CC BY
11Решетневскуе чтения. 2014
УДК 004.94
АНАЛИЗ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ В ЗАДАЧЕ РАЗМЕЩЕНИЯ АВТОМОБИЛЕЙ НА АВТОПАРКОВКЕ
К. М. Болдырев, М. А. Лаптева
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Разрабатывается система размещения автомобилей на автопарковке, которая позволит обеспечить безопасность автомобилей и эффективно использовать объем пространства.
Ключевые слова: видеопоследовательность, размещение автомобилей, методы обнаружения объектов, методы классификации.
ANALYSIS OF VIDEO SEQUENCES ON THE PROBLEM OF LOCATING CARS ON A PARKING LOT
K. M. Boldyrev, M. A. Lapteva
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: [email protected]
A system of placing cars in the parking area, which will ensure the safety of vehicles and allow an efficient use of the space volume is being developed.
Keywords: video sequence, occupancy vehicles, methods of detection of objects, methods of classification.
Строительство современных жилых и офисных зданий немыслимо без должного количества мест для парковки автотранспорта. Поэтому автоматизированные паркинги становятся «предметом первой необходимости», позволяя существенно экономить площадь застройки, что является очень важным фактором в условиях постоянно растущего мегаполиса.
Принцип работы автоматизированной системы заключается в точном определении расположения свободных и занятых мест и/или в подсчете количества въехавших и выехавших машин. Такая система позволит обеспечить оперативный и постоянный контроль загруженности с предоставлением персоналу всей необходимой информации.
Для решения задачи размещения автомобилей на автопарковке необходимо проанализировать видеопоследовательность. Для этого анализируемый видеопоток разбивается на видеокадры. Далее каждый кадр анализируется с помощью методов обнаружения объектов [1]. На основе обнаруженных объектов определяется количество и расположение свободных мест. Решение может приниматься с помощью методов классификации (алгоритм AdaBoost) и методов на основе гипотезы.
Сравнительный анализ вычислительных и других характеристик методов обнаружения объектов представлен в таблице.
По результатам анализа рассмотренные методы мало в чем уступают друг другу, однако метод формирования признаков объекта обнаружения на основе гипотезы имеет более низкие требования к вычисли-
тельным ресурсам, поскольку позволяет варьировать размеры входного вектора [2].
Сравнительный анализ методов обнаружения объектов
Характеристики Метод обнаружения объекта на основе построения специальных классификаторов Методы формирования признаков объекта обнаружения на основе гипотезы
Размеры входного вектора Большой (для построения вектора используются примитивы Хаара) Варьируемый (вектор признаков формируются на основе выбранных характеристик объекта)
Сложность реализации Прост в реализации Прост в реализации
Скорость решения Высокая Высокая
Требования к вычислительным ресурсам Высокие (за счет большого входного вектора, анализируемых данных) Низкие
Алгоритм размещения автомобилей на автопарковке состоит из шести этапов:
1. Загрузка видеопоследовательности через диалоговое окно.
2. Разбиение анализируемой видеопоследовательности на кадры. Получение видеокадров из видеопоследовательности осуществляется с помощью
Программные средства и информационные технологии
библиотеки АРо^е. Каждый кадр берется и помещается на элемент рюШгеВох с помощью функции NewFrame.
3. Предварительная обработка видеокадров. Текущий кадр переводится в цветовую модель УИУ для получения значения компоненты яркости [1], которая необходима для дальнейшего анализа.
4. Вычисление центра каждого парковочного места. Информация о центре парковочного места необходима для определения, присутствует объект в данном месте или нет.
5. Относительно каждого потенциального места положения (/1, /2) определяются размеры и ориентация объекта в соответствии с правилом:
(М2)> w(îi,Î2)
Ф(М2)) = argmaxy(Г(М2,;,w^. (1)
/, w.
6. Проверка гипотезы. Для проверки используется выражение:
Г рт, гипотеза принята, у (Г(?1, /2,1, у, ф)) = Г" Р (2)
[0, гипотеза отклонена.
На основании значений поля достоверностей гипотез у(Г^ I ф)) определяются такие местоположения объектов, которые не образуют конкурирующих гипотез. Для этого используется алгоритм «последовательного присоединения»: к текущему набору найденных местоположений автомобилей добавляется новое
местоположение П* = /2,l(í1,í2),w(í1,í2),Ф(/1,/2)) , которое, не создавая пересечений с областями уже найденных объектов, максимизирует величину достоверности у(ГП*). Расстановка объектов производится до тех пор, пока существуют гипотезы с дос-товерностями, выше экспериментально подобранного порога.
Таким образом, задача размещения автомобилей на автопарковке решается методом от противного,
т. е. для того, чтобы обнаружить свободные места на автопарковке, используется метод обнаружения автомобилей на основе гипотезы, тем самым места, где не были обнаружены автомобили, и будут пустыми. Метод обнаружения автомобилей на основе гипотезы довольно прост и экономит время вычислений за счет использования минимального количество параметров, на основе которых происходит построение гипотез.
Интерфейс и основные функции программного продукта разрабатываются в среде разработки приложений Microsoft Visual Studio 2012, так как она обеспечивает быструю разработку и высокую скорость работы разрабатываемого приложения.
Система размещения автомобилей на автопарковке позволит рационально организовывать транспортный поток, легко осуществлять учет транспорта, сводить к минимуму материальные потери, эффективно использовать объем пространства, гарантированно обеспечить безопасность автомобиля и предоставить максимум удобств для общества.
Библиографические ссылки
1. Гашников М. В., Глумов Н. И., Ильясова Н. И. Методы компьютерной обработки изображений. М., 2003, 784 с.
2. Гаганов В., Конушин А. Сегментация движущихся объектов в видео потоке [Электронный ресурс]. URL: http://cgm.graphicon.ru (дата обращения: 14.09.2013).
References
1. Gashnikov M. V., Glumov N. I., Ilyasova N. I. Methods of computer Imaging. Moscow, 2003, 784 p.
2. Gaganov V., Konushin A. Segmentation of moving objects in video flow. Available at: http://cgm.graphicon.ru.
© Болдырев К. М., Лаптева М. А., 2014
УДК 519.87
АРХИТЕКТУРА ПРОГРАММНОЙ СИСТЕМЫ ДЛЯ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ С АВТОМАТИЧЕСКИМ ИЗВЛЕЧЕНИЕМ ИНФОРМАТИВНЫХ ПРИЗНАКОВ МНОГОКРИТЕРИАЛЬНЫМ ГЕНЕТИЧЕСКИМ АЛГОРИТМОМ
К. Ю. Брестер
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-таП: [email protected]
Описывается возможная архитектура системы для решения классификационных задач с привлечением многокритериального генетического алгоритма для отбора информативных признаков из базы данных. Указаны преимущества разрабатываемых технологий.
Ключевые слова: многокритериальный генетический алгоритм, отбор информативных признаков, классификатор.
