофеев Б. С., Обухова Н. А. Алгоритм сегментации объектов в последовательности видеокадров методами нечеткой логики // Информационно-управляющие системы. 2006. №3. с. 12-18.

87. Тимофеев Б. С., Обухова Н. А. Системы видеообнаружения и сопровождения подвижных объектов // Телекоммуникации. 2003. № 12. с. 36-44.

88. Буймов А.Г. Корреляционно-экстремальная обработка изображений // ТГУ, Томск, 1987г. с 103.

89. Иванов В.А Моделирование корреляционного сопровождения объектов в реальном времени // Автометрия №3, 1991 г, Новосибирск, «Наука».

90. Траер Д, Джейн К. Целевая оценка эффективности методов бинаризации // URL:http://citeseer.nj .nec.com/cache/papers/cs/4013/ftp:zSzzSzftp.ifi.uio.nozSzpubzSztrier zSzeval_TR.pdf/goal-directed-evaluation-of.pdf, 1995.

91. S. U. Lee and S. Y. Chung, "A comparative performance study of several global thresholding techniques for segmentation," Computer Vision Graphics Image Processing, Vol. 52, 1990, pp. 171-190.

92. Цифровая обработка телевизионных и компьютерных изображений/ Под ред. Зубарева Ю.Б., Дворковича В,П, М.: Международный Центр научной и технической информации, 1997.с. 212.

Список публикаций автора

AI. Мотыко A.A. Алгоритм поиска характерных точек на изображениях при создании панорам.// Сборник докладов Научной сессии ГУАП, ч. 2, технические науки, 12-16 апреля, 2010 г., СПб, 20 Юг, с. 47-50.

А2. Мотыко A.A., Тимофеев Б.С. Измерение скорости транспортных средств на основе анализа видеопоследовательности.// Сборник докладов Научной сессии ГУАП, ч. 2, технические науки, 12-16 апреля, 2010 г., СПб, 20 Юг, с. 67-70.

A3. Мотыко A.A., Обухова H.A. Особенности построения панорамных изображений в условиях сюжетов с низкой детальностью.// Сборник докладов Научной сессии ГУАП, ч. 2, технические науки, 11-15 апреля, 2011 г., СПб, 2011г, с. 42-44.

A4. Мотыко A.A. Формирование панорамного представления видеоизображений, получаемых от нескольких камер.// Сборник докладов 7-й международной конференции «Телевидение: передача и обработка изображений»,29-30 июня 2009г, СПб, ЛЭТИ, сс. 180-185.

А5. Мотыко A.A., Обухова H.A. Метод формирования панорамных изображений в телевизионных системах транспортного мониторинга. // Сборник докладов 8-й международной конференции «Телевидение: передача и обработка изображений», 30 -31 мая 2011 г, СПб, ЛЭТИ, сс 156-159.

А6. Мотыко A.A., Тимофеев Б.С. Измерение параметров транспортных потоков телевизионными средствами // Сборник докладов 8-й международной конференции «Телевидение: передача и обработка изображений»,30-31 мая 2011г,СПб, ЛЭТИ, сс. 164-167.

А7. Мотыко A.A., Обухова H.A. Синтез панорамных изображений с учетом оценки достоверности характерных точек // Материалы шестьдесят третьей научно-технической конференции, 21-25 февраля 2011г., СПб, ГУТ, сс 254-256.

А8. Мотыко A.A., Метод формирования панорамного изображения в телевизионной системе транспортного мониторинга, // Известия высших учебных заведений России. Радиоэлектроника, №2, 2011 г., СПбГЭТУ «ЛЭТИ», 2011г., сс 74-84. А9. Мотыко A.A., Тимофеев Б.С. Измерение скоростей автомобилей путем анализа видео последовательности// Информационно-управляющие системы, № 1, СПб,2012 г.,сс.2-7 А10. Мотыко A.A. Реализация процедуры выделения контуров изображений для алгоритма сегментации движущихся транспортных средств с использованием SSE инструкций процессоров, свид-во об отраслевой регистрации разработки № 17761 / A.A. Мотыко; СПб ГУАП,- М.: ВНИТЦ, 2011, № 50201250048 All. Мотыко A.A. Реализация процедуры получения препарата абсолютной межкадровой разности для алгоритма сегментации движущихся транспортных средств с использованием S SE команд процессоров, свид-во об отраслевой регистрации разработки № 17762 / A.A. Мотыко; СПб ГУАП,- М.: ВНИТЦ, 2011, № 50201250049 AI2. Мотыко A.A. Алгоритм корреляционно-экстремального сопровождения

транспортных средств в кадрах видеопоследовательности, оптимизированный для современных процессоров производителей Intel и Amd, свид-во об отраслевой регистрации разработки № 17763 / A.A. Мотыко; СПб ГУАП,- М.: ВНИТЦ, 2011, № 50201250050

А13. Мотыко A.A. Алгоритм определения коэффициента увеличения размера проекции транспортного средства в плоскости растра, по мере приближения транспортного средства к видеокамере, свид-во об отраслевой регистрации разработки № 17764 / A.A. Мотыко; СПб ГУАП,- М.: ВНИТЦ, 2011, № 50201250051 А14. Мотыко A.A. Алгоритм автоматической сегментации транспортных средств для комплексной телевизионной системы транспортного мониторинга, свид-во об отраслевой регистрации разработки № 17765 / A.A. Мотыко; СПб ГУАП.- М.: ВНИТЦ, 2011, №50201250052