Распознавание образов посторонних объектов в видеоизображении опасной зоны переезда Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

5. Schick G. I., Wolverton R. W. An analysis of computing software reliability models // IEEE Transactions on Software Engineering, 1978, vol. SE-4, № 2, p. 104-119.

6. Майер Г. Дж. Надежность программного обеспечения. - М.: Мир, 1980. - 360 с.

7. Чижов С.А. Планирование испытаний фондируемых программных средств // Управляющие системы и машины. - 1984. - №6. - С. 74-77.

8. Иордан Э. Структурное проектирование и конструирование программ. - М.: Мир, 1979. - 415 с.

УДК 656.216.2:621.397.7

Германенко О.А., инженер (Дон.ж.д.)

РАСПОЗНАВАНИЕ ОБРАЗОВ ПОСТОРОННИХ ОБЪЕКТОВ В ВИДЕОИЗОБРАЖЕНИИ ОПАСНОЙ ЗОНЫ ПЕРЕЕЗДА

Постановка проблемы. Основным условием надежного и безопасного функционирования переездов является соблюдение очередности проследования транспортными средствами его опасной зоны. На магистральных железных дорогах Украины, исходя из различий в скорости перемещения подвижных единиц железно- и автодорожного транспорта, а также длин тормозных участков, преимущественным правом проследования переездов обладает железнодорожный транспорт (на промышленных предприятиях это условие не сохраняется из-за невысоких скоростей движения и особенностей технологического процесса основного производства).

Однако за последние годы проблема в местах пересечения железных дорог и автомагистралей еще более обострилась по причине не соблюдения данного условия. Это связано с увеличением количества транспортных средств и снижения дисциплины их водителей. Кроме того, машинисты локомотивов также не владеют реальной информацией о свободности впереди лежащих переездов.

Поэтому автоматизированное выявление посторонних объектов в зоне железнодорожного переезда с последующим распознаванием образов таких объектов, для определения уровня их опасности движению поездов, является одной из основных задач дальнейшего совершенствования систем переездной сигнализации.

Анализ последних исследований и публикаций. Исследования и разработка устройств автоматического контроля состояния опасной зоны переездов ведется в разных странах мира уже длительное время. В некоторых наиболее технически развитых странах, в частности в США, Японии и Германии, в последние годы, уже ведутся интенсивные работы по использованию устройств промышленного телевидения для получения достоверной информации о состоянии опасной зоны железнодорожных переездов [1,2]. В зарубежных разработках видеоинформация о состоянии переезда передается по линии связи либо на пост ЭЦ, либо непосредственно на автоматизированное рабочее место дежурного по станции (АРМ ДСП), где отображается на видеомониторе, а оценка ситуации и принятие окончательного решения по-прежнему осуществляется дежурным по станции. В свою очередь, современные телевизионные средства наблюдения легко увязываются с любым компьютером, имеют высокое быстродействие и позволяют обрабатывать сигналы от неподвижных, малоподвижных и быстроменяющихся объектов, как в реальном, так и в измененном времени [3].

Поэтому, сочленив средства видеонаблюдения с переездным микроконтроллером, можно получить автоматическую систему видеоконтроля опасной зоны железнодорожных переездов, работающую согласно графику движения поездов. В данной системе выявление посторонних объектов в зоне железнодорожного переезда с последующим распознаванием их образов будет осуществляться без участия человека.

Цель статьи. Анализ способности видеосистем распознавать образы посторонних объектов в видеоизображении опасной зоны переезда.

Основной материал исследования. В практике обработки и распознавания изображений задача поиска соответствия получила большое распространение и известна как проблема «поиска по образцу» [4]. Формально ее можно рассматривать как процесс отождествления эталонного изображения (образа фрагмента) на некотором первом снимке с одним из множества образов фрагментов, лежащих в некоторой задаваемой области (зоне поиска) второго снимка. Алгоритмы установления сходства в своих основополагающих вариантах в той или иной степени связаны с получением характеристик стохастической взаимосвязи сравниваемых фрагментов изображений. Все они основываются на идеях корреляционной и спектральной теории сигналов.

Пусть заданы два снимка (А и Б) одного и того же движущегося объекта (автомобиля) в зоне переезда, полученные от одной из переездных

Збiрник наукових праць Дон1ЗТ. 2006 №8 118

видеокамер (ВК-1) с некоторыми изменениями его положения в пределах опасной зоны и условий освещенности (рисунок 1).

Рисунок 1 - Кадры изображения постороннего объекта в зоне переезда: А -кадр, полученный от переездной видеокамеры ВК-1 в ясную солнечную погоду (эталонный кадр); Б - кадр, полученный в вечернее время суток

Вследствие этого изображения на снимках будут отличаться друг от друга геометрическими и яркостными искажениями.

Выравнивание яркостных искажений. Цифровая обработка видеоизображений предполагает их квантование, т.е. замену непрерывного множества значений яркости множеством квантовых значений. При снижении уровня освещенности зоны переезда естественным освещением (сумерки) видеосистеме необходимо усилить значения яркости изображения до некоторого нормативного уровня, достаточного для надежного восприятия, и наоборот. Сущность этого заключается в следующем. Пусть х(1,])=х^ и у(,,])=уг,} - соответственно значения яркости исходного (эталонного) и получаемого после обработки каждого пикселя кадра изображения, имеющего декартовы координаты { (номер строки) и ] (номер столбца). При этом существует функциональная однозначная зависимость между этими яркостями, позволяющая по значению исходного сигнала определить значение выходного продукта [4]:

У,- ] = /,.}(хг,]) , (1)

где ^^ (.) - функция, описывающая обработку видеосигнала; ее параметры зависят от текущих координат каждого пикселя.

В этом случае обработка является неоднородной, т.е. преобразования должны быть выполнены поэлементно для каждого из пикселей изображения. Даже при не очень трудоемких поэлементных преобразованиях общий объем вычислительной работы будет значительным, а время выполнения - напрямую зависеть от ее вычислительной сложности. Поэтому в случае с видеоконтролем переезда, в пределах опасной зоны которого возможно появление постороннего объекта, оптимальным является использование однородной поэлементной обработки с применением табличного метода. При этом индексы \ и ] в выражении (1) отсутствуют, а зависимость между яркостями эталонного и обработанного изображений будет одинаковой для всех точек кадра:

У = Ях)

(2)

Сущность табличного метода состоит в предварительном расчете и создании таблицы функции у=Я(х), общий вид которой приведен ниже [4].

Таблица 1 - Расчет табличных значений функции у=А

Х х1 х2 хз хп-1 хп

у=ед у1 у2 уз уп-1 уп

(х)

При обработке изображений вместо вычислений используются готовые табличные данные, а значение входной яркости х служит для определения номера столбца таблицы 1. Это позволит сделать обработку быстрой и не зависящей от сложности преобразований.

Яркостное выравнивание кадра изображения переезда будет выглядеть следующим образом (рисунок 2).

Если предположить, что эталонный кадр зоны переезда (рисунок 1А) имеет максимальную яркость (утах) (обычно в качестве рабочего используется диапазон значений яркости у е [0^255] [4]), а принимаемое от видеокамер изображение - некоторую минимальную (у™п), то получаемые после яркостного выравнивания кадры будут неудобными (ненасыщенными) для сравнивания и распознавания (рисунок 2Б).

Рисунок 2 - Яркостное выравнивание видеоизображения зоны переезда: А - кадр, полученный от переездной видеокамеры ВК-1; Б - результат

яркостного выравнивания

В этом случае, для улучшения качества изображения, получаемого от переездных видеокамер, применяется поэлементное линейное контрастирование, которое описывается преобразованием вида [4]:

У! = а ■ у + Ь . (3)

где у и у! - уровень насыщенности изображения соответственно до и после линейного контрастирования;

а и Ь - параметры, определяемые желаемыми значениями минимальной утт и максимальной утах выходной яркости и насыщенности:

I ■ — А

I Утт = а ■ Утт + Ь (4)

I утах = а ■ утах + Ь

Решив систему уравнений (4) относительно параметров а и Ь, получим:

у = У Утгп (I _ у! \+ I (5)

V тах ^ тт) ^ тт V /

У тах Ут

Результат линейного контрастирования кадра изображения рисунка 2Б будет выглядеть следующим образом (рисунок 3).

Рисунок 3 - Линейное контрастирование видеоизображения зоны переезда: А - кадр, полученный яркостного выравнивания; Б - результат линейного

контрастирования

Сравнение двух кадров изображения показывает значительно лучшее визуальное качество обработанного кадра зоны переезда и близкие его уровни яркости и контрастности к эталонному.

В результате, для выравнивания геометрических искажений и последующего распознавания образа автотранспортного средства в зоне переезда будет использоваться эталонный кадр (рисунок 1 А) и прошедший выравнивание яркостных искажений кадр, полученный от переездной видеокамеры (рисунок 1 Б) - рисунок 4.

Рисунок 4 - Сравниваемые кадры изображения для распознавания образа

автомобиля в зоне переезда

Выравнивание геометрических искажений и распознавание образа. Будем считать, что на изображениях выделены некоторые сопряженные точки, по которым будет производиться оценивание параметров геометрического искажения предполагаемого постороннего объекта на переезде (рисунок 5).

Рисунок 5 - Координаты изменения положения сопряженных точек (х', у') (выделены серым тоном) объекта на переезде, наложенные на некоторую исходную дискретную решетку их заданного эталонного расположения

(х, у).

Конфигурация расположения сопряженных точек для разных объектов (автомобиль, человек и т.п.) будет различна, и зависеть от распределения яркостей фрагментов изображения в некоторой предполагаемой окрестности каждого конкретного образа распознаваемого объекта.

Таким образом, эталонный фрагмент изображения постороннего объекта (выбранный на снимке 4А и представляющий матрицу А0 размером пхп пикселей), будет сравниваться, по сопряженным точкам, с фрагментами изображения снимка 4Б в «зоне поиска» О (рисунок 6)

размером 7x7, где 7=п+ш пикселей. Процесс сравнения осуществляется

по наблюдаемым переменным и0(х,у) в каждой из сопряженных точек снимка 4 А с переменными и(х,у) соответственно на снимке 4Б.

Рисунок 6 - Предполагаемая зона поиска (О) посторонних объектов в кадре изображения переезда, получаемого от видеокамеры ВК-1

В процессе скользящего поиска (когда каждый очередной фрагмент получается из предыдущего простым сдвигом на один дискрет - шаг дискретной решетки) требуется, фиксируя сопряженные точки на снимках, найти функцию сходства между изображениями эталонного фрагмента {А0(8), 8еГэ} и изображениями текущих (контролируемых) фрагментов (А(8), 8еГт}, которая бы с максимально возможной точностью и достоверностью позволяла локализовать фрагмент, соответствующий изображению эталонного фрагмента. Здесь Гэ и Гт - соответственно множества эталонных и контролируемых текущих фрагментов изображения постороннего объекта в зоне переезда.

Взаимно соответствующие элементы изображений одного и того же объекта на снимках должны, очевидно, удовлетворять соотношению [4]:

где и0(х,у) - наблюдаемая переменная эталонного фрагмента видеоизображения;

и(х,у) - наблюдаемая переменная сравниваемого фрагмента видеоизображения;

а и Ь - параметры средней освещенности и контраста объекта в зоне переезда;

к и I - параметры относительного сдвига объекта и его аналога на контролируемом снимке;

(6)

е(х,у) - шум;

гес! < ",-у<" . (7)

^" " ) I 0, _ в _ остальных_ случаях

Таким образом, процедура выделения энергии сигнала должна выявить параметры к и /, характеризующие сдвиг сравниваемых фрагментов.

Для упрощения расчетов допустим, что параметр Ь по полю снимков изображения не меняется. Тогда [4]:

и'о (х, у) = и0 (х у)- Щ . (8)

!!

*0 1 "

ио =— • Ё и0 (х,у). (9)

" х,у=1

Соответственно:

и (х,у) = и (х,у)-и!!. (10)

1

и'! =— • Ё ио (х,у). (11)

( х, у )еО

г

В качестве меры различия в точке (к,/) будем брать среднеквадратичную ошибку а2а (к,/), которая минимизируется перебором

всех допускаемых сдвигов эталона по контролируемой зоне кадра изображения [4]:

(к,/)= ЁЁ\и0(х,у)-а• и!(х + к,у +1) . (12)

х у

Считается, что в точке экстремума реализуется сходство, если:

е1

(к,/) < Л, (13)

где Л - некоторый установленный порог. Из требований минимума ошибки [4]:

8

'(к,/ )(е2а (к,/ ) = 0 ,

(14)

находим оценку а, и подставляем ее в выражение (12). В результате

[83]:

\к,1) = ^^ [0 (х,У )]

ЪЪи0 (х у)-и'(х, у)

х у

х у

(х > у)]2

(15)

х у

где а - параметр а, определенный из выражения (14). Первый член выражения (15) - энергия эталонного сигнала (величина постоянная и не зависит от параметров сдвига (к,/)). Поэтому точка экстремума не изменится, если значение среднеквадратичной ошибки в(к,/) приравнять к уровню энергии эталонного сигнала [4]:

8! (к,/) = 1 -

(лу)•и (лу)

х у

11°(х, у

(16)

х у

х у

Тогда вместо минимума нормированной среднеквадратичной ошибки будем искать максимум коэффициента корреляции г(к,/) текущего фрагмента изображения с эталонным сигналом [4]:

'(к,/ ) = 1 -

( у (х, у)

х у

(17)

^ [0 (х,у )] (х,у)]]]

х у

х у

2

2

2

1

В результате, условие идентификации сходства рассматриваемых фрагментов, а, следовательно, и достоверности распознавания постороннего объекта в зоне переезда:

Г> гпор, _ объект _ с _ заданной _ вероятностью _ распознан max_ r (k, l) . (18)

I P гпор, _ сходства _ фрагмента _ с _ эталоном _ не _ выявлено

где max r(k,l) - максимальное значение коэффициента корреляции r(k,l) при сравнении фрагмента изображения с эталонным сигналом;

гпор - некоторое пороговое значение величины взаимной корреляции. Величина порога определяется функцией распределения коэффициента корреляции (при случайных выборках) и задаваемой доверительной вероятностью принятия решения о сходстве сравниваемых фрагментов изображения.

Серьезным недостатком данного метода является его чувствительность к геометрическим искажениям видимых размеров сопряженных фрагментов при изменении ракурса съемки [4]. Для решения этой проблемы возможно представление, получаемого от переездных видеокамер, сигнала в частотно-временной плоскости с помощью вейвлейт-преобразований. Слово «вейвлейт» (wavelet), является переводом французского «ondelette» и означает небольшие волны, следующие друг за другом [5]. В последнее десятилетие вейвлейты произвели революцию в области теории и практики обработки нестационарных сигналов и широко применяются при обработке и синтезе различных сигналов, а также непосредственно для распознавания образов.

Особенности распознавания посторонних объектов. Большинство сигналов, встречающихся на практике, представлены в амлитудно-временной плоскости (рисунок 7). Однако во многих случаях наиболее значимая информация скрыта в частотной области сигнала [6].

* Амплитуда (В)

i i i Ц ^4 i t (сек)

50 100 150 200 250

Рисунок 7 - Амлитудно-временное представление сигнала

В свою очередь, вейвлейт-преобразование обеспечивает частотно-временное представление сигналов и выполняется в три этапа:

- сигнал отображается в пространство вейвлейтов (при этом появляется некоторая избыточность) - никакой новой информации, при

этом, не появляется, хотя объем цифрового представления увеличивается значительно;

- в области преобразования выделяются (высвечиваются) интересующие нас свойства;

- объем информации уменьшается за счет применения статических методов.

Вышеуказанные шаги не являются строго фиксированными. У исследователя существует большая свобода не только в выборе преобразования, но и количестве используемых шкал анализа, способов выделения интересующих свойств, отсечения незначимой информации. Важно только, чтобы не произошло потери особых свойств сигнала или не привело к ложному приписыванию ему каких-либо черт. В настоящее время применяются вейвлейт-преобразования Хаара, «два-шесть», Коэна-Добеши-Фово, Вилласенора, М1Т9/7 и другие [5].

Непрерывное вейвлейт-преобразование определяется выражением

[6]:

в(т, $) = • | х(*)щ (—, (19)

где 0(т,б) - вейвлейт-преобразование;

¥(1;) - функция преобразования, называемая «материнским вейвлейтом». Материнский вейвлейт является прототипом для всех остальных функций (окон), которые получаются из него путем сжатия или расширения. Наиболее простые материнские вейвлейты приведены ниже на рисунке 8;

т - коэффициент сдвига вейвлейта вдоль анализируемого сигнала

х(1);

1 - время;

б - параметр масштаба:

Я = -, (20)

где / - частота сигнала.

, Амплитуда (В)

а)

1, 0

0, 5

0, 0

-0, 5

-1, 0

Амплитуда (В)

1, 0

0, 5

0, 0

-0, 5

-1, 0

1 (сек)

Рисунок 8 - Вейвлейт «Мексиканская шляпа» и антисимметричный

вевлейт g1

Параметр масштаба в вейвлейт-анализе обратен частоте и имеет аналогию с масштабом географических карт и терминами частоты. Большие значения масштаба (низкие частоты) соответствуют малому количеству деталей, глобальному представлению информации о сигнале, содержащейся на всей его протяженности, а низкие значения масштаба (высокие частоты) позволяют различить детали и скрытые особенности, которые имеют обычно малую протяженность. Т.о. масштабирование в вейвлейт-преобразовании, как математическая операция, расширяет или сжимает сигнал.

Пример масштабирования косинусного сигнала приведен ниже на рисунке 9:

в)

1 (сек)

Амплитуда (В)

1 (сек)

-11ШШШШШШ!1

0 1

Рисунок 9 - Масштабирование косинусного сигнала: при частоте Г=1Гц масштаб б=1 (а), при Г=5Гц - б=0,2 (б) и соответственно при Г=20Гц -

б=0,05 (в)

0

2

4

1

0

0

0

1

1

Таким образом, анализируя исходный сигнал (рисунок 7) окнами различной длительности (рисунок 10), на базе материнского вейвлейта «Мексиканская шляпа», получим (рисунок 11):

а)

б)

в)

Т"

-г"

........

I

•ь

\ \

I \ \

~'Г \ \ \ \

I

.■Г

\

I /

I*

\/

.....................

| 1(сек)

50

100

150

200

250

0

Рисунок 10 - Исходный сигнал (а) анализируется материнским вейвлейтом «Мексиканская шляпа» (точечная линия) со сдвигом вправо вдоль временной оси (б), а также вейвлейтами различной длительности (в)

На рисунке 11 показана зависимость величины локальных максимумов (черный цвет) и локальных минимумов (бело-серый цвет) от времени и длительности.

Рисунок 11 - Представление сигнала с помощью вейвлейт-преобразования: а - исходный сигнал; б - обработанные данные;

Ьт - область наибольшего локального максимума

Рассмотрим интервал времени области наибольшего локального максимума (от 0 до 50 секунд) рисунка 11 б, и для наглядности представим его в виде трехмерного изображения и под различными углами обзора (рис 12). Числа, которые стоят по осям данного рисунка, не соответствуют значениям частоты или времени, а являются лишь номерами отсчетов при вычислении.

На полученных графиках явно просматриваются очертания постороннего объекта на некотором рассматриваемом фоне.

Таким образом, анализируя высокочастотную область получаемого от переездных видеокамер сигнала с помощью вейвлейт-преобразований, возможна практическая реализация алгоритмов установления сходства сравниваемых фрагментов изображений и, тем самым, осуществление процесса распознавания образов посторонних объектов в опасной зоне переезда.

Рисунок 12 - Сигнал, обработанный с помощью вейвлейт-преобразования

Вывод. В работе изложен подход к решению задачи распознавания образов посторонних объектов в видеоизображении опасной зоны железнодорожного переезда. В дальнейших исследованиях процесса видеоконтроля опасной зоны железнодорожных переездов предлагается рассмотреть: основные ситуации, возникающие в огражденной зоне переезда, для определения степени их опасности движению приближающихся поездов; особенности видеообнаружения посторонних объектов в зоне переезда с помощью детекторов активности в кадре изображения.

Список литературы

¡.Обеспечение безопасности движения на переездах железных дорог мира. // Автоматика телемеханика и связь, 1997. - № 11- с.30-31.

2.Телевизионные системы контроля на Государственных железных дорогах ФРГ. // Железные дороги мир, 1985. - № 3 - с.28-36.

3.Грязин Г.Н. Системы прикладного телевидения: Учебное пособие для вузов. -СПб.: Политехника, 2000. - 277с.: ил.

4.Грузман И.С., Киричук В.С., Косых В.П., Перетян Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах: Учебное пособие. -Новосибирск: Изд-во НГТУ, 2000. - 168с.

5.Воробьев В.И., Грибунин В.Г. Теория и практика вивлейт-преобразования. -СПб.: ВУС, 1999. - 204с.

6.Shumaker L., Webb G. Recent advances in wavelet analysis. - New York: «Academic Press», 1993. - 480p.

УДК 656.25

Чепцов М.Н., к.т.н., доцент (ДонИЖТ)

ДИНАМИЧЕСКИЙ ОПАСНЫЙ ОТКАЗ ПРОГРАММНОГО

ОБЕСПЕЧЕНИЯ

Анализ исследований и публикаций, постановка задачи исследования. Теория надежности и безопасности систем железнодорожной автоматики и телемеханики (СЖАТ) сложилась как самостоятельная научная дисциплина в 50 - 60-х гг. прошлого столетия [1]. Необходимость ее выделения из общетехнической теории обусловлена