Содержание к диссертации
Введение
Глава 1. Калибровка видеокамер 18
1.1. Постановка задачи 18
1.1.1. Математическая модель фиксированной видеокамеры 19
1.1.2. Математическая модель поворотной видеокамеры . 24
1.2. Обзор методов внутренней калибровки видеокамер . 25
1.2.1. Используемый метод 27
1.2.2. Выводы 28
1.3. Обзор методов внешней калибровки видеокамер 30
1.3.1. Внешняя калибровка одной видеокамеры 30
1.3.2. Внешняя калибровка группы видеокамер 32
1.3.3. Выводы 42
1.4. Предлагаемый алгоритм 43
1.4.1. Баркоды 45
1.4.2. Калибровка группы поворотных камер 47
1.4.3. Характеристики алгоритма 53
1.4.4. Калибровка гибридных систем в больших помещениях 55
1.4.5. Программная реализация 58
1.5. Заключение 60
Глава 2. Обнаружение областей интереса 62
2.1. Постановка задачи 62
2.2. Обзор существующих решений 62
2.2.1. Моделирование фона 62
2.2.2. Анализ движения 66
2.2.3. Достоинства и недостатки существующих подходов 67
2.3. Предлагаемый алгоритм 68
2.3.1. Вектора движения для блоков 69
2.3.2. Анализ движения для поворотной камеры 71
2.3.3. Моделирование фона для поворотной камеры . 76
2.3.4. Устойчивое обнаружение областей интереса . 77
2.3.5. Программная реализация 79
2.4. Заключение 81
Глава 3. Система видеослежения 83
3.1. Требования и существующие решения 83
3.2. Интерфейс разработанной системы 86
3.3. Функциональность разработанной системы 88
3.4. Программная реализация 96
3.5. Заключение 97
Заключение 100
- Обзор методов внутренней калибровки видеокамер
- Обзор методов внешней калибровки видеокамер
- Достоинства и недостатки существующих подходов
- Функциональность разработанной системы
Введение к работе
Объект исследования и актуальность работы
Видеонаблюдение применяется в современном мире повсеместно: для охраны объектов, борьбы с терроризмом, мониторинга дорожного движения, в научных исследованиях. Созданные алгоритмы и программная система представляют интерес для организаций занимающихся обеспечением безопасности на складах, вокзалах, стоянках, в выставочных залах и на других обширных территориях.
Начиная с конца 60-х годов прошлого века для обеспечения безопасности и видеонаблюдения широко использовались аналоговые системы видеонаблюдения (CCTV). Система видеонаблюдения состояла из четырёх компонентов: телекамеры, проводной сети для передачи видеосигнала, записывающего устройства (магнитофона) и монитора. Она позволяла лишь осуществлять удалённое наблюдение и сохранять видеоданные.
Переход на цифровые технологии в видеонаблюдении начался примерно в 1990 году, тогда цифровые телекамеры с ПЗС-матрицей вытеснили аналоговые телевизионные телекамеры. Эти телекамеры были частично цифровыми, так как цифровые видеорегистраторы (DVR) обладали аналоговым входом для подключения коаксиального кабеля и аналоговым выходом для подключения монитора. Этот период времени был началом эры цифрового видеонаблюдения.
Во второй половине 1990-х годов вместе с появлением цифровых видеорегистраторов увидели свет системы, построенные по гибридному принципу. На отдельных участках при передаче между элементами таких систем видеосигнал имел цифровую форму. Более того, с началом нового века вместе с внедрением в цифровой видеорегистратор встроен-
ного интерфейса для ТСР/ІР-соединения стала возможна работа систем видеонаблюдения совместно с локальными сетями. Однако возможность работы совместно с локальной сетью была всего лишь дополнительной опцией, не влияющей существенно на принцип построения системы.
В результате дальнейшего развития в 2005 году стали появляться системы видеонаблюдения нового типа — полностью основанные на цифровых технологиях. Между всеми элементами системы видеосигнал передается только в цифровой форме. Эти системы получили название ІР-видеонаблюдение. В состав таких систем входят сетевые камеры или IP-камеры., программно-аппаратные комплексы для анализа видеоизображения и для обработки и хранения сигнала. ІР-видеонаблюдение сегодня представляет собой одно из самых перспективных направлений в системах безопасности. Сетевые камеры и видеосерверы используют для построения систем видеонаблюдения как на территориально больших, так и на малых объектах. С помощью систем 1Р-видеонаблюдения пользователь может контролировать всё происходящее на охраняемых объектах с использованием ресурсов глобальной сети Интернет из любой точки мира.
С появление цифровых видеорегистраторов появилась возможность обработки видеоданных при помощи персонального компьютера или специализированных чипов, что привело к появлению нового круга задач в цифровой обработке сигналов. Увеличение быстродействия процессоров позволило обрабатывать цифровые видеоданные в реальном времени, благодаря чему круг задач видеонаблюдения, решаемых при помощи компьютеров, расширяется с каждым годом. Например, к ним относятся: распознавание номеров автомобилей (рис. 1), обнаружение и распознавание лиц (рис. 2), изучение поведения животных (рис. 3), обнаружение движущихся объектов (рис. 4).
Рис. 1. Распознавание номеров автомо- Рис 2. Обнаружение и распознавание
Рис. 3. Изучение поведения животных Рис- 4- Обнаружение движущихся объ-
ектов
В данной работе исследуется проблема надёжного видеонаблюдения в больших помещениях. Для ведения видеонаблюдения в таких помещениях требуется большое количество видеокамер. Благодаря их удешевлению, это уже не является проблемой. Однако, оператору системы видеонаблюдения приходится отслеживать огромный поток данных. Что сложно даже при наличии автоматического обнаружения движущихся объектов. Для уменьшения нагрузки на оператора сделан следующий шаг в видеонаблюдении — системы видеослежения. Задача видеослеже-
ния заключается в определении положения объекта на плане наблюдаемой территории по видеоданным, полученным от одной или нескольких камер (рис. 5). Задача видеослежения не может эффективно решаться без использования поворотных (PTZ) камер. Данная работа ориентирована главным образом на решение проблем, возникающих при работе с такими камерами.
Рис. 5. Задача видеослежения
Задача видеослежения разделяется на три подзадачи:
калибровка плана — определение соответствия между точками в трёхмерном пространстве охраняемой территории и точками на двухмерном плане;
калибровка видеокамер — определение положения и ориентации видеокамер в пространстве;
обнаружение областей интереса — определение областей кадра, соответствующих движущимся, ранее отсутствовавшим или пропавшим объектам.
Калибровка плана выполняется путём задания мировых координат для двух точек плана и не вызывает трудностей. В работе исследуются задачи калибровки видеокамер и обнаружения областей интереса.
Цель диссертационной работы
Целью работы является исследование и разработка методов и алгоритмов для определения положения и ориентации поворотных камер в больших помещениях и устойчивого автоматического обнаружения областей интереса по видеоданным от поворотных камер, а также создание программной системы видеослежения на основе разработанных алгоритмов.
Основные задачи работы:
Исследование существующих алгоритмов калибровки видеокамер. Разработка метода совместной калибровки поворотных видеокамер для больших помещений.
Разработка метода автоматического обнаружения объектов при помощи поворотных видеокамер устойчивого к изменению освещения.
Разработка программной системы видеослежения с применением предложенных методов.
Научная новизна работы
Предложен новый метод определения положения и ориентации поворотных камер для больших помещений. В отличие от существующих решений разработанный метод позволяет определять положение и ори-
ентацию группы поворотных видеокамер в больших помещениях за короткий промежуток времени при малом участии человека.
Предложенный метод устойчивого автоматического обнаружения областей интереса при помощи поворотных видеокамер также является новым. Он объединяет два подхода к обнаружению областей интереса: моделирование окружения и анализ движения в кадре. В отличие от существующих решений разработанный метод объединяет ряд достоинств: обеспечивает высокую скорость обработки, устойчив к значительным изменениям условий освещения и позволяет обнаруживать как движущиеся, так и неподвижпые объекты. Высокая скорость работы позволяет одновременно обрабатывать большое количество видеоданных на одной вычислительной машине.
Практическая значимость
Предложенный метод определения положения и ориентации поворотных камер в пространстве позволяет значительно снизить время затрачиваемое на настройку систем видеонаблюдения. Процесс настройки может быть выполнен одним человеком и не требует высокой квалификации.
Разработанный метод обнаружения объектов обладает высокой устойчивостью к изменению условий освещения. Благодаря чему метод может применяться как в помещениях, так и на улице.
На основе разработанных методов построена система видеослежения, позволяющая значительно облегчить работу оператора. Применение системы позволяет сократить количество сотрудников, осуществляющих видеоконтроль, а также повысить надёжность видеоконтроля.
Имеются два внедрения разработанной системы:
система установлена в лаборатории компьютерной графики МГУ
им. М.В. Ломоносова;
система приобретена предприятием-заказчиком Aware Digital для
ведения видеонаблюдения в складских ангарах.
Апробация работы
Результаты работы докладывались и обсуждались на:
9-м научно-практическом семинаре «Новые информационные технологии в автоматизированных системах», Россия, Москва, 2006;
16-й международной конференции по компьютерной графике и машинному зрению «Graphicon-2006», Россия, Новосибирск, 2006;
10-м научно-практическом семинаре «Новые информационные технологии в автоматизированных системах», Россия, Москва, 2007;
17-й международной конференции по компьютерной графике и машинному зрению «Graphicon-2007», Россия, Москва, 2007;
18-й международной конференции по компьютерной графике и машинному зрению «Graphicon-2008», Россия, Москва, 2008;
семинаре по компьютерной графике и мультимедиа под руководством Ю.М. Банковского (ф-т ВМиК МГУ), Россия, Москва, 2008;
объединенном семинаре по робототехническим системам ИПМ им. М.В. Келдыша РАН, МГУ им. М.В. Ломоносова, МГТУ им. Н.Э. Баумана, ИНОТиИ РГГУ и отделения «Программирование» ИПМ им. М.В. Келдыша РАН, Россия, Москва, 2008;
12-м научно-практическом семинаре «Новые информационные технологии в автоматизированных системах», Россия, Москва, 2009;
семинаре "Проблемы проектирования и реализации базового аппаратно-программного обеспечения" НИИ системных исследований РАН, Россия, Москва, 2009.
Публикации
По результатам работы имеется 8 публикаций, включая 1 статью в рецензируемом научном журнале из списка ВАК [1], 1 статью в тематическом сборнике [2], 3 статьи в сборниках трудов международных научных конференций [3-5], 3 статьи в сборниках трудов научно-практических семинаров [6-8].
Структура и объем диссертации
Диссертация состоит из введения, трёх глав, заключения, приложения и списка литературы. Содержание работы изложено на 114 страницах. Объём приложения составляет 11 страниц. Список литературы включает 94 наименования. В работе содержится 50 рисунков и 3 таблицы.
В первой главе диссертации представлен обзор существующих решений для калибровки внутренних (фокусное расстояние, положение принципиальной точки, дисторсия) и внешних (положение, ориентация) параметров камер. Основное внимание сосредоточено на определении внешних параметров камер. Проанализированные методы внешней калибровки фиксированных и поворотных камер можно разделить на две группы: методы раздельной калибровки и методы совместной калибровки. Методы совместной калибровки позволяют значительно быстрее определить положение и ориентацию большого количества камер. Однако, существующие решения по совместной калибровке камер рассчитаны
лабораторные условия и не могут применяться для калибровки камер в больших помещениях. Предлагается собственный метод совместной калибровки поворотных камер в больших помещениях, позволяющий быстро и с высокой точностью определить положение и ориентацию камер.
Результаты первой главы опубликованы в работах [1, 8].
Во второй главе даётся краткий обзор существующих подходов к выделению областей интереса (движущиеся, пропавшие и появившиеся объекты) на видео. Существующие решения, основанные на выделении фона и анализе движения, имеют различные недостатки. Предлагается комбинированный метод выделения областей интереса, позволяющий бороться с этими недостатками. Кроме того, предлагается адаптация метода основанная на анализе движения для поворотных камер. Для этого применяется разработанный автором алгоритм определения глобального движения в видео.
Результаты второй главы опубликованы в работах [2-7]
В третьей главе описывается функциональность системы видеослежения разработанной на основе предложенных методов калибровки и выделения областей интереса. Также приведено описание основных аспектов программной реализации.
В заключении формулируются основные результаты работы.
В приложении А даётся краткое описание и обзор алгоритмов определения векторов движения для блоков, которые используются для определения глобального движения в алгоритме, предложенном во второй главе.
Обзор методов внутренней калибровки видеокамер
Существует несколько подходов к определению параметров внутренней калибровки (часто эти методы называют методами внутренней калибровки). Все они также позволяют определить параметры дисторсии. Фотограмметрический подход.
Первые исследования по калибровке камер проводились в области фотограмметрии начиная с 1950-х годов [12-14]. Для калибровки используется калибровочный объект, геометрия которого в трёхмерном пространстве известна с высокой точностью. Соответствие между точками калибровочного объекта в пространстве и их изображением на кадре устанавливается при помощи человека. Обычно калибровочный объект состоит из двух или трёх ортогонально расположенных плоскостей. Данный подход позволяет получить высокую точность калибровки [15], но требует значительного участия человека и дорогостоящей измерительной аппаратуры.
Для выполнения калибровки используются, так называемые, точки схода. Точка схода — это точка, в которой пересекаются образы параллельных прямых, полученные при помощи перспективной проекции. Для калибровки внутренних параметров по одному изображению требуется определить три точки схода. Для этого на изображении необходимо выделить три группы параллельных линий. Параллельные линии могут задаваться пользователем вручную [16], автоматически извлекаться из графического образца специального вида [17, 18], из фотографий (как правило, зданий) [19, 20]. Точность такой калибровки невысока. Как правило, она используется при решении задачи реконструкции трёхмерной модели здания по фотографии.
Данный подход не требует использования калибровочного объекта. Данные для калибровки камеры извлекаются при перемещении камеры относительно статической сцены [21]. Поскольку изображения сцены получаются при помощи одной камеры с постоянными параметрами внутренней калибровки, то для определения параметров достаточно трёх кадров. Калибровка выполняется по эпиполяр-ным структурам (линиям или эллипсам), извлечённым из кадров [22, 23]. Данный подход очень гибкий, но не позволяет достичь высокой точности калибровки камеры [24].
Для калибровки используются несколько кадров, полученных при разных ориентациях камеры, зафиксированной в одной точке. Калибровочная информация извлекается путём установления соответствия между точками разных кадров. Для определения параметров внутренней калибровки достаточно двух кадров [25]. Данный подход также не обеспечивает высокой точности калибровки камеры.
Обычно, самокалибровка применяется при реконструкции трёхмерной формы произвольных объектов по набору изображений.
Опишем подробно алгоритм, который чаще всего используется на практике [26]. Данный алгоритм совмещает фотограмметрический подход и самокалибровку. Калибровка осуществляется по набору изображений графического образца в виде шахматной доски, расположенного под разными углами к камере (рис. 1.4). Алгоритм состоит из следующих шагов: 1. Пользователь выделяет границы калибровочной доски на кадре (рис. 1.5). 2. Автоматически выделяются углы клеток доски (рис. 1.6). 3. При помощи техники самокалибровки по набору из более чем трёх изображений калибровочной доски, расположенной под разными углами, определяются параметры внутренней и внешней калибровки (рис. 1.7). Дисторсия при этом не учитывается. 4. Точность определения параметров на предыдущем шаге не высока. Поэтому выполняется уточнение параметров внутренней калибровки при помощи метода наименьших квадратов.
Обзор методов внешней калибровки видеокамер
Необходимость определения положения и ориентации камеры в пространстве возникает при решении разных задач. Это и фотограмметрия, и трёхмерная реконструкция по изображениям, и видеонаблюдение. Если положение камеры в пространстве может быть непосредственно измерено, то для определения ориентации необходимо сопоставить изображение, полученное от камеры, и координаты нескольких объектов, присутствующих на изображении, в трёхмерном пространстве. Однако, и измерение положения камеры не всегда является простым решением. Зачастую камеры расположены в труднодоступных местах (например, под крышей ангара), либо положение камеры часто изменяется (например, в иследовательских лабораториях), тогда процедура измерения отнимает много времени. Поэтому возникла необходимость в разработке алгоритмов внешней калибровки камер, позволяющих быстро определять положение и ориентацию камер даже при затруднённом доступе к ней.
В книге [29] изложен базовый подход к калибровке камеры. Для определения положения и ориентации камеры используется набор известных соответствий ХІ -» Х{ (i = 1..N) между точками в трёхмерном пространстве Х{ и их изображениями на кадре Х{. В общем случае данный подход позволяет определить обобщённую матрицу калибровки Н = К-P-[R\C]. Из соотношения ХІ X НХІ = 0 получаем 12-ю неизвестными. Таким образом обобщённая матрица калибровки может быть определена по 6 известным соответствиям. Для повышения точности определения параметров калибровки используется большее количество соответствий. Параметры определяются с помощью метода наименьших квадратов. Матрицу Я можно факторизовать в произведение матриц К, Р и [R\C] [30].
При известной матрице внутренней калибровки нетрудно вычислить матрицу внешней калибровки. Для этого описанные действия выполняются для х\ = К 1ХІ и Я = Р [R\C]. После чего матрицу [R\C] можно определить как ортогональную матрицу ближайшую к матрице Я 0 0 0 1 Где {r{j} = R — матрица поворота, { } = Т — вектор сдвига.
Соответствия между точками трёхмерного пространства и их изображениями на кадре устанавливаются вручную, либо при помощи калибровочных маркеров. Наиболее часто используемые маркеры, изображены на рисунке 1.8. При использовании маркеров первого типа (рис: 1.8, а) требуется задать положение не менее чем трёх маркеров; для маркеров второго типа (рис. 1.8, б) требуется задать расположение образца в пространстве (координаты трёх точек образца).
Описанный подход к внешней калибровке видеокамеры позволяет определять положение и ориентацию камеры с высокой точностью, но требует много времени на проведение качественных измерений.
Для проведения исследований в области трёхмерной реконструкции по изображениям в разных университетах стали создаваться специальные лаборатории с большим количеством камер, например, KECKLab Мэрилендского университета [31]. В этой лаборатории проводятся исследования по определению позы человека из набора изображений, полученных с нескольких камер (рис. 1.9).
При наличии большого количества камер процедура калибровки требует значительного времени. Кроме того калибровку приходится повторять каждый раз при изменении положения камер. Поэтому возникла необходимость в разработке новых алгоритмов внешней калибровки камер, позволяющих быстро и с минимальным участием человека определять положения и ориентации камер.
Достоинства и недостатки существующих подходов
У каждого из описанных подходов к обнаружению областей интереса по видеоданным есть свои сильные и слабые стороны. Они представлены в таблице 2.1. Из таблицы легко видеть, что комбинирование этих подходов позволяет избавиться от ряда недостатков.
Высокая вычислительная сложность методов, основанных на анализе оптического потока, не позволяет применять их в системах видеонаблюдения. Поэтому требуется разработать быстрый метод с аналогичными характеристиками по устойчивости к изменению условий освещения.
Задача заключается в том, чтобы разработать метод обнаружения областей интереса устойчивый к изменению освещения и позволяющий обнаруживать неподвижные объекты. Основные идеи метода следующие: при неизменных условиях освещения используется обнаружение по модели фона, что позволяет обнаруживать движущиеся, оставленные и пропавшие объекты; в случае изменения освещения обнаружение осуществляется при помощи анализа движения, до тех пор пока модели фона не обновится полностью.
В предлагаемом методе обнаружения областей интереса при помощи поворотных камер анализ движения выполняется на основе векторов движения для блоков, что позволяет существенно повысить скорость работы. При этом понижается точность выделения объектов, но повышается устойчивость к шумам. Устойчивость к изменению условий освещения сохраняется.
Пусть имеется два кадра її и 12. Тогда векторы движения для блоков определяются следующим образом: 1. Кадр 1\ разбивается на множество неперекрывающихся блоков заданного размера (Bij). Разбиение производится так, что все блоки покрывают весь кадр, т.е. их суммарная площадь равна площади кадра. 2. Для каждого блока Д-j определяется вектор (v{j) удовлетворяющий соотношению Где О — область поиска векторов движения; итах, vmax — целые положительные числа; F(Ii, І2, Д-j, Уц) — функция соответствия блоков. Другими словами, это мера близости блоков текущего и предыдущего кадров. Примером такой функции является SAD (Sum of Absolute Differences), определяемая формулой Где p — пиксель блока. Рисунок 2.2 иллюстрирует основную идею поиска векторов движения для блоков. В результате работы алгоритма получаем поле векторов движения для блоков (рис. 2.3).
Функциональность разработанной системы
Основные разработанные автором функциональные возможности системы GML Security приведены на диаграмме вариантов использования (рис. 3.4). Различается три типа пользователей, взаимодействующих с системой: 1. Пользователь-оператор — использует систему для решения задач видеонаблюдения. 2. Пользователь-инженер — обеспечивает настройку системы (калибровку плана и камер). 3. Пользователь-администратор — контролирует доступ к системе. Теперь остановимся подробно на вариантах использования, представленных на рисунке 3.4. 1. Добавление новых пользователей. Данное действие может выполнять только пользователь-администратор системы. Он задаёт имя пользователя, пароль и его роль (оператор или инженер). Для того чтобы начать работу с системой каждый пользователь должен ввести имя и пароль, которые верифицируются. Роль пользователя определяет набор действий, которые пользователь может совершать. Например, пользователь-оператор не может добавлять и калибровать камеры. 2. Загрузка плана контролируемого пространства. План контролируемого пространства загружается из графического файла (bmp, gif, jpg и других). Кроме того система позволяет загрузить карту препятствий, которая используется при определении областей видимости камер. Загрузку плана должен выполнять пользователь-инженер, но пользователь-администратор также имеет возможность выполнить данную процедуру. Пользователь-администратор имеет доступ ко всем возможностям, предоставляемым системой. В дальнейшем это не будет дополнительно подчёркиваться. 3. Калибровка плана. Калибровка плана позволяет связать пиксельные координаты точек на плане с координатами в системе координат, связанной с контролируемым пространством. Для калибровки требуется при помощи мыши задать две точки на плане: первая соответствует началу координат, а для второй необходимо указать соответствующие ей координаты в системе координат связанной с контролируемым пространством. 4.
Добавление запретных областей на план. «Запретные области» задаются прямоугольниками на плане. При попадании обнару- -женного объекта в такую область система выдаёт предупреждение. 5. Добавление объектов на план. Добавляются объекты, требующие повышенного внимания (например, банкомат или игровой автомат). Каждый объект имеет уникальный идентификатор. Если объект добавлен на план, то через компьютерную сеть по протоколу TELNET (TELecomimmication NETwork, [81]) системе может быть послано сообщение специального вида. При получении сообщения заданное количество камер поворачивается таким образом, чтобы обеспечить наилучший обзор объекта. 6. Добавление и удаление камер. До тех пор, пока не выполнена калибровка камеры, ограничены возможности по управлению и отображению информации о ней (например, области видимости) 7. Калибровка камер. Камеры могут калиброваться совместно или по отдельности. Для калибровки используется разработанный алгоритм, описанный в разделе 1.4. Если для плана задана карта препятствий, то кроме определения положения! и ориентации камер в процессе калибровки для каждой камеры строится маска видимости. Маска видимости отделяет точки плана, которые потенциально видимы при помощи камеры. Полученная маска используется в процессе работы для правильного отображения области видимости камеры с учётом препятствий. Для того чтобы обеспечить приемлемую скорость работы, маска видимости аппроксимируется многоугольником [82]. 8. Просмотр видео с камер. Для просмотра видео, получаемого от камер, предназначено отдельное окно — Video Center. Пример та кого окна приведён на рисунке 3.3. Пользователь может настроить несколько таких окон, объеденив видеопотоки в группы. 9. Оценка ситуации по плану. На плане отображаются: положения камер, области видимости камер, положения добавленных объектов, положения обнаруженных объектов. Эта информация позволяет оценивать ситуацию на всей охраняемой территории и быстрее выявлять нарушения. 10. Изменение настроек системы. Система обладает рядом настро ек, определяющих способы визуализации и функционирование си стемы. К таким настройкам относятся: способ отображения плана; способ отображения областей видимости камер; количество камер, реагирующих на сообщения по протоколу TELNET; количество камер реагирующих на клики по плану и видео; включение/выключение реакции камеры на события; дистанция, в пределах которой камеры реагируют на события; и другие. Пользователь может регулировать настройки, настраивая систему для своих целей. Для каждого пользователя сохраняются установленные им настройки. 11.
Вращение камеры. Пользователь может изменять направление объектива поворотной камеры по азимуту и углу места. Работа си стемы отлаживалась на камерах: Messoa SDS620, Messoa SDS680, Messoa SDS710 и Axis 233D. Для управления камерами и получения видеоданных использовались комплекты средств разработки (Software Development Kit), предоставляемые фирмами производителями.
