WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 | 2 ||

Алгоритмы анализа движения по оптическому потоку имеют высокую вы­ числительную сложность, поэтому не подходят для систем видеонаблюдения в больших помещениях, где используется большое количество камер. Поэто­ му в предлагаемом методе обнаружения объектов анализ движения выпол­ няется на основе векторов движения для блоков, что позволяет существенно повысить скорость работы.

Рис. 5 иллюстрирует основную идею поиска векторов движения для бло­ ков. Текущий кадр разбивается сеткой на блоки фиксированного размера.

Для каждого блока из текущего кадра находится блок в предыдущем кадре, на котором достигается минимум функция соответствия. Вектор движения определяется из взаимного расположения этих блоков. В результате работы алгоритма получаем поле векторов движения для блоков (рис. 6). Краткий обзор алгоритмов поиска векторов движения для блоков приведён в Прило­ жении А. В статье [2] можно найти более полный обзор.

Рис. 5. Поиск векторы движения для блока Рис. 6. Поле векторов движения Найденный при помощи минимизации вектор движения для блока может не соответствовать реальному движению этого блока. Назовём такой вектор ошибочным. Использование ошибочных векторов негативно сказывается на качестве анализа движения. Чаще всего такие векторы соответствуют блокам изображения без деталей. Есть два основных признака ошибочности вектора:

1. большое значение функции соответствия блоков для этого вектора;

2. значительное отличие этого вектора от соседних векторов.

Для выявления ошибочных векторов предлагается использовать функцию доверия, описанную автором в работе [6]. При построении функции учиты­ вались соображения, приведённые в предыдущем абзаце. Функция доверия имеет следующий вид (I1, I2, Bi,j, vi,j) = = a1 · F (I1, I2, Bi,j, vi,j)-1 + a2 · G(vi,j, {V })-1 + a3 · H(I1, Bi,j) (8) Здесь I1, I2 — текущий и предыдущий кадры; Bi,j, vi,j — блок и вектор дви­ жения для него; a1, a2, a3 — весовые коэффициенты; F (I1, I2, Bi,j, vi,j) — функ­ ция соответствия блоков; G(vi,j, {V }) — функция, характеризующая близость вектора v к соседним векторам {V }; H(I1, Bi,j) — Функция, оценивающая на­ личие деталей в блоке изображения.

Вектор vx,y считается ошибочным, если значение функции доверия (I1, I2, Bx,y, vx,y) превышает порог T. Значения весовых коэффициентов и порога определяются эмпирически.

Для обнаружения областей интереса при помощи поворотных камер пу­ тём анализа движения требуется исключить смещение блоков изображения, связанное с движением камеры или зуммированием. Для этого применяется собственный алгоритм компенсации глобального движения [3, 7].

1. Выполнить фильтрацию поля векторов по значению функции доверия.

2. Повторить N раз:

а. выбрать случайным образом три вектора из поля векторов движе­ ния;

б. вычислить параметры аффинного преобразования по тройке век­ торов;

в. обновить гистограмму по каждому параметру аффинной модели глобального движения.

3. При помощи алгоритма водораздела выделить пики гистограмм, лежа­ щие выше порога t1.

4. Из значений параметров, соответствующих пикам, построить набор па­ раметров-кандидатов.

5. Выбрать параметры, на которых достигается минимум межкадровой разницы.

C помощью найденных параметров глобального движения вычисляются векторы глобального движения для блоков. По векторам вычисляется ошибка соответствия блоков. Блоки, для которых ошибка соответствия превышает порог t2, помечаются как принадлежащие объекту.

Анализ движения выполняется со скоростью 200 кадров (320x240 пиксе­ лей) в секунду на Pentium 4 ( 2.8 ГГц), что позволяет в реальном времени обрабатывать информацию от 40 камер на одной машине.

Для обнаружения областей интереса при помощи фиксированных камер используются моделирование фона в виде смеси гауссианов и анализ движе­ ния по отличию векторов для блоков от нулевых. Общая схема метода обна­ ружения областей интереса при помощи камер представлена на рис. 7. Метод Рис. 7. Схема предложенного метода обнаружения объектов при помощи поворотных ка­ мер позволяет обнаруживать движущиеся и неподвижные объекты, и сохраняет работоспособность даже при сильных изменениях условий освещения.

Разработанный метод обнаружения областей интереса при помощи камер обладает устойчивостью к изменению освещения и позволяет обнаруживать неподвижные объекты. Метод позволяет обнаруживать объекты при помощи поворотных камер во время сканирования и зуммирования. Высокая скорость работы позволяет обрабатывать на одной машине данные, полученные от большого количества камер.

Предложенный метод реализован на языке C в виде динамически подклю­ чаемой библиотеки gml_detection.dll. В разделе даётся описание библиотеки.

Результаты второй главы опубликованы в работах [2–7].

В третьей главе описывается система видеослежения GML Security, по­ строенная на базе разработанных алгоритмов совместной калибровки камер и выделения областей интереса.

В первом разделе главы обосновывается востребованность систем ви­ деослежения и описываются существующие разработки (TRASSIR ActiveDomeT M+ компании «DSSL» и Orwell 2k-City компании «ЭЛВИИС»).

Рис. 9. Окно с видеопотоками Рис. 8. Главное окно системы GML Security Рис. 10. Диаграмма вариантов использования системы GML Security Во втором и третьем разделах описывается интерфейс и функцио­ нальность разработанной системы.

Система GML Security позволяет не только контролировать обстановку по видеоряду (рис. 9), но и отслеживать все изменения на двухмерном плане охраняемого пространства (рис. 8). На плане отображаются области види­ мости камер и обнаруженные объекты, что облегчает восприятие общей об­ становки. Так, например, на плане легко заметить области контролируемого пространства не видимые ни одной видеокамерой. Кроме того система GML Security предоставляет пользовательский интерфейс для управления камера­ ми при помощи кликов мыши на компоненте главного окна, с изображением плана.

Основные возможности предоставляемые системой GML Security приве­ дены на диаграмме вариантов использования (рис. 10).

Во четвёртом разделе описывается программная реализация разрабо­ танной системы.

Система видеослежения GML Security имеет развитый графический ин­ терфейс и существенную вычислительную часть. Поэтому при разработке ис­ пользовались два языка программирования: С# и С. Использование языка С# позволило ускорить разработку графического интерфейса с пользовате­ лем. На языке C, для обеспечения более высокой производительности, про­ граммировались вычислительно сложные алгоритмы, такие как калибровка камер и обнаружение областей интереса. Код, разработанный на языке С, использовался в виде динамически подключаемых библиотек (Dynamic Link Library).

Программная реализация состоит из 183 классов, написанных на языке C#, и двух динамически подключаемых библиотек, написанных на языке C.

Система обладает более богатой функциональностью чем существующие коммерческие разработки «TRASSIR ActiveDomeT M+» и «Orwell 2k-City».

Использование поворотных камер, разнообразие возможностей по управле­ нию камерами и наблюдению за обстановкой позволяет эффективнее решать задачу видеонаблюдения, чем при использовании традиционных систем ви­ деонаблюдения с неподвижными камерами. Таких возможностей удалось до­ стичь благодаря использованию разработанных методов калибровки камер и обнаружения областей интереса.

В заключении сформулированы основные результаты работы.

В приложении А даётся краткое описание и обзор алгоритмов определе­ ния векторов движения для блоков, которые используются для определения глобального движения в алгоритме, предложенном во второй главе.

Список публикаций [1] К.Н. Стрельников, Д.Л. Куликов. Система моделирования окружения управляемой камеры на основе анализа и обработки видеоданных // Меж­ дународный журнал «Программные продукты и системы». — 2008. — № 3(83). — С. 66–69.

[2] С.В. Гришин, Д.С. Ватолин, К.Н. Стрельников и др. Обзор блочных ме­ тодов оценки движения в цифровых видео сигналах // Тематический сборник «Программные системы и инструменты». — 2008. — № 9. — С. 50–62.

[3] К. Стрельников, Д. Ватолин, С. Солдатов. Быстрое и надежное опреде­ ление глобального движения в видеопоследовательностях // Труды кон­ ференции Графикон-2006. — Новосибирск, Академгородок, Россия: Июль 2006. — С. 430–437.

[4] К. Стрельников, Д. Куликов, А. Лукин. Построение и применение модели зерна пленки на основе спектральных образцов // Труды конференции Графикон-2007. — Москва, Россия: Июнь 2007. — С. 248–252.

[5] A. Obukhov, K. Strelnikov, D. Vatolin. Fully Automatic Multiple PTZ Cam­ eras Calibration Method // Proceedings of Graphicon-2008. — Moskow, Rus­ sia: June 2008. — Pp. 122–127.

[6] К. Стрельников, Д. Ватолин, С. Солдатов. Качественное определение глобального движения кадра с использованием векторов движения // Материалы девятого научно-практического семинара «Новые информа­ ционные технологии в автоматизированных системах». — Москва, Россия:

Март 2006. — С. 47–55.

[7] К. Стрельников, Д. Ватолин, С. Солдатов. Новый метод подавления эффекта дрожания кадра в видео // Материалы десятого научно-практи­ ческого семинара «Новые информационные технологии в автоматизиро­ ванных системах». — Москва, Россия: Май 2007. — С. 3–10.

[8] К. Стрельников. Система видеослежения для больших помещений // Ма­ териалы двенадцатого научно-практического семинара «Новые информа­ ционные технологии в автоматизированных системах». — Москва, Россия:

Март 2009. — С. 9–18.

Pages:     | 1 | 2 ||






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»