Отображение и определение параметров протяженных объектов при телевизионном наблюдении тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Афанасенко, Арсений Сергеевич

• Афанасенко, Арсений Сергеевич
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Афанасенко, Арсений Сергеевич

Список сокращений.

Введение.

Раздел 1. Анализ современного уровня развития интеллектуальных систем телевизионного наблюдения.

1.1. Назначение и сферы применения интеллектуальных телевизионных систем.

1.2. Принципы построения интеллектуальных систем наблюдения.

1.3. Основные задачи обработки информации, решаемые в рамках интеллектуальных систем наблюдения.

1.3.1. Выделение объектов.

1.3.2. Оценка параметров объекта.

1.4. Особенности наблюдения за протяженными объектами.

1.5. Основные сведения о панорамных изображениях.

1.5.1. Области применения панорамных изображений.

1.5.2. Панорамные проекции и их свойства.17?

1.5.3. Технические средства, используемые для формирования панорамных изображений.

1.6. Постановка исследовательских задач.

Раздел 2. Разработка* и обоснование алгоритма выделения протяженных подвижных объектов на изображении.

2.1. Специфика задачи и общий принцип ее решения.

2.1.1. Существующие подходы к выделению объектов.

2.1.2. Характерные свойства объекта.

2.1.3. Факторы, затрудняющие выделение протяженных объектов.

2.2. Адаптивное моделирование фона.

2.2.1. Применение статистического моделирования фона для выделения объектов

2.2.2. Моделирование фона авторегрессионным процессом.

2.2.3. Моделирование фона гауссовой смесью.

2.3. Обнаружение объектов по разности кадров.

2.3.1. Принципы обнаружения по межкадровой разности.

2.3.2. Статистические свойства энергии межкадровой разности.

2.3.3. Выделение объектов по порогу.

2.4. Усовершенствованный алгоритм выделения объектов.

2.4.1. Моделирование фона с учетом локальной структуры изображения.

2.4.2. Реализация метода главных компонент.

2.4.3. Применение МГК для выделения объектов.

2.5. Оценка движения объекта.

2.5.1. Уравнение оптического потока.

2.5.2. Вычисление оптического потока.

2.5.3. Использование робастных алгоритмов оценки.

2.5.4. Метод наименьшей медианы квадратов.

2.6. Сравнение алгоритмов выделения объектов.

2.6.1. Методика построения рабочей характеристики приемника для алгоритма выделения объектов.

2.6.2. Рабочие характеристики различных алгоритмов выделения.

2.7. Краткие выводы.

Раздел 3. Разработка алгоритма оценки скорости протяженного подвижного объекта по телевизионному изображению.

3.1. Общая постановка задачи.

3.1.1. Необходимость оценки скорости при построении панорамного изображения

3.1.2. Условия наблюдения.

3.1.3. Специфика задачи.

3.1.4. Общаяххема обработки данных.

3.2. Анализ вероятности появления аномальных результатов при измерении оптического потока различными методами.

3.2.1. Классификация результатов измерения оптического потока.

3.2.2. Вероятность появления аномальных результатов при использовании традиционного метода сопоставления блоков.

3.2.3. Вероятность появления аномальных результатов при использовании многомасштабного сопоставления блоков.

3.2.4. Анализ вычислительной сложности иерархического алгоритма сопоставления блоков.

3.2.5. Влияние шумов на вероятность появления аномальных векторов движения

3.2.6. Способы восстановления значений векторов движения, подверженных аномальной погрешности.

3.3. Формирование устойчивой оценки скорости движения протяженного объекта.

3.3.1. Методика оценки качества работы алгоритмов сглаживания.

3.3.2. Оценка с помощью фильтра Калмана.

3.3.3. Оценка с использованием безынерционного нелинейного преобразователя.

3.3.4. Оценка скорости на основе кластерного анализа векторов движения.

3.3.5. Сравнение эффективности алгоритмов сглаживания в различных условиях.

3.4. Снижение погрешности измерения векторов движения.

3.4.1. Субпиксельная оценка» смещений при использовании алгоритма сопоставления блоков.

3.4.2. Субпиксельная оценка с использованием аппроксимации функции рассогласования блоков.

3.4.3. Сравнение алгоритмов субпиксельной оценки смещений.

3.4.4. Использование переменного интервала измерения векторов движения.

3.5. Краткие выводы.109j

Раздел 4. Аналитическая обработка изображений в системе дистанционного осмотра железнодорожных составов.

4.1. Описание системы дистанционного осмотра грузового подвижного состава на. железной дороге.

4.1.1. Назначение и состав системы.

4.1.2. Существующие аналоги.

4.1.3. Способы расширения поля зрения телевизионных систем на железнодорожномаранспорте.

4.1.4. Схема обработки данных в системе дистанционного осмотра подвижного состава.

4.2. Формирование панорамной проекции состава.

4.2.1. Геометрическая модель проекции.

4.2.2. Расчет векторного поля смещений объекта в различных частях растра.

4.2.3. Устранение аномальной погрешности при измерении карты смещений.124'

4.2.4. Стыковка фрагментов панорамы и восстановление построчной структуры растра.

4.2.5. Коррекция геометрических искажений при построении панорамы.

4.2.6. Влияние встречной засветки и неподвижных теней.

4.3. Обнаружение стыков между вагонами грузового состава.

4.3.1. Формулировка задачи.

4.3.2. Анализ видимого движения в центре кадра.

4.3.3. Опознавание стыка по выбросам ошибки предсказания изображения.

4.3.4. Идентификация сцепного устройства.

4.3.5. Опознавание стыка по совокупности признаков.

4.4. Краткие выводы.

Введение диссертации (часть автореферата) на тему «Отображение и определение параметров протяженных объектов при телевизионном наблюдении»

На современном этапе развития средств автоматического контроля и управления является актуальной проблема повышения эффективности технических систем сбора и обработки информации. Потребность в таких системах чрезвычайно высока в различных сферах человеческой деятельности, включая промышленность, транспорт, науку, сервис, системы безопасности. Особое экономическое значение имеют так называемые интеллектуальные технические системы, способные полностью заменить человека в ряде случаев или существенно облегчить его труд при обработке больших объемов информации.

Телевизионные системы, как один из классов систем сбора и обработки информации, обладают рядом особенностей. Среди них — объективность и высокая информативность, широкие возможности обработки сигналов с целью извлечения данных об объектах наблюдения. При этом возникают значительные объемы передаваемых данных и повышенные требования к производительности программного и аппаратного обеспечения. Использование телевизионного наблюдения позволяет существенно повысить эффективность интеллектуальных систем.

Задачи извлечения информации из телевизионных сигналов на сегодняшний день решаются методами компьютерной обработки. В зависимости от свойств объектов наблюдения и условий применения телевизионных систем алгоритмы и методы обработки существенно отличаются. Настоящая работа посвящена решению задач, связанных с обработкой видеоданных от протяженных объектов. Протяженными считаются такие объекты, геометрические размеры которых сопоставимы с размерами поля зрения применяемых телевизионных камер или существенно превосходят его. При такой формулировке возможны две ситуации: - изображение объекта в определенные моменты времени полностью умещается в телевизионном растре;

- размеры объекта превосходят поле зрения телевизионной: системы, в результате; в течение: наблюдения в кадр попадают различные части объекта. .

В обоих случаях при выделении объекта из; фона; и определении его . параметров возникают специфические трудности, связанные; с подобием фрагментов объекта и фона. Во втором, случае для целостного отображения объекта необходимо извлекать информацию из последовательности телевизионных кадров. Одним из способов отображения объекта в данном случае является формирование панорамнойшроекции, которая позволяет:

- расширить поле зрения телевизионной системы без применения; дополнительных технических средств (например, поворотных устройств, параболических зеркал; дополнительных камер);:

- создать комфортные условия наблюдения для ', оператора телевизионной; системы;

- сохранить изображение протяженного объекта в компактном виде с возможностью, его передачи по каналам- связи с низкой пропускной, . способностью;

- провести измерение параметров и характеристик объекта (в том числе габаритов и формы).

Примерами использования интеллектуальных систем, требующих отображения и определения параметров протяженных объектов, являются:

- дистанционный осмотр подвижного состава железных дорог;

- съемка местности с низколетящего летательного аппарата;

- зрение роботов.

Основной целью работы является разработка и анализ алгоритмов обработки телевизионного сигнала, позволяющих определить параметры протяженного объекта и осуществить его целостное отображение в сложных условиях наблюдения. В результате использования предложенных в работе решений повышается четкость изображения;, расширяется поле зрения телевизионной системы, измерение ряда параметров и характеристик объекта осуществляется автоматически.

Достижение поставленной в работе цели требует решения следующих основных задач:

- выработать и обосновать меры адаптации существующих алгоритмов выделения объектов из фона с учетом особенностей наблюдения за протяженными объектами;

- разработать методику синтеза панорамной проекции протяженного объекта при его движении относительно камеры наблюдения;

- исследовать алгоритм оценки скорости протяженного объекта по телевизионному изображению;

- разработать алгоритмы определения, параметров протяженных объектов на примере системы осмотра грузовых железнодорожных составов;

- выполнить моделирование предложенных алгоритмов и экспериментально оценить их эффективность;

- обеспечить внедрение полученных результатов в системе дистанционного осмотра грузовых железнодорожных составов.

Основные положения, выносимые на защиту:

1. Алгоритм определения границ протяженного объекта на сложном нестационарном фоне с использованием метода главных компонент.

2. Способ отображения протяженного объекта с помощью панорамной проекции (на примере железнодорожного состава).

3. Получение устойчивой оценки скорости протяженного объекта на основе кластерного анализа векторов смещения.

4. Применение достигнутых научных результатов в системе дистанционного осмотра грузового подвижного состава железных дорог.

Практическая ценность работы определяется тем, что на основе предложенных алгоритмов разработан ряд систем дистанционного осмотра грузового подвижного состава железных дорог, предоставляющих оператору дополнительную (по сравнению с существующими аналогами) информацию:

- статические изображения вагонов с повышенным разрешением и частично исправленными геометрическими искажениями;

- параметры движения состава при въезде на станцию (скорость, направление, случаи остановок);

- порядковые номера вагонов и общее число вагонов в составе (даже при отсутствии габаритных ворот, предоставляющих эту информацию в аналогичных системах).

Помимо железнодорожного мониторинга, разработанные алгоритмы могут быть использованы в других областях, где требуется обработка изображений протяженных объектов.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Афанасенко, Арсений Сергеевич

Основные результаты проведенного исследования могут быть использованы:

- научными организациями, занимающимися исследованиями в области обработки изображений и машинного зрения;

- научно-производственными предприятиями, ведущими разработку интеллектуальных систем с обработкой телевизионной информации;

- учреждениями высшего профессионального образования в учебном процессе.

Направлениями дальнейших исследований по • тематике диссертационной работы являются:

- усовершенствование алгоритма выделения протяженных объектов из фона с целью уменьшения влияния теней, засветок, шумов и помех на точность выделения;

- исследование способов построения панорамной проекции протяженного объекта, позволяющих уменьшить влияние параллакса, неточности установки телевизионных камер и неравномерного освещения;

- расширение области практического применения разработанных методик.

Заключение

В диссертационной работе проведено исследование метода обработки телевизионного сигнала, позволяющего повысить производительность труда операторов при обслуживании интеллектуальных систем наблюдения1 за протяженными подвижными объектами. Достигнуто улучшение по таким показателям, как четкость изображения и ширина поля зрения телевизионной системы. Отображение при помощи панорамной проекции улучшает восприятие визуальной информации человеком и позволяет автоматизировать измерение ряда параметров и характеристик объекта

Проведено исследование особенностей извлечения информации из телевизионного сигнала при наблюдении протяженного подвижного объекта. Для решения задачи выделения объекта из фона предложен алгоритм, основанный на дискретном разложении Карунена-Лоэва. Объективное сравнение данного алгоритма с рядом аналогичных алгоритмов, используемых в машинном зрении для выделения объектов, позволяет судить о том, что в сложных условиях наблюдения разработанный алгоритм превосходит аналоги по точности выделения, но имеет более высокую вычислительную сложность.

Исследованы особенности измерения скорости протяженного объекта по телевизионному изображению. В реальных условиях наблюдения оценка скорости затруднена наличием большого числа аномальных данных среди результатов измерения смещений на изображении. Для снижения вероятности появления аномальных выбросов предложен ряд модификаций алгоритма сопоставления блоков, широко используемого при компенсации движения. Проведен анализ чувствительности предложенного алгоритма к шумам. Для получения устойчивой оценки скорости объекта разработан алгоритм кластерного анализа результатов измерения, имеющий ряд преимуществ по сравнению с традиционными алгоритмами линейного (фильтр Калмана) и нелинейного (безынерционный нелинейный преобразователь) оценивания.

Рассмотрены принципы формирования панорамной проекции протяженного объекта. Панорамирование происходит при: линейном перемещении объекта, относительно камеры наблюдения! (или наоборот). В зависимости от характеристик объектива формируемая проекция по своим- свойствам является; эквидистантной^ (в; случае: использования объектива, «рыбий глаз») или прямолинейной (при нормальном фокусном расстоянии объектива); Построение проекции обеспечивается измерением векторного поля- смещений различных частей объекта в плоскости растра. Одновременно с панорамированием выполняется восстановление построчной развертки (при использовании чересстрочного датчика изображения), что позволяет, при отсутствии: апертурных искажений; повысить вертикальную четкость изображения* в 2 раза. За счет совмещениям большого числа фрагментов геометрические искажения по горизонтали) снижены до величины 0,5% (при: искажениях на исходном изображении; снятом, сверхширокоугольным объективом, составляющих 105%).

В качестве примера:практического' использования; предложенного в работе: метода приводится* описание разработанной1 на: кафедре электронных и телевизионных систем СПб ГУАГ1 совместно с ПК НИК «Автоматизация» системы дистанционного осмотра; грузовых железнодорожных составов. Данная; система использует алгоритм выделения объекта на основе метода главных компонент, определение скорости состава с использованием кластерного анализа, построение панорамной; проекции, ее разбиение на изображения отдельных вагонов с использованием предложенного алгоритма опознавания стыков между вагонами.

Практическая ценность работы заключается в том, что на основе предложенных алгоритмов разработан ряд систем дистанционного осмотра грузового подвижного состава1 железных дорог, предоставляющих оператору дополнительную, по сравнению с существующими аналогами, информацию:

- статические изображения; вагонов; с повышенным разрешением- (до 1,5 мегапикселей)ш скорректированными геометрическими искажениями;

- параметры движения состава при въезде на станцию (скорость, направление, факты остановок);

• - порядковые номера вагонов и общее число вагонов в составе.

Помимо железнодорожного мониторинга, разработанные алгоритмы могут быть использованы в других областях, где требуется обработка изображений протяженных объектов.

Список литературы диссертационного исследования кандидат технических наук Афанасенко, Арсений Сергеевич, 2009 год

1. Шиффман, X. Р. Ощущение и восприятие / Х/Pl Шиффман; 5-е изд. СПб.: Питер, 2003. 928 с.

2. Ко Пег, D. Towards Realtime Visual Based Tracking in Cluttered Traffic Scenes / D. Koller, J. Weber, J. Malik. In Proc. of the Intelligent Vehicles Symposium. P. October 24-26, 1994. Pp. 201-206.

3. Липкин, И. А. Основы статистической радиотехники, теории информации и кодирования / И. А. Липкин. М.: Советское радио, 1978. 238 с.

4. Богданович, В. А. Теория устойчивого обнаружения, различения и оценивания сигналов / В. А. Богданович, А. Г. Вострецов; 2-е изд., испр. М.: Физматлит, 2004. 320 с.

5. Shyder, J. P. Map Projections A Working Manual / J. P. Shyder. U. S. Geological Survey Professional Paper 1395. Washington, DC: U. S. Government Printing Office. 1987.

6. Тимофеев, Б.С. Системы видеонаблюдения железнодорожных составов / Б. С. Тимофеев // Информационно-управляющие системы. 2004. № 1. С. 2-9.

7. Techniques for fisheye lens calibration using a minimal number of measurements / T. N. Mundhenk, M. J. Rivett, X. Liao, E. L. Hall. // http://www.robotics.uc.edu. 2000.

8. US Patent 6157018. Omni directional vision photograph device / I. Hiroshi, N. Osamu.

9. Программное обеспечение фирмы Easypano Holdings Inc. для создания сферических и цилиндрических фотопанорам и публикации их в сети Интернет. — http://www.easvpano.com/panorama-software.html.

10. Бесплатное программное обеспечение для создания фотопанорам UnWrapper фирмы Bellissimo Inc. http://www.0-360.com/software.asp.

11. Hase, H. Real-time snowfall noise elimination / H. Hase, K. Miyake, M. Yoneda. In ICIP. 1999.

12. Трайнев, В1 А. Параметрические модели в экспертных методах оценки при принятии решений'/ В. А. Трайнев, О. В. Трайнев. М.: Прометей. 2003. 232 с.

13. Ван Трис, Г. Теория обнаружения, оценок и модуляции / Г. Ван Трис; пер. с англ. // вк2 т. М.: Советское радио! 1972. Т. 1. 744 с.

14. Фукунага, К. Введение в статистическую теорию распознавания образов / К. Фукунага; пер. с англ. М.: Наука. 1979. 389 с.

15. Ridder, С. Adaptive background.estimation and foreground detection'using Kalman-filtering / G. Ridder, O. Munkelt, H. Kirchner // Proceedings of International

16. Conference on recent Advances in Mechatronics, ICRAM'95, UNESCO chair on Mechatronics. 1995. Pp. 193-199.

17. Koler, D. Towards robust automatic traffic scene analysis in real-time / D. Koler, J. Weber, T. Huang, et al. // In Proc. of the International Conference on Pattern Recognition. Israel. Nov. 1994.

18. Хемминг, P. В. Цифровые фильтры / P. В. Хемминг; пер. с англ. В. И. Ермишина. М.: Советское радио. 1980. 224 с.

19. Stauffer, С. Adaptive background mixture models for real-time tracking / C. Stauffer, W.E.L. Grimson // In Proceedings CVPR. 1999. Pp. 246-252.• 21. Titterington, D> Statistical Analysis of Finite Mixture Distributions / D.

20. Titterington, A. Smith, U. Makov. NY: John Wiley & Sons. 1985.

21. Permuter, H. H. Gaussian mixture models of texture and colour for imagetdatabase retrieval / H.H. Permuter, J. Francos and I.H. Jarmyn (2003) // IEEE1.ternational Conference on Acoustics, Speech, and Signal Processing. 2003. Proceedings.

22. Dempster, A. P. Maximum likelihood from incomplete data via the EM algorithm / A. P. Dempster, N. M. Laird, D. B. Rubin // Journal Royal Statistics Society. 1977. Vol. 39. No. 1. Pp. 1-21.

23. Sonka, M. Image Processing, Analysis and Machine Vision / M. Sonka, V. Hlavac, R. Boyle. NY.: Chapman and Hall. 1993.

24. Обухова, H.A. Обнаружение и сопровождение движущихся объектов методом сопоставления блоков / Н. А. Обухова,// Информационно-управляющие системы. 2004. № 1. С. 30-37.

25. Background modeling and subtraction of dynamic scenes / A-. Monnet, A. Mittal, N. Paragios, M. Ramesh // In proc. of 9-th International Conference on Computer Vision. 2003. Vol. 2. Pp. 1305-1312:

26. Стренг, Г. Линейная алгебра и ее применения / Г. Стренг. М.: Мир. 1980.454 с.

27. Гайдышев, И. Анализ и обработка данных / И. Гайдышев. СПб.: Питер. 2001.542 с.

28. Прэтт, У. Цифровая обработка изображений / У. Прэтт. М.: Мир, 1982. Кн. 1.312 с.

29. ISO/IEC 13818-2 | ITU-T Н.262 (MPEG-2 Video), Information Technology Generic Coding of Moving Pictures and Associated Audio Information: Video, 1995.

30. Oja, E. On stochastic approximation of the eigenvectors and eigenvalues of the expectation of random matrix / E. Oja, J. Karhunen // Journal of Mathematical Analysis and Applications. 1985. No. 106. Pp. 69-84.

31. Sanger, T. D. Optimal unsupervised learning in a single-layer linear feedforward neural network / T. D. Sanger I I Neural Networks. 1989. Vol. 2. Pp. 459473.

32. Kung, S.Y. Adaptive Principal Component Extraction (APEX) and applications / S. Y. Kung, К. I. Diamantaras, J. S. Taur // Signal Processing, IEEE Transactions on Speech, and Signal Processing. May 1994. No. 42(5). Pp. 1202-1217.149

33. Осовский, С. Нейронные сети для: обработки информации /. С. Оссовский; пер. с польского. М.: Финансы и статистика. 2002. 344 с.

34. Turk, М. Face recognition using eigenlaces / M. Turk, A. Pentland // Proc. IEEE Conference on Computer Vision and Pattern Recognition. 1991. Pp. 586-591.

35. Face Recognition: A Comparison of Appearance-Based Approaches // T. Heseltine, N. Pears, J. Austin, Z. Chen // Proc. Vll-th Digital Image Computing: Techniques and Applications. 2003. Vol. 1. Pp. 59-68.

36. Нот, В. K. P. Determining optical flow / В. K. P. Horn, B. G. Schiinck // Artificial Intelligence. 1981. Vol. 17. Pp. 185-203.

37. McCandless, J. W. Detection of aircraft in video sequences using a predictive optical flow algorithm / Jt W. McCandless // Optical Engineering. 1999. No. 3. Pp.' 523530.

38. Reviews of Optic Flow,. Motion Segmentation, Edge; Finding and Corner Finding; Technical report, Robotics Research Group, Department of. Engineering Science, Oxford University, 1997.

39. Быстрые алгоритмы в цифровой обработке изображений. Преобразования и медианные фильтры / ред. Т. С. Хуанг; пер. с англ. М.: Радио и связь, 1984. 224 с.

40. Rousseeuw, P. J. Least Median of Squares Regression / P. J. Rousseeuw // Journal of the American Statistical Association. 1984. №79. Pp. 871-880.

41. Rousseeuw, P. J. Robust regression and; outlier detection / P. J: Rousseeuw, A. M. Leroy. NY: John Wiley. 1987.

42. Y. J. Zhang. A survey on evaluation'methods for image segmentation. Pattern Recognition, 29:1335-1346, 1996.

43. Fawcett, T. ROC Graphs: Notes and Practical Considerations for;Researchers/

44. Афапасепко, A. G. Оценка методов формирования видеопанорамы движущихся объектов? / А. С. Афанасснко, Б: С. Тимофеев // Телевидение: передача июбработка изображений; Материалы 4-й международной конференции. ГЭТУ. СПб. 2005. С. 89-90.

45. A. Zimmerman, R. Hartley. Multiple View Geometry in Computer Vision. Cambridge University Press, 2004.

46. Дистанционный осмотр железнодорожных составов / Б. С. Тимофеев, Н.

47. A. Обухова, А. С. Афанасенко, М. П. Плетников. М.: ВНТИЦ, 50200702286, 2007.

48. Афанасенко, А. С. Обработка данных при измерении скорости протяженного подвижного объекта / А. С. Афанасенко // Научная сессия ГУАП: сб. докл.: в 3 ч. Ч. II. Технические науки. ГУАП. СПб. 2008. С. 3-6.

49. Smith S. Reviews of Optic Flow, Motion Segmentation, Edge finding and Corner Finding. D. Phil, thesis. Robotics Research Group, Department of Engineering Science, Oxford University, 1992.

50. F. Dufaux, F. Moscheni. Motion estimation techniques for digital TV: A review and a new contribution. Proceedings of the IEEE, 83(6):p.858-875, 1995.

51. Jain J.R, Jain K.A. Displacement measurement and its application in interframe image coding// IEEE Trans. Commun.,Vol Com 29, 1981. p. 1.799-1.806.

52. Цифровая обработка телевизионных и компьютерных изображений / А.

53. B. Дворкович, В. П. Дворкович, Ю. Б. Зубарев и др.; 2-е изд., перераб. и доп. М.: Радио и связь, 1997. 212 с.

54. Stefano, L. Vehicle Detection and Tracking Using the Block Matching Algorithm / L. Stefano, E. Viarani // Proc. of 3rd IMACS/IEEE, Athens, Greece. July 1999. Vol. l.Pp. 4491-4496.

55. Васин, H.H. Обработка видеосигналов для измерения скорости движения железнодорожных вагонов на сортировочной горке / Н. Н. Васин, В. Ю. Куринский // Компьютерная оптика, ИСОИ РАН. Самара. 2005. Вып. 27. С. 185— 188.

56. Thoma, R. Motion compensating interpolation considering covered and uncovered background / R. Thoma, M. Bierling // Signal Processing: Image Communications. 1989. Vol. l.Pp. 191-212.

57. Голъденберг, JI. M. Цифровая обработка сигналов: Справочник / Л. М. Гольденберг, Б. Д. Матюшкин, М. Н. Поляк. М.: Радио и связь, 1985. 312 с.

58. Афанасенко, А. С. Повышение достоверности измерения движения на видеоизображении с помощью нечеткой логики / А. С. Афанасенко // Научная сессия ГУАП: сб. докл.: в 3 ч. Ч. I. Технические науки. ГУАП. СПб. 2006. С. 124126.

59. ГОСТ Р 51558-2000. Системы охранные телевизионные. Общие технические требования и методы испытаний. М.: Издательство стандартов, 2000.

60. ETSI EN 50132: CCTV surveillance systems for use in security applications. Video transmission.

61. A simple and robust method for moving target tracking / G. Baldini, P. Campadelli, D. Cozzi, R. Lanzarotti // In Proc. of IASTED. 2002.

62. Dante, A. Precise real-time outlier removal from motion vector fields for 3d reconstruction / A. Dante, M. Brookes // In Proceedings, International Conference on Image Processing, 2003.

63. Румшиский, JI. 3. Математическая обработка результатов эксперимента. Справочное руководство / Л. 3. Румшиский. М.: Наука, 1971. 235 с.

64. Обухова, Н. А. Методы повышения эффективности систем видеонаблюдения / Н. А. Обухова, Б. С. Тимофеев // Телевидение: передача и обработка изображений. Материалы 4-й международной конференции. ГЭТУ. СПб. 2005. С. 85-87.

65. Уидроу, Б. Адаптивная обработка сигналов / Б. Уидроу, С. Стирнз; пер. с англ. Ю. К. Сальникова; ред. В. В. Шахгильдян. М.: Радио и связь, 1989. 440 с.

66. Адаптивные фильтры / Коуэн К. Ф. Н., Грант П. Mi, Фридлендер Б. и др.; пер. с англ. Н. Н. Лихацкой; ред. С. М-. Ряковский. М.: Мир, 1988. 216 с.

67. Фомин, А. Ф. Отбраковка аномальных результатов измерений / А. Ф. Фомин, О. Н. Новоселов, А. В. Плющев. М.: Энергоатомиздат, 1985. 138 с.152

68. Bellers, E. В. Analysis of sub-pixel'Motion Estimation / E. B. Bellers, G. de HaanV/ SMPTE Journal November 1997. No. 106. Pp. 777-786.

69. Graphics Gems / ed. Andrew S. Glasser. San Francisco: Morgan Kaufman,. 1993. 833 p.

70. Афанасенко, А. С. Высокоточное* измерение движения на видеоизображениях / А. С. Афанасенко // 4-я Международная научно-техническая конференция «Цифровые и информационные технологии в электронной медиаиндустрии 2006»: тез. докл. ГУКиТ. СПб. 2006. С. 24.

71. Bellers, Е. В. Sub-pixel accurate motion estimation,/ E. В. Bellers, G. de Haan //Proceedings of SPIE, VCIP'99. Jan. 1999. Pp. 1452-1463.

72. Zitova, B. Image registration^ methods: a survey / B. Zitova, S. Flusser // Elsevier Image and Vision Computing. 2003. No. 21. Pp. 977-1000.

73. Афанасенко, А. С. Формирование видеопанорамы движущегося состава' в.системе видеонаблюдения на* железной дороге / А'. С. Афанасенко // 8-я научная сессия ГУАП: сб. докл.: в 3 ч*. Ч. I. Технические науки. ГУАП. СПб. 2005. С. 154157.

74. Tsarev, V. A. Basic principles of vehicles optoelectronic identification1 system development / V. A. Tsarev // Pattern Recognition1 and Image Analysis. 2005. Vol. 15. No. 2. Pp. 454-457.

75. Nayar, S. К. Catadioptric Omnidirectional Camera / S. К. Nayar // Proc. of IEEE Computer Vision and Pattern Recognition (CVPR). June 1997.

76. Fischler, М. A. Random sample consensus: A paradigm for model fitting with application to image analysis and automated cartography / M. A. Fischler, R.C. Bolles // Communications of the ACM. 1981. No. 24(6). Pp. 381-395.

77. Gevers, T. PickToSeek: Combining Color andf Shape Invariant Features for Image Retrieval / T. Gevers, A. W. M. Smeulders // IEEE Transactions on Image Processing. 2000. No. 9(1). Pp. 102-119.

78. Афанасенко, А. С. Аналитическая обработка изображения^ движущегося железнодорожного состава / А. С. Афанасенко // Научная сессия ГУАП: сб. докл.: в 3 ч. Ч. И. Технические науки. РУАП'. СПб. 2007. С. 5-8.

79. Афанасенко, А, С. Исследование признаков для определения числа вагонов в железнодорожном составе по телевизионному изображению / А. С. Афанасенко, Б. С. Тимофеев // Вестник ТГТУ. 2007. Т. 13. №4. С. 862-873.

80. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features / P.Viola, MJ.Jones. IEEE CVPR. 2001.

81. Mallat, S. Multifrequencies Channel Decompositions of Images and Wavelets Models / S. Mallat // IEEE Transactions on Acoustics, Speech and Signal Processing. 1989. No. 37(12).