Метод моделирования фона и обнаружения движущихся объектов Текст научной статьи по специальности «Компьютерные и информационные науки»

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №4/2016 ISSN 2410-6070

15.Бондарева Г.И. Основы надежности технических систем. М. 2008.

© Будин О.О., 2016

УДК62

Буй В. Ш., Литвинов Ю.В., Хо В. К.

магистр гр. Р4240, доцент, магистр Р4140 кафедры СУиИ Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики г. Санкт-Петербург, Россия

МЕТОД МОДЕЛИРОВАНИЯ ФОНА И ОБНАРУЖЕНИЯ ДВИЖУЩИХСЯ ОБЪЕКТОВ

Аннотация

В статье изложен алгоритм моделирующий пиксели заднего фона с помощью локальных бинарных шаблонов, которые вычисляются в радиусе от данного пикселя. Алгоритм локальных бинарных шаблонов устойчив к различному освещению и не требует нормализации входного изображения. Так же данный алгоритм способен работать в режиме реального времени. В качестве недостатка можно указать плохую работу с монотонными областями, такими как небо.

Ключевые слова tracking object, detecting, modeling the background, moving objects.

Вычисление межкадровой разности является распостранённым методом первичного обнаружения движения, после выполнения которого можно определить, присутствует ли в потоке кадров движение.

Алгоритм вычисления межкадровой разности выглядит следующим образом: на вход алгоритма поступают два видеокадра, представляющие собой две последовательности байт. Производится вычисление по-пиксельных межкадровых разностей по следующей схеме:

аг(х,у) = !г(х,у) - ¡г-1(х,у) Разность сравнивается с заданным порогом, в результате чего формируется двоичная маска:

[0, аг(х,у)<Т Ъ(х,у) < Т

пнМ = £

Где т1-(х,у)- значение ^го элемента маски, Т- порог сравнения, иногда называемый также порогом или уровнем чувствительности [1, с. 22].

Алгоритмы вычитания фона широко применяются в задачах видеонаблюдения и активно изучаются в последнее время. Большинство существующих алгоритмов вычитания фона основываются на сравнении цвета пикселей или блоков очередных кадров со своими цветовыми моделями. При этом значительные перепады в освещении обычно приводят к большому числу ошибок, а иногда и к полной деградации работы системы (см. рис. 1, рис. 3).

а) б) в)

Рисунок 1 - Задача вычитания фона: а)фон, б) кадр с объектом переднего плана, в) искомая маска объекта.

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №4/2016 ISSN 2410-6070_

Существует много алгоритмов метода вычитания фона, но, в принципе, почти все состоят из процедур, которые представлены на рис. 2. Самыми главными являются предобработка, моделирование фона, обнаружение движения и постробработка. Типовая схема реализации метода вычитания фона представлена на рис. 2

Рисунок 2 - Схема обнаружения подвижных объектов.

П П

Рисунок 3 - Обнаружение движущихся людей в помещении: а)- 2 кадра из видеопоследовательности от

одной камеры, б) результат вычитания фона, в) результат процедуры обнаружения людей.

Основной задачей на этапе предобработки растровых данных является подготовка изображений к обнаружению на них движущихся объектов. Поэтому предобработка должна сводиться к выделению на изображении тех его элементов, которые предположительно принадлежат движущимся объектам [2, с. 2].

Большинство методов вычитания фона можно разбить на 3 категории:

• Попиксельные

• Поблочные

• Алгоритмы, основанные на Марковских или Условных случайных полях.

Методы первой категории обрабатывают все пиксели очередного кадра независимо. Цвет каждого пикселя на текущем кадре сравнивается с его цветовой моделью. Типичными цветовыми моделями являются нормальное распределение, смесь нормальных распределений и непараметрические модели. Метод предполагает, что значение цвета пикселя фона - случайная величина, чье распределение можно аппроксимировать смесью нормальных распределений. Среди недостатков данного метода можно выделить необходимость использования большого числа гауссиан в смеси для моделирования фона, что приводит к существенным вычислительным затратам. Кроме того, данный метод чувствителен к небольшим дрожаниям камеры [3, с.54].

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №4/2016 ISSN 2410-6070_

Методы второй категории независимо обрабатывают не пиксели, а целые блоки. То есть весь кадр разбивается на блоки, и для каждого из них принимается независимое решение. Несмотря на то, что потенциально такие методы не могут быть идеально точными, зачастую они дают более приемлемый результат, т.к. используют для принятия решения информацию с целой области. В эту категорию входят, например, метод на основе построения LBP- гистограмм и метод на основе метрики SSD. Последний метод хранит модель фона в виде одного изображения. Результат на каждом кадре производится с помощью сравнения значения метрики близости с порогом. Метрика считается поблочно и равна сумме квадратов разностей между цветами соответствующих пикселей фона и текущего кадра. Предложенный метод также попадает в эту категорию [4, с. 2].

В последнее время были предложены методы вычитания фона, проводящие сегментацию пикселей изображения, используя модели Марковского и Условного случайного поля для учета пространственных зависимостей между пикселями. С помощью данных методов можно дополнительно требовать, чтобы границы областей объектов переднего плана проходили преимущественно по краям на входном изображении. Но, к сожалению, методы данной категории являются более медленными, и почти не используются на практике в системах видеонаблюдения.

Таким образом, с помощью данного метода можно уменьшить ошибки сегментации из-за движений в фоновом изображении, но с другой стороны необходимо заранее знать наиболее вероятные модели движения для объектов переднего плана, что возможно не в каждом случае. Все алгоритмы вычитания фона условно можно разделить на быстрые, но слабоустойчивые к изменениям освещения и дрожаниям камеры, и качественные, но требующие существенных временных затрат на обработку каждого кадра. Мы предлагаем метод, который может одновременно быстро и качественно решать задачу, основываясь на классификаторах, натренированных для каждого блока.

Список использованной литературы

1. Raja Y, McKenna S. J. Gong S., Color model selection and adaptation in dynamic scenes. Computer Vision -ECCV'98. 5thEuropean Conference on Computer Vision. Proceedings. Springer-Verlag. Part vol.1, 1998, 1998: p. 460-74 vol.

2. Буй, В.Ш. Алгоритм для отслеживания объектов по видеоизображению / В.Ш. Буй, И.Е. Архипенко, Ю.В. Литвинов // Научный альманах. - 2015. - № 12-2(14) [Электронный ресурс]. - Режим доступа: http://ucom.ru/doc/na.2015.12.02.pd

3. Priebe Ce, Marchette D. J., Adaptive mixtures: recursive nonparametric pattern recognition. Pattern Recognition, 1991. 24(12):p. 1197-209.

4. Буй В.Ш., Бушуев А.Б., Шмигельский Г.М., Литвинов Ю.В., Щаев Е.Г. Алгоритмы управления летающим роботом при слежении за подвижным объектом. Известия высших учебных заведений. Приборостроение. 2015. Т. 58. № 8. С. 593-599.

© Буй В. Ш., Литвинов Ю.В., Хо В. К., 2016

УДК 665.6:614.8

А.С.Воробьева

магистр 2 курса Технологического факультета ФГБОУ ВПО «Уфимский государственный нефтяной технический университет»

АНАЛИЗ АВАРИЙНЫХ СИТУАЦИЙ НА УСТАНОВКАХ ГИДРООЧИСТКИ ДИЗЕЛЬНОГО

ТОПЛИВА В РОССИИ

Аннотация

Представлены результаты анализа безопасности и основных причин аварий на установках гидроочистки дизельного топлива нефтеперерабатывающих заводов России.