CC BY
76
19 Я
А.Н. Алфимцев1, И.И. Лычков2, В.В. Девятков3
Московский государственный технический университет им. Н. Э. Баумана, 105005, г. Москва, ул. 2-ая Бауманская, 5.
Рассмотрен вычислительно эффективный метод отслеживания транспортных средств в видеопотоке. Представлен аналитический обзор популярных методов отслеживания объектов, выделены их преимущества и недостатки. Приведены примеры работы предложенного метода на видеозаписи движения реального транспортного потока. Рассмотрена аппаратная реализация метода на кристалле программируемой логической интегральной схемы Altera Cyclone IV. Ил. 6. Табл. 1. Библиогр. 12 назв.
Ключевые слова: отслеживание объекта; программируемая логическая интегральная схема (ПЛИС); компьютерное зрение; распознавание образов.
A METHOD FOR TRACKING VEHICLES IN A VIDEO STREAM A.N. Alfimtsev, I.I. Lychkov, V.V. Devyatkov
Moscow State Technical University named after N.E. Bauman, 5, 2nd Baumanskaya St., Moscow, 105005.
A computing efficient method for tracking vehicles in a video stream is examined. An analytical review of popular methods for tracking objects is presented; their advantages and disadvantages are distinguished. The examples of the proposed method operation are given on the video recording of the movement of the real traffic flow. The hardware implementation of the method is considered on the crystal of the programmable logical integrated circuit Altera Cyclone IV. 6 figures. 1 table. 12 sources.
Key words: object tracking; programmable logical integrated circuit (PLIC); computer vision; pattern recognition.
УДК 004.932.72'1
МЕТОД ОТСЛЕЖИВАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ В ВИДЕОПОТОКЕ
Задачи организации дорожного движения усложняются из-за перманентного роста населения крупных городов. Транспортная система мегаполиса имеет грандиозные размеры, требует постоянного контроля, своевременного расширения и модернизации. Организация наблюдения за состоянием такой сложной системы затруднительна без использования интеллектуальных информационных систем.
Техническая система, которая осуществляет сбор, предварительную обработку информации на низком уровне, выделяет характерные особенности и закономерности, подготавливает сводный отчет и визуализирует его для человека, называется системой интеллектуального мониторинга.
Методы интеллектуального мониторинга транспортных средств решают широкий круг задач: навигация транспортного средства, адаптивное управление дорожным движением, фиксация фактов нарушения правил, фиксация опасных ситуаций.
Интеллектуальный мониторинг транспортных средств также предполагает захват и отслеживание движения транспортных средств по автотрассам. Для сбора информации о движении существуют датчики разных типов [1]: видеодетекторы транспорта, микроволновые радары, инфракрасные датчики, ультразвуковые датчики, пассивные акустические датчики, пет-
левые индукционные датчики.
Привлекательный с экономической точки зрения видеодетектор позволяет обнаруживать транспортные средства одновременно на нескольких полосах движения и может заменить несколько датчиков других типов. Однако методы компьютерного зрения, которые применяются в таких датчиках, имеют существенные ограничения по точности обнаружения транспортного средства и работе в реальном времени. Они чувствительны к искажениям изображения, которые обусловлены погодными явлениями, тенями, взаимным перекрытием транспортных средств. Все это ограничивает использование видеодетекторов в системах интеллектуального мониторинга транспортных средств.
Цифровое изображение (кадр), получаемое видеокамерой в момент времени г и имеющее по вертикали Н, а по горизонтали w пикселей, обозначим 1,(к,м>). Видеопотоком будем называть последовательность цифровых изображений It+1{V,W), ..., It+k{V,W). Под областью интересов ОЪ(Х,У) понимается множество пикселей цифрового изображения 1,(к,м>), очерчивающих искомый объект, имеющая
X пикселей по вертикали и У по горизонтали. Задача отслеживания объекта заключается в том, чтобы по заданному положению его области интересов
1Алфимцев Александр Николаевич, кандидат технических наук, доцент кафедры информационных систем и телекоммуникаций, тел.: 89067830871, e-mail: [email protected]
Alfimtsev Alexander, Candidate of technical sciences, Associate Professor of the Department of Information Systems and
Telecommunications, tel.: 89067830871, e-mail: [email protected]
2Лычков Игорь Игоревич, аспирант, тел.: (499) 2636625, e-mail: [email protected]
Lychkov Igor, Postgraduate, tel.: (499) 2636625, e-mail: [email protected]
3Девятков Владимир Валентинович, доктор технических наук, зав. кафедрой информационных системы и телекоммуникаций, тел.: (499) 2636625, e-mail: [email protected]
ОЪ(Х1,У1) в момент времени г найти положения его области интересов ОЪЫ(ХМ,УЫ), ОЬ1+2(Х1+2,У1+2), ..., ОЪ1+1с(Х1+1с,У1+1с) в последующие моменты времени.
Целью данной работы является разработка и аппаратная реализация на ПЛИС вычислительно эффективного метода отслеживания в реальном времени транспортных средств в видеопотоке.
Далее структура статьи следующая. В разделе 2 проводится аналитический обзор существующих методов отслеживания объектов в видеопотоке. В разделе 3 приводится описание предлагаемого метода. Раздел 4 посвящен аппаратной реализации метода. В разделе 5 рассматриваются результаты экспериментов. Раздел 6 является заключительным.
1. Обзор существующих методов
Отслеживание объекта во времени обычно включает нахождение области интересов ОЪ1(Х1,У1) на последовательности кадров 1,(к,м>) с использованием таких характерных признаков, как точки, линии или области. Среди популярных математических инструментов для отслеживания можно выделить фильтры Калмана [2], алгоритм конденсации [3], динамические байесовские сети [4], геодезический метод [5].
В целом, методы отслеживания можно разделить на четыре основные категории [6]: отслеживание по областям, отслеживание по активному контуру, отслеживание по характерным признакам, отслеживание по модели.
1.1. Отслеживание по областям
Методы отслеживания по областям применяются для отслеживания объектов в соответствии с изменениями областей изображения, соответствующих движущимся объектам. В таких методах изображение заднего фона динамически обновляется, а области движения выделяются путем вычитания фона из текущего изображения.
Хотя эти методы успешно анализируют сцены, содержащие небольшое количество объектов, методы отслеживания по областям не могут надежно обрабатывать случаи взаимного перекрытия объектов. Более того, поскольку эти методы отслеживают объекты на уровне областей и по сути являются методами обнаружения движения, они не позволяют получить очертания или трехмерное положение объекта (в данном случае трехмерное положение объекта включает позицию и ориентацию объекта в пространстве). Соответственно эти методы не применимы в условиях динамически меняющегося фона и большого количества движущихся объектов.
1.2. Отслеживание по активному контуру
Методы отслеживания по активному контуру отслеживают объекты путем представления их очертаний в виде ограничивающих контуров и динамического обновления этих контуров на последующих кадрах. Эти методы имеют целью прямое извлечение формы объектов и дают более полное описание объектов в сравнении с методами отслеживания по областям.
Кроме того, методы отслеживания по активному контуру описывают объекты более просто и эффективно, а также сокращают вычислительную сложность.
Они могут непрерывно отслеживать объекты даже в условиях их искажений и частичного перекрытия. Однако точность отслеживания ограничивается на уровне контура. Это усложняет задачу восстановления трехмерного положения объекта из его контура. Также методы отслеживания по активному контуру очень чувствительны к точности начальной инициализации, что затрудняет запуск процесса отслеживания в автоматическом режиме.
1.3. Отслеживание по характерным признакам
Методы отслеживания по характерным признакам
выполняют отслеживание объектов путем извлечения элементов изображения, объединения их в характерные признаки более высокого уровня и последующего сопоставления с характерными признаками других изображений. Эти методы используют в основном следующие признаки: центр тяжести объекта, периметр, площадь, цветовые распределения, прямолинейные и криволинейные сегменты, расстояния и геометрические отношения.
В общем случае, поскольку методы отслеживания по характерным признакам применяются к двумерным изображениям, их можно легко и быстро адаптировать для обработки и отслеживания нескольких объектов в реальном времени, что необходимо для мониторинга перегруженных автострад. Такие методы могут справляться с частичным перекрытием объектов, используя информацию о движении объекта, локальных признаках и графах зависимостей между признаками.
Однако эти методы имеют ряд ограничений. Во-первых, точность отслеживания объектов на основе двумерных признаков значительно снижается при изменении угла наклона или точки обзора видеокамеры, получающей цифровые изображения. Во-вторых, с использованием этих методов довольно сложно восстановить трехмерное положение объектов.
1.4. Отслеживание по модели
Методы отслеживания по модели отслеживают объекты путем сопоставления участков изображения с проекциями трехмерных моделей этих объектов, составленных по априорным данным. Модели обычно строятся предварительно с помощью ручных измерений или специальных инструментов автоматизации. Для отслеживания транспортных средств обычно используются модели в виде трехмерных «проволочных» каркасов.
Методы отслеживания по модели имеют следующие основные достоинства. Во-первых, благодаря использованию априорных знаний о трехмерных контурах и поверхностях объектов эти методы могут давать хорошие результаты точности отслеживания в условиях частичного перекрытия объектов и сближения нескольких очагов движения на изображении. Во-вторых, после нахождения геометрического соответствия между двумерными координатами изображения и трехмерными пространственными координатами откалиброванной камеры эти методы способны отслеживать объекты, которые значительно изменяют свой вектор движения. Главным недостатком методов является высокая вычислительная сложность.
1.5. Сравнение методов
В условиях частичного перекрытия объектов и невысокой точности начальной инициализации процесса отслеживания возможности отслеживания по областям и по активному контуру ограничены (таблица). Методы отслеживания по модели обладают высокой точностью отслеживания, однако требуют больших вычислительных затрат и не подходят для решения задач в реальном времени. Таким образом, реализуемый метод будет основываться на методе отслеживания по характерным признакам.
2. Описание предлагаемого метода
2.1. Основные шаги
Метод отслеживания транспортных средств в видеопотоке принимает на вход два последовательных во времени кадра с номерами к и (к +1), а также
координаты области интересов ОЪ(Х1,У1) на ^м кадре. Требуется получить координаты этой области
Рассматриваемый метод включает следующие шаги:
первый - выделение линий границ на обоих кадрах.
второй - индексация линий по координатам средней точки.
третий - исключение неподвижных линий.
четвертый - назначение опорных линий к -го кадра.
пятый - детектирование новых положений опорных линий на (к +1)-м кадре.
шестой - расчет перемещения области интересов.
На первом шаге кадры обрабатываются фильтром Хаара. В кадрах выделяются горизонтальные и вертикальные границы перепадов яркости (рис. 1, а и б) по методу, изложенному в [8]. Каждой выделенной линии приписывается один из четырех типов перепадов: вертикальный перепад с темного на светлое, вертикальный перепад со светлого на темное, горизонталь-
интересов ОЪ1+](Х1+],У1+]) на (к +1)-м кадре.
Сравнение существующих методов отслеживания объектов
Категория метода отслеживания Применимость в Автоматическая Восстановление Возможность
условиях частич- инициализация трехмерного обработки
ного перекрытия объектов процесса отслеживания положения объекта видеопотока в реальном времени
По областям - + - +
По активному контуру + - - +
По характерным + + +
признакам
По модели + + + -
Рис. 1. Иллюстрация работы метода отслеживания: а - линии к -го кадра; б - линии (к +1) -го кадра; в - линии, похожие на опорную; г - поиск вероятного смещения
ный перепад с темного на светлое, горизонтальный перепад со светлого на темное.
Индексация линий на втором шаге метода позволяет ускорить процесс поиска линий, расположенных в заданном прямоугольном участке изображения [7]. При этом линии изображения объединяются в группы по критерию близкого расположения их средних точек. Каждой группе соответствует узел бинарного дерева. Ускорение поиска достигается за счет исключения из рассмотрения групп линий, расположенных за пределами интересующего участка изображения.
На третьем шаге осуществляется исключение неподвижных линий. Линия k -го кадра считается неподвижной, если на (k +1)-м кадре имеется соответствующая линия того же типа и с такими же координатами средней точки.
Повышенные требования к быстродействию не позволяют отслеживать перемещения всех линий k-го кадра. Поэтому предлагается отслеживать перемещения лишь некоторых линий k -го кадра, называемых опорными. На четвертом шаге метода эти линии назначаются следующим образом.
На изображение накладывается прямоугольная сетка. Из каждой ячейки выбирается самая длинная линия, центр которой попадает в эту ячейку. На множестве линий границ вводится бинарное отношение сходства, которое устанавливается между двумя линиями ^ и 13 при выполнении следующих условий:
1) тт(1]) = тт(12);
2) \длина(11) - длина(12) < р0, где р0 - параметр, задаваемый вручную.
Затем на пятом шаге для каждой опорной линии k -го кадра детектируется ее новое положение на (k +1)-м кадре. Предположим, что заданная опорная линия k -го кадра принадлежит некоторому подвижному объекту. Тогда линии k -го кадра, расположенные в некоторой окрестности опорной линии, также могут принадлежать этому объекту и составляют контекст опорной линии (см. рис. 1, а). Находим на (k +1)-м кадре все линии, связанные с опорной линией отношением сходства и расположенные в некоторой окрестности ее положения на k-м кадре (рис. 1, в). Каждая из найденных линий (k +1)-го кадра может соответствовать новому положению опорной линии. Так, на рис. 1, в видно, что опорная линия могла переместиться влево вверх или вправо вниз. Чтобы установить наиболее правдоподобное положение опорной линии, поочередно выполняется ее совмещение с каждой из похожих линий (k +1)-го кадра. При этом линии контекста опорной линии также переносятся и накладываются на (k +1) -ый кадр. Затем подсчитывается количество линий контекста, которые совпали с соответствующими линиями (k +1)-го кадра [7]. Положение опорной линии, дающее максимальное количество совпадений, считается наиболее правдоподобным. В нашем примере опорная линия переместилась вправо вниз (рис. 1, г). Наконец, вы-
числяется вектор перемещения опорной линии между k -м и (k +1)-м кадрами.
На заключительном шаге метода по заданному положению области интересов ОЪ(Х1,У1) объекта в момент времени г требуется найти положение области интересов ОЪ1+](Х1+],У1+]) этого объекта в момент времени г +1. В случае плоскопараллельного движения объекта между кадрами для этого достаточно выбрать векторы перемещений, точки приложения которых попадают в область интересов ОЪ(Хгу) на соответствующем кадре, рассчитать средний вектор перемещения и параллельно сместить область ОЪ1(Х1,У1) на этот вектор.
2.2. Оценка вычислительной сложности Проведем оценку вычислительной сложности разработанного метода.
Пусть п - количество линий, содержащихся в кадре, N - общее количество пикселей или площадь кадра, ь - площадь условного участка кадра. Площадь ячейки разбиения кадра при назначении опорных линий, площадь контекстной области опорной линии k -го кадра и площадь зоны поиска похожих на нее линий (k +1)-го кадра пропорциональны параметру ь . Пятый шаг метода включает наибольшее количество вычислений и определяет вычислительную сложность всего метода. Структура пятого шага представлена на рис. 2.
5 Детектирование новых положений оп. линий на (к+ 1)-м кадре Цикл ¡ = 1:1
по опорным линиям к-го кадра - Цикл ¡-1: ш
по линиям (к+ 1)-го кадра, похожим на ¡-ую опорную линию Цикл р = 1: V по линиям контекста ¡-ой опорной линии Поисклиний (к+ 1)-го кадра, на которую накладывается р-ая линия контекста при совмещении ¡-ой опорной линии к-го кадра с]-ой линией (к+ 1)-го кадра
Рис. 2. Структура пятого шага метода
Если линии границ расположены равномерно по площади изображения, то количество повторений циклов можно рассчитать по формулам
} N ь Ь
I = — w = п— V = п — Ь ' N N
Во внутреннем цикле выполняется поиск линий, совпадающих при наложении опорной линии k -го кадра вместе со своим контекстом на (k +1)-ый кадр, по бинарному дереву индекса. Поскольку для фиксации совпадения достаточно найти хотя бы одну линию, расположенную в заданном участке (k +1) -го кадра, процедура поиска выполняет всего один проход дерева индекса от корня до листа и имеет оценку
сложности log n . Исходя из количества повторений циклов, можно записать верхнюю оценку вычислительной сложности метода:
O(lwvlog,n) ~ O| — • nL• nL• log,n 2 У L N N
Jn log2 n
I V
—
где ju = — >> 1.
3. Аппаратная реализация метода
Предложенный метод отслеживания объектов также был реализован аппаратно на ПЛИС семейства Altera Cyclone IV в виде вычислительного модуля. Модуль состоит из трех частей (рис. 3): блока выделения линий границ, блока детектирования перемещений и блока исключения неподвижных линий. Блок выделения линий границ принимает на вход пиксели текущего кадра видеопотока, выделяет точки на границах перепадов яркости и объединяет их в линии [8]. Блок детектирования перемещений принимает на вход дескрипторы подвижных линий границ и определяет их вероятные перемещения. Блок исключения неподвижных линий фиксирует линии границ, которые остались на своих местах при смене кадров с к -го на (к +1) -ый, и исключает их из дальнейшей обработки.
Далее подробнее рассмотрим реализацию блока детектирования перемещений. Процесс построения иерархического индекса линий включает сортировку массива линий, аппаратная реализация которой требует значительного объема логики ПЛИС, поэтому индексация линий в аппаратной реализации метода осуществляется на основе хэш-таблиц [9]. Изображение разбивается на прямоугольные ячейки по регулярной сетке. Хэш-таблица состоит из записей, каждая из которых соответствует ячейке разбиения и содержит сведения о линиях, центры которых попали в эту ячейку.
Функциональная схема блока детектирования перемещений представлена на рис. 4. Рабочий цикл блока включает три фазы. В первой фазе поступающие на вход блока дескрипторы линий сохраняются в банке линий текущего кадра, при этом заполняется хэш-таблица опорных линий и главная хэш-таблица кадра. Каждая запись хэш-таблицы опорных линий содержит длину самой длинной линии, расположенной в соответствующей ячейке изображения, а также указатель на эту линию в банке линий кадра. Каждая запись главной хэш-таблицы содержит признак наличия либо отсутствия линии кадра в пределах соответствующей ячейки кадра.
Во второй фазе из банка линий текущего кадра выбираются линии, обладающие сходством с текущей опорной линией. Из банка линий предыдущего кадра выбираются линии, попадающие в контекст опорной линии. Выбранные линии сохраняются в соответствующих буферах, которые реализуются в виде очередей.
В третьей фазе последовательно перебираются линии буфера линий, похожих на опорную. Для очередной выбранной линии вычисляется вектор перемещения, совмещающий центр текущей опорной линии с центром выбранной линии. Затем к линиям из буфера контекста опорной линии применяется преобразование переноса на этот вектор и осуществляется проверка наличия совпадений с линиями текущего кадра по главной хэш-таблице.
Для ускорения вычислений в каждом такте осуществляется параллельная обработка сразу нескольких линий контекста (параллельные стрелки на рис. 4). Поскольку модуль памяти ПЛИС не допускает одновременного доступа к одной и той же ячейки памяти более чем по двум шинам, для распараллеливания процесса поиска линий в детекторе предусматривается несколько одинаковых экземпляров главной хэш-таблицы.
Разработанный вычислительный модуль был испытан на отладочной плате Altéra DE2-115 Development and Evaluation Board, содержащей ПЛИС Altéra Cyclone IV EP4CE115. Среднее время обработки одного кадра, имеющего размеры 720 х 576 пикселей и содержащего порядка 300 линий границ, составило 0,648 миллисекунды при тактовой частоте 100 МГц.
4. Результаты экспериментов
Для проведения экспериментов была подготовлена видеозапись движения транспортного потока на участке третьего транспортного кольца г. Москвы, в районе МГТУ им. Н. Э. Баумана длительностью 5 минут с разрешением 720 х 576 и частотой 20 кадров в секунду (6000 образцов). Видеозапись была размечена с помощью программного средства LabelMe [10], при этом на каждом ее кадре была определена область интересов каждого транспортного средства.
Точность отслеживания метода оценивалась исходя из процента успешных отслеживаний. Отслеживание объекта считалось успешным, если положение области интересов объекта, полученное с помощью метода, удовлетворяло критерию детектирования PASCAL [11] для всех кадров видеозаписи, содержащих этот объект. Критерий детектирования PASCAL требует, чтобы величина перекрытия предсказанной области интересов объекта ОЬ"рвд с действительной областью интересов Obд*™
an
площадь (Obntped о ObdteilCê )
площадь (Ob^» u Ob>ейст)
превышала 50%. Процент успешных отслеживаний равен отношению количества объектов, успешно отслеженных методом, к общему количеству движущихся объектов.
Процент успешных отслеживаний описанного метода составил 94%. Среднее время обработки одного кадра видеозаписи на персональном компьютере общего назначения (ЦП Pentium IV 3,20 ГГц; ОЗУ 1024 Мб 266 МГц DDR2 SDRAM) составило 45 миллисекунд. Перемещения опорных линий между последовательными кадрами показаны черными и белыми полосками на рис. 5.
Модуль отслеживания объектов
Блок
выделения линий границ
дескрипторы линии ^
Блок
детектирования перемещений
дескрипторы
ППЛПЫЖЫЫУ ^
подвижных
ЛИНИЙ
Блок
исключения
неподвижных
линий
вектора ^ перемещений
Рис. 3. Состав аппаратного модуля отслеживания объектов
Рис. 4. Функциональная схема блока детектирования перемещений
-г »Л \
Рис. 5. Результат работы предложенного метода отслеживания по характерным признакам
Во второй части экспериментов разработанный метод отслеживания транспортных средств по характерным признакам был сравнен с методом отслеживания по областям из открытой библиотеки ОрепСV [12]. Суть этого метода заключается в локализации областей движения путем вычитания двух последовательных кадров и оценке изменения этих областей во времени (рис. 6). Для этого метода процент успешных отслеживаний составил 83%, а среднее время обработки одного кадра видеозаписи на том же персональном компьютере составило 86 миллисекунд.
Рис. 6. Результат работы метода из библиотеки ОрепОУ
Таким образом, предложенный метод отслеживания транспортных средств по характерным признакам оказался эффективнее метода отслеживания по областям как по точности, так и по быстродействию.
Предложенный метод естественным образом исключает из рассмотрения тени движущихся объектов, поскольку отслеживает лишь те линии границ, которые двигаются вместе с окружающим контекстом. Фильтры Хаара, применяемые для выделения линий границ, автоматически фокусируют границы на смазанных изображениях, что важно для отслеживания быстрых объектов. Однако надежное выделение границ возможно лишь для объектов, имеющих контрастные детали на цифровых изображениях с хорошим разрешением.
Кроме того, данный метод способен обрабатывать видеопоток в реальном времени (20 кадров в секунду), решая тем самым актуальную задачу транспортного мониторинга, которая обусловлена современными проблемами организации и контроля дорожного движения в крупных городах.
Программная реализация метода была протестирована на видеозаписи движения реального транспортного потока. Метод продемонстрировал приемлемую точность отслеживания транспортных средств, эффективно исключая из рассмотрения тени объектов.
Аппаратная реализация метода была выполнена на ПЛИС Altera Cyclone IV EP4CE115. Она позволяет быстро интегрировать предложенный метод в архитектуру транспортного видеодетектора.
В дальнейшем планируется развить метод для захвата и отслеживания транспортных средств с учетом их типа. Применение метода захвата в паре с методом отслеживания позволит снизить требования к качеству получаемого видеопотока.
Работа выполнена при финансовой поддержке Гранта Президента РФ (№ МК-3013.2010.9).
1. Luz E.Y., Mimbela A. Summary of vehicle detection and surveillance technologies used in intelligent transportation systems // The Vehicle Detector Clearinghouse. Southwest Technology Development Institute at New Mexico State University. 2007. URL: http://www.nmsu.edu/traffic/ (дата обращения: 14.04.2011)
2. Funk N. A Study of the Kalman Filter applied to Visual Tracking. University of Alberta, Project for CMPUT 652. 2003. 6 p.
3. Meier E.B., Ade F. Tracking cars in range images using the condensation algorithm // Proceedings of IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems.
1999. Р. 129-134.
4. Real-Time Multiple Objects Tracking with Occlusion Handling in Dynamic Scenes / Yang T., Li S.Z., Pan Q., Li J. // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). 2005. Vol. 1. Р. 970-975.
5. Paragios N., Deriche R. Geodesic Active Contours and Level Sets for the Detection and Tracking of Moving Objects // IEEE Transactions on Pattern Analysis and Machine Intelligence.
2000. Vol. 22. No. 3. Р. 266-280.
6. A survey of visual surveillance of object motion and behaviors / Hu W.M., Tan T. N., Wang L., Maybank S. // IEEE Transactions
ский список
on System, Man, and Cybernetics (T-SMC). 2004. Vol. 34. No. 3. Part C. Р. 334-352.
7. Алфимцев А.Н., Лычков И.И. Индексирование в алгоритме захвата объектов на цифровых изображениях // Информатика: проблемы, методология, технологии. Сб. трудов 11-ой междунар. науч.-метод. конф. Воронеж, 2011. Т. 1. С. 44-46.
8. Алфимцев А.Н., Лычков И.И. Метод обнаружения объекта в видеопотоке в реальном времени // Вестник Тамбовского государственного технического университета. Тамбов, 2011. Т. 17, № 1. С. 37-48.
9. Wolfson H.J., Rigoutsos I. Geometric Hashing: An Overview // IEEE. Computational Science and Engineering. Vol. 4. No. 4. 1997. Р. 10-21.
10. LabelMe video: Building a video database with human annotations / Yuen J., Russell B.C., Liu C., Torralba A. // Proceedings of ICCV. 2009. Р. 1451-1458.
11. Everingham M., Winn J. The PASCAL visual object classes challenge (VOC 2007) development kit. Technical report. 2007. 23 p.
12. Bradsky G., Kaehler A. Learning OpenCV. Sebastopol, CA: O'Reilly Media Inc. 2008. 557 p.
УДК 629.4.014.24
РЕМОНТ ЛОКОМОТИВОВ БЕЗ ПРЕКРАЩЕНИЯ ИХ ЭКСПЛУАТАЦИИ
1 9 Я
А.П. Буйносов1, И.М. Пышный2, В.А. Тихонов3
Уральский государственный университет путей сообщения, 620034, г. Екатеринбург, ул. Колмогорова, 66.
Представлены результаты теоретических и экспериментальных исследований по оценке влияния применения триботехнического состава НИОД на повышение ресурса деталей и узлов локомотивов в период их эксплуатации. Изложены конструкторско-технологические решения по нанесению состава НИОД на гребни колесных пар. Выполнен сравнительный анализ долговечности бандажей колесных пар, обработанных и необработанных составом НИОД, после проведения широкомасштабного эксперимента в шести локомотивных депо на четырех сериях локомотивов. Ил. 3. Табл. 1. Библиогр. 8 назв.
Ключевые слова: локомотив; ремонт; триботехнический состав; деталь; колесная пара; ресурс.
IN-SERVICE REPAIR OF LOCOMOTIVES A.P. Buinosov, I.M.Pyshny, V.A. Tikhonov
1Буйносов Александр Петрович, кандидат технических наук, доцент кафедры электрической тяги, тел.: (343) 3585504, (343) 3455932, е-mail: [email protected], [email protected]
Buinosov Alexander, Candidate of technical sciences, Associate Professor of the Department of Electric Traction, tel.: (343) 3585504, (343) 3455932, e-mail: [email protected], [email protected]
Пышный Игорь Михайлович, аспирант, ассистент кафедры электрической тяги, тел.: (343) 3585504, е-mail: [email protected] Pyshny Igor, Postgraduate, Assistant Professor of the Department of Electric Traction, tel.: (343) 3585504, e-mail: [email protected]
3Тихонов Виктор Артурович, аспирант, тел.: (343) 3585504, е-mail: [email protected] Tikhonov Victor, Postgraduate, tel.: (343) 3585504, e-mail: [email protected]
