CC BY
120
УДК 004.855;62.506.222.001.57;681.3(075.8) Ш. С.Фахми,
д-р техн. наук, доцент, ИПТ РАН
КОНЦЕПЦИЯ ПРОЕКТИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ТРАНСПОРТНЫХ ВИДЕОСИСТЕМ НА ОСНОВЕ ТЕХНОЛОГИИ «СИСТЕМА НА КРИСТАЛЛЕ» THE CONCEPT OF INTELLIGENT TRANSPORT VIDEO SYSTEMS DESIGN BASED ON TECHNOLOGY “SYSTEM ON CHIP”
Рассмотрены концептуальная модель и функциональная схема интеллектуальных транспортных видеосистем с использованием технологии «система на кристалле». Приведены методы и алгоритмы кодирования видеоинформации и маршрут проектирования транспортных видеосистем на основе технологии «система на кристалле».
A conceptual model and a functional diagram of the intelligent transport video systems using the technology SoC is considered. The methods and algorithms for video coding, and route of transport video systems design based on technology “system on chip” are given.
Ключевые слова: концепция, проектирование, интеллектуальные транспортные видеосистемы, искусственное зрение, системы на кристалле.
Key words: concept, design, intelligent transport video system, artificial vision, system on chip.
Постановка задачи и актуальность ее решения
Рост сложности антропогенных систем обострил проблему эффективного взаимодействия человека с машиной, тем самым вызвав к жизни феномен негативного влияния человеческого фактора на работу таких систем, оборачивающегося для человечества, как правило, серьезными материальными и людскими потерями. Возникла острая необходимость создания эффективного «пользовательского интерфейса».
В широком толковании этого понятия пользовательский интерфейс должен обеспечивать в конечном счете безопасную эксплуатацию систем, в том числе и транспортных, и сбережение материальных, людских и прочих ресурсов. К одному из фундаментальных направлений развития пользовательского интерфейса относится аппаратная реализация системных функций, ранее выполнявшихся человеком, чему в немалой степени способствует состояние современной микроэлектронной базы, характеризуемое высоким уровнем интеграции электронных компонент на одном кристалле.
Системы с развитым уровнем внутренней интерпретации организационных и управляющих функций человека принято называть интеллектуальными. При этом важнейшим атрибутом интеллектуальных транспортных систем является наличие в них так называемых систем искусственного зрения (СИЗ), в анализе развития которых уместно выделить мировоззренческие и системные аспекты.
Мировоззренческие аспекты характеризуются тем, что СИЗ получили широкое признание в робототехнике, в управлении автономными наземными, подводными и воздушными аппаратами, в системах управления производственными процессами различного назначения, в системах охраны промышленных, оборонных и социальных объектов. В последнее время лицом к ним повернулась и транспортная отрасль, свидетельством чего служит использование СИЗ прежде всего в управлении автомобильным движением на дорогах как наиболее опасным для жизнедеятельности человека. Предпринимались попытки применения СИЗ в речном и морском транспорте соответственно для управления движением судов по информации о береговой черте и для управления процессами швартовки и расхождения судов в открытом плавании. Этого, к сожалению, не скажешь
Выпуск 2
о железнодорожном и речном транспорте, где необходимость применения СИЗ находится еще в стадии осмысления, хотя вопросы безопасности, например охраны объектов железнодорожной инфраструктуры, управления многопрофильным транспортным процессом, стоят не менее остро, чем на других видах транспорта.
Системные аспекты порождены тенденцией приближения средств обработки видеоинформации к источнику ее возникновения, обусловленной необходимостью принятия оперативного решения, интенсивным развитием средств синтеза и анализа визуальных данных и появлением новой технологии «система на кристалле».
Таким образом, актуальность выбранной темы научных исследований заключается в необходимости разработки методологии проектирования интеллектуальных транспортных видеосистем на основе технологии «система на кристалле» для формирования нового базиса БИС/СБИС — сложнофункциональных блоков интеллектуальной транспортной видеосистемы на кристалле (ТВСнК) в составе наноэлектронного базиса, ориентированного на решение транспортных задач.
Концептуальная модель интеллектуальных транспортных видеосистем на кристалле
Одним из магистральных направлений развития в рамках единой транспортной системы (ЕТС) является их всесторонняя интеллектуализация, преимущественное внимание к организации движения транспортных потоков, широкому использованию спутниковых систем связи, развитию информационных и компьютерных технологий и аппаратурной реализации многих функций управления ЕТС, бывших ранее прерогативой человеческого интеллекта [1].
В центре любых интеллектуальных систем транспортной инфраструктуры важнейшим фактором развития является степень внедрения интегрированных средств интеллектуальной обработки информации, и в частности видеоинформации, полученной от многочисленных видеокамер наблюдения на всех важнейших объектах транспортной сети.
Огромное количество данных и сложный характер обработки видеоинформации делают необходимым слияние достигнутых успехов в области вычислительной техники, телевидения и техники связи при решении проблем развития транспортных систем и технологии [2].
Сегодня высокий уровень автоматизации различных сфер человеческой деятельности требует от компьютерных систем не только быстро и точно выполнять вычисления, но также эффективно распознавать визуальную информацию и на основе ее анализа решать сложные задачи управления и контроля. Такие системы принято называть системами искусственного (машинного) зрения, следовательно, применительно к транспортной отрасли концептуальная модель интеллектуальной ТВСнК должна включать следующие основные блоки (рис. 1) [3; 4]:
— приема и обработки видеоинформации (сжатия и передачи);
— обучения и распознавания объектов (анализа и принятия решения).
Стратегия действий при развитии транспортных информационных технологий должна быть направлена на разработку новых методов приема, анализа и распознавания изображений при учете требований регламентирующей среды, с одной стороны, и ограничения сложности и скорости реакции системы — с другой (рис. 1) [5; 6].
т
Рис. 1. Концептуальная модель интеллектуальных ТВСнК
Системы искусственного зрения рассматриваются здесь не только как средство снижения уровня информационной неопределенности внешней информационной среды, но и как связующее звено между нею и внутренней информационной средой модели.
Известно, что видеокамера и устройство обработки изображения являются главными составляющими системы искусственного зрения, их объединяет термин «техническое зрение», поэтому имеются два принципиальных аспекта: во-первых, для видеосистем передачи данных разработка ТВСнК — это неразрывный процесс, не допускающий декомпозиции системы на подсистемы, в ходе которого фотоприемник и устройства компьютерной обработки не могут оптимизироваться раздельно. Оптимизация должна выполняться с учетом соотношения компонентов вектора концепции системы — потеря полезной информации; скорость передачи и сложности кодирующего устройства [7; 8, с. 76-83]. Во-вторых, для систем искусственного зрения при малой значимости сложности алгоритмов распознавания проектирование интеллектуальных ТВСнК требует декомпозиции системы подсистемы хранения и анализа уже собранной видеоинформации (изображений).
Системы искусственного зрения, предназначенные для использования на транспорте, должны отличаться высокой производительностью, надежностью и гибкостью. Всем этим требованиям удовлетворяют системы, построенные на базе промышленных БИС/СБИС, спроектированных с использованием новейших нанотехнологий со стандартными шинами интерфейсов связи с внешней средой. Следовательно, для решения сложных и ответственных задач транспорта в реальном времени необходимо осуществить синтез видеосистем на основе современной технологии «система на кристалле» [9].
Однако специфика транспортных задач такова, что одновременно требуется осуществлять наблюдение и передачу видеоинформации с высокой скоростью. Поэтому основные проблемы, стоящие перед разработчиками интеллектуальных ТВСнК, — это передача видеоинформации в реальном времени; анализ сцены для эффективного принятия решения на основе распознавания требуемых объектов изображения и учет ограничения ресурсов, продиктованных регламентирующей средой. Влияние этих трех факторов и следует учитывать при разработке функциональной схемы ТВСнК.
Функциональная схема интеллектуальной транспортной системы на кристалле
Целью исследования при разработке функциональной схемы ТВСнК (рис. 2) является реализация в виде комплекса аппаратно-программных подсистем приема, анализа и передачи видеоинформации, способных решать две главные задачи (наблюдение и управление) на транспорте в реальном времени:
а) обработка и передача видеоинформации в реальном времени;
б) структурирование и распознавание для эффективного управления.
Рис. 2. Функциональная схема интеллектуальной ТВСнК: а — подсистема обработки и передачи; б — подсистема распознавания и принятия решения
Выпуск 2
Выпуск 2
Исследования, проведенные за последние 5 лет в области кодирования и декодирования изображений, а также в области структурирования и представления видеоданных, позволили осуществить реализацию основных подсистем в составе предлагаемой функциональной схемы модели ТВСнК:
а) подсистема структурирования и представления изображения. Искусственное зрение прочно вошло в нашу жизнь и в настоящее время широко используется при решении самых разных задач и активно применяется там, где обычные системы видеонаблюдения оказываются неэффективными или вовсе невозможными. В числе задач, решение которых доверяют системам искусственного зрения и методам распознавания образов, можно назвать следующие: контроль и управление для эффективного безошибочного принятия решения практически на всех видах транспорта.
В задачах технического зрения на этапе распознавания обнаруженных объектов часто возникает задача описания формы объектов, как наблюдаемых, так и хранящихся в базе эталонов. При этом требуется, чтобы используемое описание формы было максимально компактным, а также устойчивым как к небольшим искажениям контуров объекта, так и к искажениям типа загораживания части объекта. Для решения этой задачи в настоящее время используются различные типы дескрипторов формы — от цепных кодов и Фурье-дескрипторов контуров [10, р. 521-524] до морфологических скелетных описаний [11].
Центральной проблемой в совершенствовании систем наблюдения и обнаружения в транспортных сетях является разработка и реализация алгоритмов обработки изображений и распознавания образов, обеспечивающих надежную автоматическую селекцию требуемого объекта сцены и определение координат этого объекта при ограничении времени для принятия решения в вычислительной системе. Априорная информация о сцене (количество, размеры объектов и их взаимное расположение) используется для формирования эталонного изображения сцены или ее эталонного описания в виде некоторой структуры данных опорных точек [12, с. 81-90]. По фотоснимкам формируется текущее изображение сцены (эталон) в виде совокупности структурированных опорных точек. Сопоставление текущего и эталонного изображений позволяет решить задачу локализации и распознавания изображений требуемых объектов.
Опорные точки изображения — это вершины триангуляционной сетки, полученной пирамидально-рекурсивным способом разбиения исходного изображения на полигоны и являющейся структурированной, то есть топология полностью определяется некоторым набором правил. Это означает, что, зная только индексы любой опорной точки, можно определить все соседние точки, а также вычислить их координаты [12; 13, с. 42-51]. Это важное свойство позволяет существенно экономить компьютерные ресурсы и тем самым построить оптимальные размеры кристалла блоков распознавания и классификации изображений.
Важно отметить, что в качестве дополнительных к опорным точкам как наиболее стабильным признакам объектов изображений используются их геометрические характеристики — форма и размеры объектов, параметры их взаимного расположения. Важно знать, что требования к интеллектуальным транспортным системам наблюдения — это оперативное реагирование на возникшие чрезвычайные ситуации, основанное на формировании описаний ситуации. Эти описания должны включать параметры требуемых объектов и межобъектных отношений, существенных для решения поставленной транспортной задачи. Например, объектами интереса являются объекты, которые могут препятствовать движению транспортных средств или загораживать объект поиска.
Исследования, проведенные совместно в ОАО «НИИТ», СПбГЭТУ и ИПТ РАН по анализу и представлению изображений, показали, что наиболее эффективным решением является выделение объектов на основе разработанного пирамидально-рекурсивного метода поиска опорных точек. Данный метод позволяет строить иерархическое представление опорных точек с помощью динамических структур данных, которые формируют набор эталонов в составе специализированных транспортных видеоинформационных библиотек, предназначенных для решения тех или
иных конкретных задач автоматизированного анализа видеоинформации. Полученные результаты исследования предложенного метода показали:
а) применение метода кодирования по опорным точкам позволяет достичь лучшей эффективности кодирования для класса изображений с большой мерой нестационарности изображений по сравнению с ДКП (до 1,4 раза) и с вейвлет-кодированием (до 1,2 раза);
б) применение метода трихотомии при поиске опорных точек изображения позволяет на 20 % сократить вычислительные затраты по сравнению с известными алгоритмами на основе дихотомии и тетрахотомии;
б) подсистема обработки и передачи видеоинформации. Потребность повышения эффективности кодирования видеоинформации отражается в ряде федеральных целевых программ, включающих создание:
— автономных аппаратов наблюдения, обеспечивающих передачу видеоинформации с использованием цифровых каналов связи;
— современной отечественной электронной компонентной базы для систем кодирования и декодирования изображений.
Интеллектуальные транспортные системы управления характеризуется высокими требованиями к устройствам видеонаблюдения и мониторинга. Важнейшей задачей таких систем является передача видеоинформации в реальном времени для правильного анализа ситуации и принятия необходимых решений. Прием визуальных данных и кодирование для быстрой передачи по каналу связи требует наличия быстрых и эффективных алгоритмов сжатия и восстановления изображений. Поэтому авторами делается акцент на достигнутые результаты в области обработки видеоинформации [2; 8], которые учитывают статистические свойства изображений и существенное ограничение сложности реализации систем.
Формализованный учет сложности кодирующих устройств, стимулированный созданием и развитием СБИС и систем на кристалле, требует пересмотра понятия «эффективное кодирование».
В круг учитываемых величин, связанных с кодированием изображений (показателей качества системы), должны войти не только точность передачи (ошибка) и скорость передачи, но и сложность. Известно, что эти величины взаимосвязаны, и оптимизацию кодера нужно делать как минимум по трем параметрам: по битовой скорости, искажению и вычислительной сложности. В развитие этой идеи в работе [8] предложен критерий эффективности кодирования, учитывающий не только меру приближения к эпсилон-энтропии источника, но и то, какими информационными средствами достигнуто данное приближение, в первую очередь какой сложностью кодера.
Следуя методике векторного синтеза систем связи, в статье рассматривается предложенный в [7; 8] обобщенный показатель эффективности Р, включающий взвешенную сумму {Р.} совокупности частных информационных показателей качества устройств кодирования видеоинформации, которые связаны с ошибкой передачи е: а) потери полезной информации А1; б) скорости передачи Я и в) сложности Ж. кодера. Вектор весовых коэффициентов {с.} при них называют вектором концепции системы. Для обеспечения общего информационного подхода к решению задачи оптимизации системы связи все частные информационные показатели качества Р.(е) приведены к виду (общая целевая функция транспортной системы связи), имеющему единую размерность информации (например, бит):
Р = ЕсР.(е) = с0А/(е) + с1Я(е) + с2Ж(е) + с3Ж(е) ^ шт.
Данная целевая функция позволяет объективно сравнивать произвольные кодеры, отличаю- < щиеся по всем параметрам — ошибке передачи, скорости передачи и сложности, если зафиксировать выборку испытательных сигналов.
Формула эпсилон-энтропии, связывающая нижнюю границу скорости передачи сигнала Не с его известным спектром амплитуд {Хк} и с задаваемой ошибкой е, вычисляется как конечная сумма п логарифмов спектрального отношения дисперсий X к порогу 0 [16]:
Выпуск 2
Выпуск 2
Яе=1Ё/о£-^ прие = 0«+^Х4.
к=1 ^ к=п+1
Известно, что для широкого класса задач требуемая сложность Ж вычислений (эпсилон-сложность, то есть минимальное количество операций, необходимое для кодирования изображений с точностью в) логарифмически связана с задаваемой ошибкой: Ж ~ 1о§(1/в). С точностью до констант, учитывающих возможные затраты на энтропийное кодирование и восстановление сигналов в ходе итерационного кодирования, так же как и эпсилон-энтропия, эпсилон-сложность представлена суммой логарифмов спектрального отношения сигнал/ошибка:
*.=*!>*¥• к=\ о
Исходя из одинакового влияния на ошибку передачи, скорости передачи Я и сложности Ж кодера (аналогично передаче от дискретного источника по дискретному каналу), в работе [8] введено понятие о нижней границе для скорости передачи при ограничении сложности Н*. При этом эпсилон-энтропия Н, является пределом эпсилон-энтропии с ограничением сложности Н* и эпсилон-сложности Ж:
8
Иш Н * = Нш Ж= Н .
Ж-^ х
Нх
Для формализации взаимообмена скорости передачи и сложности кодера предложен функционал взаимосвязи эпсилон-энтропии с ограничением сложности Н8* и сложности Ж кодирования, отличающийся от гармонического среднего отсутствием множителя числа слагаемых (рис. 3):
Таким образом, компьютерное моделирование предложенного функционала на различных алгоритмах кодирования и декодирования видеоинформации выявило, что с точки зрения вычислительной сложности алгоритмы на основе адаптивного трехмерного дискретного косинусного преобразования видеоинформации характеризуется примерно в 10 раз меньшими временными затратами в сравнении со стандартом МРБО-2 [17, р. 386-391].
Рис. 3. Взаимообмен скорости и сложности кодера
Маршрут проектирования интеллектуальных транспортных видеосистем на кристалле
На начальном этапе при проектировании интеллектуальных ТВСнК решаются задачи выбора наилучших вариантов вектора концепции из множества допустимых значений весовых коэффициентов, удовлетворяющих предъявленным требованиям (рис. 4). Проектирование считается оптимальным, если определен вектор концепции системы в целом, весовых коэффициентов, которые являются оптимальными параметрами проектируемого изделия, исходя из критериев оптимальности и поставленных ограничений. Переменные проектирования вектора являются внутренними, допускающими варьирование.
Ограничения и связи между отдельными параметрами аппаратуры приводят к необходимости идти на компромисс и выбирать для каждой характеристики не максимально возможное
значение, а такое, при котором и другие важные характеристики также будут иметь приемлемые значения.
Одним из эффективных путей, позволяющих сократить сроки и снизить стоимость разработки системы на кристалле, является применение в процессе проектирования встраиваемых сложнофункциональных блоков (СФ-блоков) (в англ. литературе их называют IP-Intellectual Property модулями, тем самым подчеркивается, что эта продукция является предметом интеллектуальной собственности).
Интегрируя в проекте готовые СФ-блоки от сторонних разработчиков и блоки, разрабатываемые собственными проектными группами, можно обеспечить необходимый компромисс между стоимостью и сроками создания конечного продукта [2]. Для сокращения сроков проектирования требуются недорогие и надежные библиотеки СФ-блоков.
Разработанные теоретические основы проектирования позволяют перейти от часто используемого при оптимизации сжатия эвристического синтеза (изобретательства) к формализованному статистическому синтезу на основе формализованных моделей сигналов и устройств. При этом устраняется имевшийся разрыв между формализацией внешних характеристик кодера — коэффициента сжатия и потери информации — и его внутренних характеристик, в первую очередь вычислительной сложности. Объединение этих внешних и внутренних характеристик в единую модель в данной статье осуществлено на основе методологии векторного синтеза систем, известного в теории систем и радиотехнике [7].
В статье развивается концепция декомпозиции интеллектуальной ТВСнК на две подсистемы: первая ориентирована на максимально быструю обработку для передачи, а вторая — на анализ и распознавание объектов изображений. При этом авторами предлагается создать специализированные дизайн-центры системного уровня проектирования с соответствующими библиотеками СФ-блоков (рис. 4), предназначенные для использования в решении разнообразных задач на транспорте.
На рис. 4 приведены основные этапы разработки сложных заказных интеллектуальных ТВСнК на основе технологии «система на кристалле», которые входят в состав традиционного маршрута проектирования, соответствующего созданию независимого верхнего уровня проекта.
Разработка интеллектуальной ТВСнК начинается с создания архитектурной модели системы. На этом этапе создается и отлаживается архитектура системы, разрабатываются и проверяются алгоритмы ее функционирования, определяется набор системных блоков. Системная (архитектурная) спецификация описывает общий состав входящих в систему аппаратных и программных блоков и интерфейс связи между ними. В результате создается высокоуровневая поведенческая модель проектируемой системы, обеспечивающая получение требуемого результата, то есть решение поставленных задач с помощью алгоритмов, реализуемых системными блоками. Модель может разрабатываться как на высокоуровневых языках, например С/С++ (для больших проектов или для решения исследовательских задач), так и с помощью несинтезируемого подмножества языков HDL, SystemC, System Verilog [2].
В полученной поведенческой модели выделяются функции, реализуемые программными и аппаратными средствами. Для разработки программного обеспечения обычно используются языки C/C++, на базе которых создавалась и архитектурная модель системы. Для разработки необходимых аппаратных средств выполняется функциональное проектирование системы, в процессе которого создается функциональная модель, описывающая поведение системы на RTL-уровне. При этом используются HDL-языки (VHDL, Verilog).
На этапе функционального моделирования проверяется правильность работы RTL-модели, проектируется тестовая программа (testbench), которая обеспечивает формирование входных воздействий и производит сравнение полученных результатов с ожидаемыми (теоретически рассчитанными). Для создания тестовой программы обычно используется тот же язык, что и для RTL-описаний. Данный этап является одним из наиболее трудоемких. Для уменьшения времени его выполнения необходимо включать в состав разрабатываемого RTL-описания готовые СФ-блоки, входящие в состав транспортной библиотеки.
Выпуск 2
Рис. 4. Маршрут проектирования интеллектуальных ТВСнК
Следующий этап — логический синтез. Входными данными на этапе автоматизированного логического синтеза являются: разработанное ЯТЬ-описание, выбранная технологическая библиотека и заданные проектные ограничения. Результатом выполнения этого этапа является структурное описание проекта в заданном базисе (netlist). Описание системы (проекта) передается для выполнения физического синтеза (трассировки и размещения элементов на кристалле). На заключительных этапах изготавливается и тестируется опытный образец СБИС, на базе которого затем создается и испытывается прототип разрабатываемой аппаратуры [2]. Далее производится тестирование и отладка параллельно создаваемого программного обеспечения.
Разработанные основы теории проектирования устройств систем на кристалле, имеющие ядром критерий качества устройств кодирования, понятие эпсилон-энтропии с ограничением сложности, закон взаимообмена сложности и скорости передачи, позволяют осуществлять прогноз перспективности применения различных классов алгоритмов в различных прикладных задачах с различными статистическими свойствами изображений.
Разработка прикладных методов проектирования элементов и устройств телекоммуникации в базисе элементов функциональной микроэлектроники, предназначенных для кодирования сигналов изображений в прикладных системах, опирается на современные информационные технологии. Последние олицетворяются с развитой сетью базовых центров проектирования системного
и кристального уровней и заводов по производству СБИС, оснащенных емкими базами данных как по СФ-блокам, так и по составляющим их элементарным узлам.
В основе методологии проектирования интеллектуальных ТВСнК должен лежать принцип повторного использования СФ-блоков, разрабатываемых целенаправленно для решения задач обеспечения безопасности транспорта и включенных в состав транспортно-ориентированной библиотеки.
Фактически весь процесс разработки ТВСнК делится на пять этапов: начальный этап определения вектора концепции транспортной видеосистемы, разработка архитектуры ТВСнК на системном уровне, выбор имеющихся СФ-блоков из базы данных (внутри транспортных центров или других фирм поставщиков СФ-блоков), проектирование оставшихся блоков и интеграция всех блоков на кристалле (рис. 4).
В Институте проблем транспорта РАН совместно с СПбГЭТУ «ЛЭТИ» разработан макет на основе системы на кристалле с встроенным 32-разрядным ARM процессором, позволяющий выполнить весь маршрут аппаратно-программного проектирования сложнофункциональных блоков кодирования и декодирования видеоинформации в системах технического зрения для решения комплекса задач обработки видеоинформации в реальном времени. Макет также обеспечивает синтез RTL-моделей для систем распознавания образов в виде СФ-блоков технического зрения, которые могут быть использованы в решении задач безопасности и организации эффективного функционирования транспорта.
Заключение
Современный подход к развитию интеллектуальных транспортных технологий должен обеспечивать выполнение полного маршрута системного проектирования систем искусственного зрения на кристалле. При этом необходимо параллельно создавать собственные библиотеки модулей с возможностью повторного использования СФ-блоков, специализированных для решения конкретных транспортных задач обеспечения безопасности: авиационного, железнодорожного, водного транспорта и т. д.
В заключение можно сделать следующие основные выводы:
1) принцип параллельного отображения видеоинформации на сегодняшний день является весьма актуальным и остро востребованным на транспорте — органам управления гораздо проще воспринимать видеоданные, когда они представлены параллельно на разных экранах. При этом создание интерфейса и соответствующего программного обеспечения с целью представления больших объемов видеоданных и оперативной выдачи соответствующих команд (или сигналов) при весьма ограниченном времени реакции очень часто ведет к правильному принятию решения для применения необходимых мер по обеспечению безопасности транспортной сети;
2) появление нового направления транспортного телевидения делает необходимым использование адаптивных спектральных методов кодирования и декодирования изображений на основе трехмерного дискретного косинусного преобразования и построения соответствующих транскодеров для многоканальной реализации телевидения ВЧ на всех видах транспорта;
3) решение проблем анализа и распознавания требуемых объектов изображений целесообразно выполнить на основе пирамидально-рекурсивного метода поиска и хранения опорных точек для создания и классификации изображений применительно к транспортной тематике;
4) рынок видеонаблюдения развивается безостановочно. Скорость, с которой увеличивается число мегапикселей в матрицах видеокамер и объемы жестких дисков на видеорегистраторах, говорит о все более жестких требованиях к транспортным технологиям безопасности. В условиях подобной «гонки вооружений» ощутимым преимуществом для производителя оказывается разработка и применение собственных технологий, созданных на основе принципа «система на кристалле». В первую очередь это транспортные видеосистемы на кристалле с матрицами для аналоговых и цифровых камер и сетевых видеорегистраторов;
Выпуск 2
Выпуск 2
5) преимуществами библиотек СФ-блоков транспортной отрасли являются возможность автоматизированной разработки различных специализированных систем технического зрения на базе технологии «система на кристалле» и наличие (по открытому лицензионному соглашению) доступа к СФ-блокам других библиотек радиоэлектронной промышленности;
6) проведенная разработка типовой функциональной схемы транспортной системы искусственного зрения на кристалле позволяет эффективно реализовать различные комбинации архитектур цифровых систем обработки видеоданных для анализа и управления в реальном времени.
Список литературы
1. Белый О. В. Проблемы построения и развития транспортных систем / О. В. Белый. — СПб.: Элмор, 2012. —192 с.
2. Твердотельная революция в телевидении / А. К. Цыцулин [и др.]. — М.: Радио и связь, 2006. —
350 с.
3. Рассел С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг. — 2-е изд. — М.: Вильямс, 2006. — 1408 с.
4. Szeliski R. Computer Vision: Algorithms and Applications. Texts in Computer Science / R. Szeliski. — Springer, 2010. — 812 p.
5. Дуда Р. Распознавание образов и анализ сцен: пер. с англ. / Р. Дуда, П. Харт. — М.: Мир, 1976. —
511 с.
6. ТуДж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес. — М.: Мир, 1978. — 412 с.
7. Моисеев Н. Н. Математические задачи системного анализа / Н. Н. Моисеев. — М.: Наука. 1981. — 488 с.
8. Березин В. В. Начальный этап проектирования видеосистем на кристалле / В. В. Березин, Ш. С. Фахми, А. К. Цыцулин // Оптический журнал. — 2012. — Т. 79, № 11.
9. Немудрое В. Г. Системы на кристалле. Проектирование и развитие / В. Г Немудров, М. Мартин. — М.: Техносфера, 2004. — 216 с.
10. Folkers A. Content based Image Retrieval Using Fourier Descriptors on a Logo Database / A. Folkers, H. Samet // Proc. of the 16th Intern. Conf. on Pattern Recognition. — Quebec, 2002. — Vol. 3.
11. Sandic-Stankovic D. Multiresolution decomposition using morphological filters for 3D volume image decorrelation / D. Sandic-Stankovic // 19th European Signal Processing Conference (EUSIPCO 2011), August 29 — September 2. — Barcelona, Spain, 2011.
12. Фахми Ш. С. Развитие триангуляционного подхода для кодирования и декодирования нестационарных изображений [текст] / Ш. С. Фахми // Вестник ТОГУ. — 2010. — № 3 (18).
13. Фахми Ш. С. Полигональная рекурсивная обработка видеоинформации / Ш. С. Фахми // Вопросы радиоэлектроники. Сер. «Техника телевидения». — 2008. — Вып. 1.
14. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. — М.: Техносфера, 2006. — 1072 с.
15. Галанин М. П. Методы численного анализа математических моделей / М. П. Галанин, 88 Е. Б. Савенков. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2010. — С. 591.
16. Колмогоров А. Н. Теория информации и теория алгоритмов / А. Н. Колмогоров. — М.: Наука, 1987. — 304 с.
17. A versatlie real time video codec based on three-dimensional discrete cosine transform / A. A. Umbi-taliev [et al.] // IBC 2008, RAI International Congress and Exhibition Centre Amsterdam. The Netherlands. Conference, 11-15 September 2008.
