CC BY
20
Mr Boban Bondžulić,
kapetan, dipl. inž.
Vojna akademija, Beograd
Rezime:
ANALIZA REZULTATA DETEKCIJE POKRETA NA SLICI
UDC: 004.4’275
U radu je izvršeno poređenje pet metoda za određivanje praga detekcije pokreta na sli-ci scene. Metodi su testirani na sintetičkim i realnim slikama, a rezultati detekcije pokreta iz-raženi su kvantitativno ili su dati vizuelno. Kvantitativna analiza izvršena je na nivou pikse-la, a zasnovana je na procentu ispravno klasifikovanih piksela, Jaccardovom i Yuleovom ko-eficijentu. Kroz analizu sprovedenu u četiri eksperimenta zaključeno je da su najbolji rezultati detekcije postignuti ukoliko se koristi Kapurov metod određivanja praga.
Ključne reči: detekcija pokreta, oduzimanje sukcesivnih frejmova, oduzimanje slike pozadi-ne, metodi za određivanje praga detekcije pokreta, analiza rezultata detekcije pokreta.
PERFORMANCE EVALUATION OF CHANGE DETECTION
Summary:
This paper studies five different methods proposed for change detection thresholding. Methods were tested on synthetic and real pictures and results are quantitatively and qualitatively presented. Quantitative analysis is performed at pixel level and the following measures were used: the percentage of correct classification, the Jaccard coefficient and the Yule coefficient. We test the performance of thesholding methods in four experiments and Kapur was the best performing method both quantitatively and qualitatively.
Key words: change detection, successive frames subtraction, background subtraction, methods for change detection thresholding, performance evaluation of change detection.
Uvod
Za detekciju pokreta (promena) na slikama scene može se koristiti obrada slike razlike, koja se dobija oduzimanjem slike pozadine od tekućeg frejma ili oduzimanjem sukcesivnih frejmova. Ova de-tekcija praćena je uvođenjem praga da bi se dobila binarna slika u kojoj su pikseli klasifikovani u dve klase (pozadina i po-kretni objekat).
Jedan metod određivanja praga detekcije pokreta neće biti dobar za sve pri-mene. Takođe, različiti metodi nisu pod-jednako korisni za konkretnu primenu.
Zbog toga je procena rezultata detekcije bitna, kako za odabir odgovarajuće meto-de, tako i za optimalan izbor parametara koji su potrebni za pojedine metode određivanja praga detekcije. Odabir me-trike procene je veoma težak zadatak i ne postoji standardna metrika za objektivnu procenu rezultata detekcije.
U ovom radu izvršeno je poređenje pet metoda za određivanje praga detekci-je pokreta na slici scene. Jedan od meto-da predložio je autor, a ostala četiri preu-zeta su iz literature. Metodi su ispitani na sintetičkim slikama i na slikama realne scene. Slike scene formirane su nepo-
VOJNOTEHNIČKI GLASNIK 1/2007.
65
kretnom televizijskom i termovizijskom kamerom.
Detekcija pokreta oduzimanjem sukcesivnih frejmova
Ako je In(x, y) vrednost nivoa sivog piksela frejma (slike) na poziciji (x, y) u trenutku t = tn, mera sličnosti dva frejma, uzeta u trenutku t = tn i t = tn-1, može se izraziti kao:
(Te[0,255]). Na taj način dobija se bi-narna slika In(x,y), u kojoj su pikseli
klasifikovani u dve klase (pozadina i po-kretni piksel), tj:
Ib(x,y)
0, Dn(x, y) < T 255, Dn(x, y)>T
(3)
Metodi za određivanje praga detekcije pokreta
Dn(x,y)=\tn(x,y)-In-1(x,y),
y(x, y) e[1, N ]x[1, M ] (1)
gde je NxM dimenzija frejma u pikselima i gde intenzitet piksela frejma može uzeti bi-lo koju vrednost iz skupa [0, 1, 2,..., 255]. Na taj način dobija se slika razlike Dn
Detekcija pokreta oduzimanjem
slike pozadine od tekućeg frejma
Sa Bn(x, y) označen je intenzitet piksela slike pozadine na poziciji (x, y), u trenutku t = tn. Uz pretpostavku da je slika pozadine poznata, detekcija pokreta može se izvršiti na osnovu razlike teku-ćeg frejma i slike pozadine:
Dn(x,y)=\fn(x,y)-Bn(x,y),
V(x,y) e[i,A]x[i,M] (2)
Da bi se eliminisao uticaj šuma i do-nela odluka o tome kod kojih piksela je došlo do promene nivoa sivog zbog pri-sustva pokretnih objekata, potrebno je na sliku razlike Dn (x, y) primeniti prag T
U radu su analizirani Otsuov, Tsai-jev, Kapurov, Rosinov metod i metod koji je predložio autor.
Otsu je u radu [1] predložio metod za analitičko određivanje vrednosti praga koji je zasnovan na diskriminantnoj ana-lizi. Ovaj metod obezbeđuje maksimalnu separabilnost regiona, koji predstavljaju objekat i pozadinu, a za određivanje pra-ga koristi histogram slike.
Određivanje praga pomoću očuvanja momenata predložio je Tsai [2]. Pre odre-đivanja praga računaju se momenti nivoa sivog ulazne slike. Prag se, zatim, određu-je tako da momenti izlazne slike, koja se dobija primenom praga na ulaznu sliku, budu isti kao momenti ulazne slike.
Kapur [3] je koristio Shannonovu definiciju entropije. Međutim, umesto da posmatra jednu gustinu verovatnoće nivoa sivog čitave slike, on je posmatrao dve gustine verovatnoće, jednu za pozadinu i drugu za objekat.
Rosin je za određivanje praga detek-cije pokreta koristio Eulerov broj [4], koji predstavlja meru topologije binarne slike.
Predloženi način određivanja praga detekcije pokreta autora zasnovan je na blokovskoj podeli slike razlike i verovat-
(2)
66
VOJNOTEHNIČKI GLASNIK 1/2007.
noći lažnog alarma [5]. Prag detekcije je u [5] izveden za Gausovu i Laplasovu raspodelu nivoa sivog na slici razlike. Osnovni problem koji se javlja pri odre-đivanju praga detekcije pokreta je esti-macija standardne devijacije šuma u slici. Problem je rešen podelom slike razlike na blokove 8 х 8 piksela i usrednjava-njem određenog broja najmanjih stan-dardnih devijacija blokova.
Mere detekcije pokreta
Standardna metrika za procenu re-zultata detekcije ne postoji jer se u obradi slike koristi kvalitativna definicija dobre segmentacije (klasifikacije) [6] po kojoj regioni dobijeni postupkom segmentacije treba da budu uniformni i homogeni u odnosu na neke karakteristike, kao što su nivo sivog ili tekstura. Unutrašnjost regi-ona treba da bude jednostavna i bez ma-lih rupa, a granice regiona jednostavne, glatke i prostorno tačne. Susedni regioni treba da budu dovoljno različiti po onom atributu po kojem su uniformni. Detekci-ja promena predstavlja jednu vrstu seg-mentacije.
Uobičajena praksa za procenu rezul-tata detekcije pokreta bazira se na proceni rezultata određenog broja posmatrača (su-bjektivna procena). Da bi se dobili stati-stički relevantni rezultati potreban je zna-tan broj posmatrača (reprezentativan uzo-rak), čineći subjektivnu procenu vremen-ski dugom i veoma skupom [7].
Da bi se izbegla subjektivna procena, potrebna je procedura za automatsku procenu rezultata detekcije. Procedura automatske procene naziva se objektivna procena. Metrika za objektivnu procenu
može se primeniti na metod određivanja praga detekcije (analitički metodi) ili na rezultate detekcije (empirijski metodi).
Analitički metodi procenjuju postu-pak određivanja praga na osnovu princi-pa određivanja praga, specifičnosti meto-da, njegove kompleksnosti i sl. Prednost ovih metoda jeste što se procena vrši bez implementacije samog algoritma. Među-tim, kako teorija detekcije pokreta nije u potpunosti razvijena, kao i zbog toga što algoritam detekcije pokreta može biti kompleksan, sastavljen od nekoliko celi-na, algoritam detekcije se veoma teško može proceniti na ovakav način [7].
Kod empirijskih metoda za izbor postupka određivanja praga, prag se pri-menjuje na skup test slika koje su rele-vantne za konkretnu primenu. Algoritam koji daje najbolje rezultate zatim se koristi u konkretnoj aplikaciji. Empirijski metodi često se nazivaju i metodi nesla-ganja, jer se rezultati detekcije porede sa referentnom detekcijom. Referentna ili idealna detekcija može se dobiti ručno ili pomoću pouzdane procedure.
Procena je zasnovana na parametri-ma neslaganja, koji mogu biti zasnovani na prostornom i vremenskom odstupanju. Na primer, pikseli koji su pogrešno klasi-fikovani dele se u dve grupe - na one koji pripadaju rezultatu detekcije ali ne i idealnoj detekciji-klasifikaciji (false positive) i one koji pripadaju idealnoj de-tekciji ali ne i rezultatu detekcije (false negative) [7, 8]. Osim toga, vremenska nepromenljivost (stabilnost) detektova-nih objekata može se razmatrati. Parame-tri neslaganja prostorne procene mogu biti vernost oblika, geometrijska sličnost, ivice, sličnost statistika i sl. Vremenska
VOJNOTEHNIČKI GLASNIK 1/2007.
67
stabilnost i prostoma procena mogu se kombinovati i zajedno posmatrati.
U primenama gde se kao krajnji ko-risnik javlja čovek bitno je da se uzme u obzir i vizuelni sistem čoveka za procenu kvaliteta detekcije. Metodi procene uglav-nom ne uzimaju ovaj aspekt i razmatraju samo objektivne kriterijume, kao što je odstupanje u odnosu na idealnu detekciju.
Test slike za procenu metoda odre-đivanja praga mogu biti sintetičke, pseu-dosintetičke ili slike realnih scena.
Metodologija procene rezultata
detekcije
Performanse metoda određivanja praga detekcije pokreta biće izražene kvantitativno, poredeći rezultat detekcije metoda i rezultat idealne detekcije, a u situacijama kada se ne raspolaže rezulta-tima idealne detekcije rezultati će biti prikazani vizuelno.
Kako je cilj procene poređenje na ve-likom broju test-slika, rezultat idealne detekcije generiše se automatski, jer je bilo koji drugi način spor i naporan. Zbog toga su rezultati nekih realnih test-slika prika-zani vizuelno. Test-slike koje se koriste su sintetičke i realne, a njihov nedostatak jeste što se svi procesi koji se javljaju na sceni ne mogu modelovati: uticaj senke, prome-ne vremenskih uslova, itd.
Nakon generisanja sintetičkih test--slika moguće je dobiti sekundarni skup slika, na primer, dodavanjem šuma, pro-menom kontrasta, simulacijom susreta objekata i sl. Takođe, stvarni objekat mo-že se izdvojiti iz realne sekvence i veš-tački ubaciti u novu video sekvencu. Iako slike dobijene na ovakav način nisu pot-puno realne, one se mogu koristiti za te-stiranje metoda.
Postoji više načina za analizu per-formansi metoda određivanja praga, po-čev od analize na najnižem nivou - anali-ze na nivou piksela, pa do analize na vi-šim nivoima. Analiza na višim nivoima uzima u obzir mogućnost primene meto-da u konkretnoj aplikaciji. Performanse metoda određivanja praga biće posmatra-ne na nivou piksela.
Rezultat analize na najnižem nivou, koji je zasnovan na poređenju rezultata detekcije i idealne detekcije, zasniva se na sledećim veličinama:
- broj piksela promena koji su is-pravno klasifikovani - true positives (TP);
- broj nepokretnih piksela (pikseli pozadine) koji su nepravilno klasifikovani - false positives (FP);
- broj nepokretnih piksela koji su pra-vilno klasifikovani - true negatives (TN);
- broj piksela promena koji su nepravilno klasifikovani - false negatives (FN).
Od ove četiri veličine formirane su sledeće mere sličnosti [9]:
- procenat ispravno klasifikovanih piksela (percentage correct classification):
PCC
TP+TN
TP +FP +TN +FN
- Jaccardov koeficijent:
TP
TP +FP +FN
- Yuleov koeficijent:
TP TN
-------+------------1
TP +FP TN +FN
68
VOJNOTEHNIČKI GLASNIK 1/2007.
Za procenu rezultata detekcije naj-češće se koristi mera PCC. Međutim, ova mera može dati pogrešnu procenu kada je broj pokretnih piksela mali u odnosu na broj piksela čitave slike. Tako, ako je broj piksela promena npr. 4%, veliki ko-eficijent PCC (96%) dobija se ako se kompletna slika proglasi pozadinom. Yuleov i Jaccardov koeficijent prevazila-ze ovaj problem na taj način što minimi-ziraju uticaj velikog broja TN. Treba pri-metiti i da se Yuleov koeficijent ne može koristiti u situacijama kada je jedan od imenilaca jednak nuli.
Opis i analiza rezultata prvog
eksperimenta
U prvom eksperimentu analizirana je situacija kada na sceni nije bilo pokret-nih objekata. Koristile su se sintetičke slike i slike realne scene. Za procenu re-zultata koristio se samo koeficijent PCC, jer na sceni nema pokretnih objekata.
Sintetičke slike su dimenzija 512 x 12 piksela. Inicijalna pozadina je uni-
formna, a njen nivo sivog je 127 (srednji nivo na skali od 0 do 255 nivoa sivog). Zatim je inicijalnoj pozadini dodavan Gausov šum nulte srednje vrednosti, a standardne devijacije an, čija je vrednost menjana od 1 do 30 nivoa sivog. Slike razlike dobijene su oduzimanjem sukce-sivnih frejmova.
Usvojena verovatnoća lažnog alar-ma za metod autora, za Gausovu (M1 u daljoj analizi) i Laplasovu (M2 u daljoj analizi) raspodelu, iznosi Pla = 10-1.
Na sl. 1 prikazane su inicijalna slika pozadine (sl. 1a) i vrednosti koeficijenata PCC za pet analiziranih metoda (sl. 1b). Vrednost koeficijenta PCC data je u funk-ciji standardne devijacije šuma (sl. 1a).
Sa sl. 1b vidi se da najbolje rezultate detekcije daju pragovi koji se određuju Rosinovim i Kapurovim metodom. Lošiji rezultati dobijaju se ukoliko se koriste pragovi koji se određuju Tsaijevim i Otsu-ovim metodom. Rezultati metoda autora nalaze se između rezultata koje daju nave-deni metodi. Takođe, vidi se da se u slu-čaju predloženog metoda vrednost koefi-
VOJNOTEHNIČKI GLASNIK 1/2007.
69
Tabela 1
Opis situacija i broj korišćenih frejmova
OPIS SITUACIJE BROJ FREJMOVA
Situacija 1 U prostoriji upaljeno svetlo 48
Situacija 2 U prostoriji prisutna dnevna svetlost 43
Situacija 3 Postavljen zastor na jedan od prozora 33
Situacija 4 Postavljen zastor na oba prozora 48
Situacija 5 Postavljen dupli zastor na jedan od prozora 33
Situacija 6 Postavljen dupli zastor na oba prozora 39
cijenta PCC kreće oko vrednosti 0,89, što govori o tome da je algoritam dobro im-plementiran (verovatnoća lažnog alarma je Pla = 10-1, a nema pokreta na sceni).
Za analizu realnih scena sproveden je eksperiment u toku kojeg je snimana ista scena šest puta, uz promenu osvetlje-nosti scene. Eksperiment je sproveden u
zatvorenoj prostoriji dana 26. 12. 2004. godine, od 10.54 do 11.29 h. U tabeli 1 opisane su situacije u kojima je scena snimana i broj frejmova koji se koristio u analizi. Slike scene dobijene su po-moću televizijske kamere firme Samsung, tip SCL860, u vidljivom delu spek-tra (0,4-0,7) pm.
70
VOJNOTEHNIČKI GLASNIK 1/2007.
Na sl. 2 prikazani su prvi frejmovi sekvenci koji odgovaraju situacijama 1 i 2 (sl. 2a) i vrednosti koeficijenata PCC koji se dobijaju u navedenim situacijama (sl. 2b).
Sa sl. 2b vidi se, da se i u slučaju realne scene, lošiji rezultati dobijaju ukoliko se koriste pragovi dobijeni Tsai-jevim i Otsuovim metodom. Rezultati metoda autora su u skladu sa rezultatima koji se dobijaju kada se koriste pragovi dobijeni Rosinovim i Kapurovim metodom. Bolji rezultati metoda autora u od-nosu na slučaj kada su se koristile sinte-tičke slike dobijeni su, jer je verovatno-ća lažnog alarma Pla = 10-4. Slični rezultati dobijaju se kada se analiziraju se-kvence slika koje odgovaraju ostalim situacijama.
Opis i analiza rezultata drugog
eksperimenta
U drugom eksperimentu analizirana je situacija kada je na sceni postojao je-dan pokretni objekat, a u eksperimentu su korišćene slike realne scene. Slike scene dobijene su pomoću televizijske kamere firme Samsung, tip SCL860, u vidljivom delu spektra (0,4-0,7) pm, a slike su snimljene u uslovima koji su opisani u tabeli 1. Kao pokretni objekti korišćene su knjige: prva (označena kao K1), čiji se nivoi sivog razlikuju od po-zadine, i druga (označena kao K2), čiji nivoi sivog su slični pozadini.
Kako je u slučaju korišćenja realnih slika scene veoma teško odrediti rezultat idealne detekcije, u ovom slučaju biće prikazane binarne slike koje se dobijaju primenom pragova različitih metoda na
slike razlike. Slike razlike formirane su oduzimanjem slike pozadine i oduzima-njem sukcesivnih frejmova.
Za metod autora usvojena verovat-noća lažnog alarma za Gausovu i Lapla-sovu raspodelu je Pla = 10-4
Analiza je sprovedena za oba po-kretna objekta i za svih šest situacija, a u radu su dati rezultati dobijeni za pokretne objekte u prostoriji sa zastorom na jed-nom prozoru (situacija 3).
Na sl. 3 i 4 prikazane su slika pozadine, slučajno odabrani frejmovi analizi-ranih sekvenci koje odgovaraju situaciji 3 i rezultati detekcije pokreta. Slike razli-ke formirane su oduzimanjem slike pozadine od tekućeg frejma.
Ista analiza sprovedena je i za odu-zimanje sukcesivnih frejmova. Kroz kompletnu analizu utvrđeno je da su pokretni objekti detektovani u velikom op-segu promene osvetljenosti (situacije 1-5), nezavisno od izbora metoda određivanja praga detekcije.
Kroz šest analiziranih situacija za-ključeno je da je najbolje rezultate detekcije dao Kapurov metod određivanja praga detekcije (vizuelna procena posmatra-ča). Ovaj način određivanja praga poka-zao se kao najotporniji na uticaj šuma i na uticaj senke.
U tabelama 2 i 3 prikazane su vrednosti pragova koje odgovaraju analizira-nim situacijama. U tabeli 2 to su vrednosti pragova dobijene u slučaju oduzima-nja slike pozadine od tekućeg frejma, a u tabeli 3 vrednosti pragova dobijene u slu-čaju oduzimanja sukcesivnih frejmova. Maksimalne i minimalne vrednosti pragova u tabelama 2 i 3 obeležene su tamnosivom i svetlosivom bojom.
VOJNOTEHNIČKI GLASNIK 1/2007.
71
Iz tabela 2 i 3 vidi se da za sve me-tode određivanja praga, vrednost praga zavisi od osvetljenosti scene. Za metode koji su preuzeti iz literature (Otsu, Tsai, Kapur i Rosin) vrednosti praga zavise i od pokretnog objekta, o kojem se radi
(K1 odnosno K2). Ako se za ove metode uporede vrednosti praga dobijene u slu-čaju oduzimanja slike pozadine i oduzi-manja sukcesivnih frejmova, može se za-ključiti da vrednosti praga zavise i od broja pokretnih piksela.
72
VOJNOTEHNIČKI GLASNIK 1/2007.
Ukoliko se koristi metod određivanja praga autora, vrednost praga skoro da i ne zavisi od broja pokretnih piksela, kao ni od toga o kom pokretnom objektu se radi. Izuzetak su situacije 1 (K2) i 2 (K1) zbog
malog pokreta kamere u toku snimanja. To se moglo i očekivati polazeći od toga da vrednost praga ovog metoda zavisi od željene verovatnoće lažnog alarma i stan-dardne devijacije šuma slike razlike.
VOJNOTEHNIČKI GLASNIK 1/2007.
73
Tabela 2
Vrednosti pragova analiziranih metoda u slučaju oduzimanja slike pozadine od tekućeg frejma
SITUACIJA 1 SITUACIJA 2 SITUACIJA 3 SITUACIJA 4 SITUACIJA 5 SITUACIJA 6
K1 K2 K1 K2 K1 K2 K1 K2 K1 K2 K1 K2
Otsu 69 69 64 58 46 40 30 25 9 7 5 5
Tsai 83 82 82 48 49 43 27 15 13 9 6 6
Kapur 71 93 52 23 30 30 19 19 35 19 24 15
Rosin 33 33 20 15 13 13 18 15 28 20 15 15
Ml 28 18 14 10 9 9 17 17 23 23 17 17
M2 47 31 23 17 16 15 29 29 38 38 29 30
Tabela 3
Vrednosti pragova analiziranih metoda u slučaju oduzimanja sukcesivnih frejmova
SITUACIJA 1 SITUACIJA 2 SITUACIJA 3 SITUACIJA 4 SITUACIJA 5 SITUACIJA 6
K1 K2 K1 K2 K1 K2 K1 K2 K1 K2 K1 K2
Otsu 68 37 61 54 62 32 43 26 7 6 5 5
Tsai 45 29 73 43 64 39 37 16 13 9 6 6
Kapur 34 54 26 43 29 83 23 20 25 21 25 15
Rosin 25 20 15 12 12 12 17 15 20 20 15 15
M1 30 13 10 9 9 9 17 16 22 22 17 17
M2 51 22 16 16 15 15 28 28 38 37 29 29
Opis i analiza rezultata trećeg eksperimenta
U trećem eksperimentu analizirana je situacija kada je na sceni postojao jedan pokretni objekat, a u eksperimentu su ko-rišćene sintetičke slike. Za potrebe sprovo-đenja eksperimenta formirana je sekvenca Kraj.avi od 450 frejmova. Dimenzije frej-mova u sekvenci su 512 x 512 piksela. Po-
zadina sekvence formirana je tako što se nivo sivog menjao sleva udesno, od mini-malnog do maksimalnog. Nivo sivog piksela jedne kolone je isti. Zatim je pozadini dodat objekat koji ima nivo sivog 127 (srednji nivo na skali od 0 do 255). Dimenzije objekta su 64 x 64 piksela, a njegova početna pozicija je u gornjem levom uglu. Ovaj objekat zatim je pomeran dijagonal-no, ka donjem desnom uglu.
1 □
(b)
1 Sl. 5 - (a) treći frejm sekvence Kraj.avi, (b) rezultat idealne detekcije |
74
VOJNOTEHNIČKI GLASNIK 1/2007.
Za potrebe analize, frejmovima se-kvence dodavan je Gausov šum nulte srednje vrednosti, a standardne devijacije an čija je vrednost menjana od 1 do 20 ni-voa sivog. Slike razlike formirane su odu-zimanjem sukcesivnih frejmova. Kako se u ovom slučaju raspolaže sa rezultatima idealne detekcije, određene su vrednosti koeficijenta PCC, Yuleovog i Jaccardo-vog koeficijenta. Za metod autora usvoje-na verovatnoća lažnog alarma za Gausovu i Laplasovu raspodelu je Pla = 10-4
Na sl. 5 prikazani su treći frejm se-kvence Kraj.avi i rezultat idealne detekcije.
Na sl. 6 prikazane su vrednosti ana-liziranih koeficijenata za različite vred-
nosti an. Vrednosti koeficij enata dobije-ne su usrednjavanjem, tj. za istu vrednost an koeficijenti su određeni za sve pome-raje objekta, a zatim usrednjeni.
Sa sl. 6a vidi se da najbolje rezultate daju pragovi određeni Kapurovim, Rosino-vim i pragovi po metodu autora (M1 i M2). U pogledu Jaccardovog i Yuleovog koefici-jenta izdvajaju se pragovi određeni Kapuro-vim metodom i predloženim metodom uz pretpostavku o Gausovoj (M1) raspodeli šu-ma na slici razlike. Veće vrednosti Jaccar-dovog i Yuleovog koeficijenta govore o bo-ljim performansama metoda. U sva tri slu-čaja najlošiji rezultati postižu se primenom pragova dobijenih po metodima koji su
VOJNOTEHNIČKI GLASNIK 1/2007.
75
predložili Otsu i Tsai. Sa sl. 6v može se pri-metiti da ukoliko se koristi predloženi me-tod i pretpostavka o Laplasovoj raspodeli nivoa sivog šuma, vrednosti Yuleovog koe-ficijenta postoje, samo za vrednosti cn od jedan do tri. Za veće vrednosti standardne devijacije un, vrednosti ovog koeficijenta ne postoje, jer je jedan od imenilaca u izrazu za vrednost Yuleovog koeficijenta jednak nuli.
Opis i analiza rezultata četvrtog
eksperimenta
U četvrtom eksperimentu analizirana je situacija kada su na sceni postojali po-kretni objekti. U eksperimentu su korišćene termovizijske i televizijske slike iste scene. Slike scene dobijene su pomoću televizijske kamere firme Samsung, tip SCL860, u vi-dljivom delu spektra (0,4-0,7) pm i termovizijske kamere firme ATIS (Advanced Thermal Imaging System), u dalekom infra-crvenom delu spektra (8-12) pm. Formira-ne su baze od po jedanaest sekvenci televi-zijskih i termovizijskih slika dve scene, bli-ske scene na daljini oko 70 m i daleke scene na daljini oko 4 km. Baza slika formirana je fiksnim kamerama postavljenim na platfor-mu zgrade u VTI-ju, 19. 11. 2004. od 10.30 do 11.50 h.
Na sl. 7 prikazani su frejmovi termovizijske i televizijske sekvence bliske scene. Vidljivi su detalji na obe slike, iako je termovizijska slika formirana sa širokim vidnim poljem. Pri formiranju baze slika vidno polje televizijske kame-re podešavano je prema vidnom polju termovizijske kamere. Na termovizijskim slikama objekti sa većom emisijom (topli delovi objekata) prikazani su u svetlijoj nijansi sivog.
Kako je u slučaju korišćenja realnih slika scene veoma teško odrediti rezultat idealne detekcije, u ovom slučaju biće prikazane binarne slike koje se dobijaju primenom pragova različitih metoda na slike razlike dobijene oduzimanjem suk-cesivnih frejmova.
Binarne slike koje se dobijaju pri-menom pragova različitih metoda na sli-ke razlike koje odgovaraju slikama na sl. 7, prikazane su na sl. 8.
Na slikama bliske scene mogu se vi-deti konture putničkog automobila i čo-veka u pokretu. Na sl. 8a, koja odgovara rezultatu koji se dobija po metodu autora (M1 i M2), detektovane su linije piksela koje potiču od toplog traga automobila u pokretu. Za metod autora usvojena je ve-rovatnoća lažnog alarma Pla = 10-4
Sl. 7 - Termovizijska i televizijska slika bliske scene
76
VOJNOTEHNIČKI GLASNIK 1/2007.
сл
б
сл
н
а
л
сл
О
ей
§
<4
§
Sl. 8
(a) (b)
Binarne slike koje se dobijaju primenom pragova različitih metoda na slike razlike: (a) termovizijskih slika bliske scene, (b) televizijskih slika bliske scene
VOJNOTEHNIČKI GLASNIK 1/2007.
77
Tabela 4
Vrednosti pragova dobijene po analiziranim metodima, za termovizijske i televizijske slike bliske i daleke scene
BLISKA SCENA DALEKA SCENA
Termovizijska slika Televizijska slika Termovizijska slika Televizijska slika
Otsu 60 62 39 36
Tsai 64 71 17 12
Kapur 36 36 25 19
Rosin 28 25 20 13
M1 14 20 17 12
M2 23 34 28 20
U tabeli 4 prikazane su vrednosti pragova dobijene po analiziranim metodima, za termovizijske i televizijske slike bliske i daleke scene. Maksimalne i mini-malne vrednosti pragova u tabeli 4 obele-žene su tamnosivom i svetlosivom bojom.
Ako se za predloženi metod pogle-daju vrednosti pragova u tabeli 4, može se primetiti da su vrednosti praga veće na televizijskoj slici bliske i termovizijskoj slici daleke scene. Kako je vrednost ve-rovatnoće lažnog alarma ista za sve slike može se zaključiti da je fluktuacija nivoa sivog izraženija na televizijskim slikama bliske i na termovizijskim slikama daleke scene. U slučaju četiri metoda iz literature primećuje se da su vrednosti pragova za termovizijske i televizijske slike bliske scene jako blizu.
Zaključak
U radu je izvršeno poređenje pet metoda za određivanje praga detekcije pokreta na slici scene. Metodi su testirani na sintetičkim i realnim slikama, a rezul-tati detekcije pokreta izraženi su kvanti-tativno ili su dati vizuelno. Kvantitativna analiza izvršena je na nivou piksela, a za-snovana je na procentu ispravno klasifi-kovanih piksela, Jaccardovom i Yuleo-vom koeficijentu. Za potrebe testiranja
na slikama realne scene izvršeno je neko-liko snimanja. Slike scene snimljene su nepokretnom televizijskom i termovizij-skom kamerom.
Kroz analizu sprovedenu u četiri eksperimenta može se izvesti zaključak da su najbolji rezultati detekcije, kvalita-tivno i kvantitativno, postignuti ukoliko se koristi Kapurov metod određivanja praga. Nešto lošiji rezultati dobijaju se ukoliko se koristi Rosinov metod. Ukoli-ko se koriste Otsuov i Tsaijev metod određivanja praga detekcije pokreta dobijaju se znatno lošiji rezultati. Rezultati koji se dobijaju po ova dva metoda zavi-se od broja pokretnih piksela. Ukoliko je mali broj pokretnih piksela ili pokret ne postoji, ova dva metoda daju veliki broj lažnih alarma. Rezultati se znatno po-boljšavaju ukoliko raste broj pokretnih piksela.
Rezultati koji su dobijeni u slučaju korišćenja metoda autora bolji su od Otsu-ovog i Tsaijevog, a nešto lošiji od Kapu-rovog i Rosinovog metoda. Polazeći od načina na koji se došlo do vrednosti praga po ovom metodu, može se očekivati da predloženi metod daje bolje rezultate kla-sifikacije ukoliko na sceni ne postoji po-kret. To je u analizama i potvrđeno. U slu-čaju da na sceni postoji pokret, rezultati zavise od toga koliko dobro je procenjena
78
VOJNOTEHNIČKI GLASNIK 1/2007.
standardna devijacija šuma slike razlike i kolika verovatnoća lažnog alarma želi da se postigne. Vrednost praga po ovom me-todu ne zavisi od broja pokretnih piksela i od nivoa sivog pokretnih objekata.
Literatura:
[1] Otsu, N.: A Threshold Selection Method from Gray-Level Histograms, IEEE Trans. on Systems, Man, and Cybernetics, Vol. SMC-9, No. 1, January 1979.
[2] Tsai, W. H.: Moment-Preserving Thresholding: A New Approach, Computer Vision, Graphics, and Image Processing 29, pp. 377-393, 1985.
[3] Kapur, J. N.; Sahoo, P. K.; Wong, A. K. C.: A New Method for Gray-Level Picture Thresholding Using the Entropy of
the Histogram, Computer Vision, Graphics, and Image Processing 29, pp. 273-285, 1985.
[4] Rosin, P. L.; Ellis, T.: Image difference threshold strategies and shadow removal, In British Machine Vision Conf. pp. 347-356, 1995.
[5] Bondžulić, B.: Detekcija pokreta na slici scene, Magistarski rad, Elektrotehnički fakultet, Beograd, 2005.
[6] Popović, M.: Digitalna obrada slike, Rukopis za priprema-nje ispita, Beograd, 1998.
[7] Cavallaro, A.; Gelasca, E. D.; Ebrahimi, T.: Objective evaluation of segmentation quality using spatio-temporal context, Proc. of IEEE International Conference on Image Processing, Rochester (New York), 22-25 September 2002.
[8] Black, J.; Ellis, T.; Rosin, P.: A Novel Method for Video Tracking Performance Evaluation, Joint IEEE Int. Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance (VS-PETS), 2003.
[9] Rosin, P. L.; Ioannidis, E.: Evaluation of global image thresholding for change detection, Pattern Recognition Letters 24, pp. 2345-2356, 2003.
VOJNOTEHNIČKI GLASNIK 1/2007.
79
