Электронная библиотека диссертаций и авторефератов России
dslib.net
Библиотека диссертаций
Навигация
Каталог диссертаций России
Англоязычные диссертации
Диссертации бесплатно
Предстоящие защиты
Рецензии на автореферат
Отчисления авторам
Мой кабинет
Заказы: забрать, оплатить
Мой личный счет
Мой профиль
Мой авторский профиль
Подписки на рассылки



расширенный поиск

Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Никитин Руслан Владимирович

Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения
<
Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения
>

Диссертация - 480 руб., доставка 10 минут, круглосуточно, без выходных и праздников

Автореферат - бесплатно, доставка 10 минут, круглосуточно, без выходных и праздников

Никитин Руслан Владимирович. Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения : дис. ... канд. техн. наук : 05.12.04 СПб., 2006 126 с. РГБ ОД, 61:07-5/1056

Содержание к диссертации

Введение

1. Системы охранного телевидения 16

1.1. Структура систем охранного телевидения 16

1.2. Современные системы охранного телевидения 24

1.3. Специфика систем охранного телевидения 34

1.4. Проблемы современных систем охранного телевидения 36

1.5. Выводы по главе 39

2. Метод стилизации изображения 41

2.1. Особенности зрительной системы человека 41

2.2. Процесс анализа оператором изображения в системах охранного телевидения 50

2.3. Определение и метод стилизации изображения 53

2.4. Выводы по главе 57

3. Алгоритмы стилизации изображения 59

3.1. Классификация алгоритмов сегментации изображения 59

3.2. Комбинированный алгоритм сегментации изображения 65

3.2.1. Дискретное wavelet-преобразование 65

3.2.2. Определение контуров изображения 71

3.2.3. Алгоритм сегментации watershed 77

3.2.4. Описание комбинированного алгоритма сегментации 79

3.3. Моделирование операций зрительной системы человека по выделению и подчеркиванию простых признаков изображения 84

3.4. Алгоритм стилизации изображения для задачи идентификации движения 86

3.5. Алгоритм стилизации изображения для задачи идентификации сцен 89

3.6. Сегментация изображения с помощью межкадровой разности 93

3.7. Практическое использование метода стилизации изображения для задач идентификации движения и идентификации сцен 95

3.8. Выводы по главе 98

4. Экспериментальное исследование метода стилизации изображения 99

4.1. Экспериментальное исследование метода стилизации изображения для задачи идентификации движения 99

4.2. Экспериментальное исследование метода стилизации изображения для задачи идентификации сцен 103

4.3. Статистический анализ результатов экспериментов 105

4.4. Выводы по главе 110

Заключение 112

Список литературы 114

Приложение 121

Введение к работе

Рассматривая довольно короткую еще историю человечества в 21 -ом веке, приходится констатировать, что одной из характерных черт данного времени является не улучшающаяся криминалистическая обстановка в обществе, поэтому охранные системы в целом и системы охранного телевидения (СОТ) в частности являются востребованными в наивысшей степени.

Ведущие фирмы Российской Федерации и мира занимаются разработкой СОТ: ФГУП «НИИТ», ЗАО «INFOPRO», Группа компаний ИСТА, ITV, ЗАО «ЭВС», Bosch Security Systems, Panasonic, Axis Communications, SANYO VIDEO Vertrieb AG и др.

Значительный вклад в развитие, совершенствование теории и практики СОТ внесли отечественные и зарубежные ученые: А.К. Цыцулин [37], Л. Л. Полосин [47], Б.С. Тимофеев [40], [53], А.Н. Куликов [29], V. Damjanovski [15], [67] и др.

В настоящее время в сфере СОТ на фоне интенсивного технического прогресса уделяется незаслуженно мало внимания такой области, как психофизиология восприятия изображения оператором СОТ. В Российской Федерации регламентация функционирования СОТ осуществляется ГОСТом Р 51558-2000 "Системы охранные телевизионные" [12]. Данные требования носят общий характер и не учитывают криминалистические рекомендации по получению и записи изображений. Однако любые СОТ по-прежнему основываются на способности операторов обнаруживать и идентифицировать происшествия, а их физические возможности не безграничны.

Большинство СОТ управляется коллективом операторов, которые смотрят на «видеостены» (совокупность мониторов, воспроизводящих разнородную информацию). При этом люди устают и, кроме того, зрительный аппарат человека не в состоянии быстро выявить мелкие изменения картины такие, как оставленный кейс или пакет. Необходимо

5 также принимать во внимание фактор недобросовестности операторов СОТ -зачастую, несмотря на установку большого количества телевизионных камер (ТК) с целью максимального охвата территории наблюдения, в действительности оператор СОТ может тщательно не контролировать сектор, за который несет ответственность. Кроме того, иногда невозможно обеспечить нужное количество операторов для просмотра изображения со всех установленных ТК. Следовательно, видеоданные от многих ТК пропадают. Более того, основная часть передаваемого на мониторы изображения не имеет никакого значения, а иногда даже не имеет никакого отношения к тем рискам, которые характерны для данного объекта. Согласно статистическим исследованиям [26], только около 20% видеозаписей подходят для криминалистического анализа, а 80% имеют настолько плохое качество, что практически не имеет смысла заниматься их исследованием.

Таким образом, можно предположить, что использование некоего специального метода обработки изображения (метода стилизации изображения) сконцентрирует внимание оператора СОТ на самых существенных, самых информативных подробностях наблюдаемого изображения в контексте решаемой задачи.

Стилизация изображения приведет к снижению времени реакции оператора на нештатную ситуацию и обеспечит принятие наиболее целесообразных мер защиты и противодействия возникающим обстоятельствам. Следовательно, повысится эффективность работы оператора СОТ. Поэтому разработка методов стилизации изображения для систем охранного телевидения является актуальной.

Цель и задачи работы. Целью работы является разработка метода и алгоритмов обработки (стилизации) изображения в цифровых СОТ для сокращения времени опознавания объектов оператором при решении задач идентификации движения и идентификации сцен.

Для достижения указанной цели требуется решение следующих задач:

Анализ специфических особенностей СОТ.

Анализ особенностей механизма зрительного восприятия изображения человеком.

Разработка метода стилизации изображения для задач идентификации движения и задач идентификации сцен.

Разработка алгоритмов стилизации изображения для задач идентификации движения и задач идентификации сцен.

Проведение экспериментальных исследований, оценивающих эффективность разработанного метода стилизации изображения.

Методы исследования. В диссертации использованы методы теории зрительного восприятия, математического аппарата теории вероятностей, теории wavelet-анализа, теории дискретных сигналов, цифровой обработки изображений. Экспериментальная часть исследования базировалась на обработке и анализе цифровых изображений с помощью ПЭВМ с последующей численной и визуальной оценкой результатов. Для программной реализации разработанных алгоритмов использовались системы математического моделирования Mathcad и MATLAB.

Научная новизна диссертационной работы состоит в следующем:

Разработан метод стилизации изображения в СОТ для решения задач идентификации движения и идентификации сцен, моделирующий операции зрительной системы человека по выделению и подчеркиванию простых признаков изображения (контуры, сегменты).

Предложено использовать сегментацию изображения при реализации метода стилизации изображения в СОТ для решения задач идентификации движения и идентификации сцен.

Разработан комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed.

Научные положения, выносимые на защиту:

Сегментация изображения комбинацией алгоритмов: дискретного wavelet-преобразования, детектора контуров Канни, сегментации watershed позволяет моделировать операции выделения и подчеркивания простых признаков изображения в зрительной системе человека.

Решение задачи идентификации движения по сегментированному изображению позволяет уменьшить время опознавания объектов.

Решение задачи идентификации сцен по изображению, подвергнутому сегментации и ранжированию сегментов по среднему значению их детализирующих wavelet-коэффициентов, позволяет уменьшить время опознавания объектов сцены.

Практическая ценность диссертационной работы:

Разработанный метод и соответствующий алгоритм стилизации изображения для задачи идентификации движения позволяет сократить время опознавания объектов оператором СОТ на изображении в среднем в 2 раза.

Разработанный метод и соответствующий алгоритм стилизации изображения для задачи идентификации сцен позволяет сократить время опознавания объектов оператором СОТ на изображении в среднем в 1,4 раза.

Применение разработанного метода стилизации изображения в СОТ повышает эффективность работы оператора и позволяет либо сократить число рабочих мест операторов при сохранении числа ТК, либо увеличить число ТК при сохранении числа рабочих мест операторов.

Личный вклад. Включенные в диссертацию материалы получены лично автором: метод стилизации изображения, основанный на сегментации изображения; комбинированный алгоритм сегментации изображения на основе wavelet-преобразования с использованием детектора контуров Канни и алгоритма сегментации watershed; алгоритмы стилизации изображения для задач идентификации движения и идентификации сцен. Экспериментальные исследования разработанного метода стилизации проведены лично автором.

Реализация результатов работы. Результаты теоретических и прикладных исследований, полученные в работе, использованы при выполнении научно-исследовательской работы «Исследование методов и алгоритмов обработки информации в интегрированном комплексе разнородных РЛС и телевизионной аппаратуры видимого и инфракрасного диапазонов», проводимой в СПбГЭТУ «ЛЭТИ».

Разработанный метод и алгоритмы стилизации изображения для задач идентификации движения и идентификации сцен в СОТ внедрены в:

ЗАО «INFOPRO», г, Москва: системы охранного телевидения для Смоленского областного управления федерального казначейства и завода «Ситал»; телевизионная система видеонаблюдения «Город» для г. Смоленск.

Главное управление Центрального банка РФ по Смоленской области: специализированное программное обеспечение для системы телевизионной охраны и наблюдения.

Апробация работы. Результаты работы, полученные на различных стадиях ее выполнения были доложены автором на следующих конференциях:

59-61 научно-технические конференции НТО РЭС им. А.С. Попова, СПб, 2004 - 2006 гг.

3-я международная конференция «Телевидение. Передача и обработка изображений», СПб, 2005.

Конференция профессорско-преподавательского состава СПбГЭТУ «ЛЭТИ», СПб, 2006 г.

12-я международная научно-техническая конференция студентов и аспирантов «Радиоэлектроника, электротехника и энергетика», Москва, 2006 г. и получили положительную оценку.

Достоверность полученных результатов обеспечена; 1. Их базированием на известных концепциях теории зрительного восприятия, математического аппарата теории вероятностей, теории wavelet-анализа, теории дискретных сигналов, цифровой обработки изображения. 2. Применением известных методов исследования, и подтверждена:

Результатами экспериментов по оценке эффективности разработанного метода и алгоритмов стилизации.

Апробацией и публикацией полученных результатов.

Публикации, По теме диссертации опубликовано 5 научных работ, из них - 1 статья и 4 работы в материалах международных и российских научно-технических конференций.

Во время обучения в аспирантуре автором была пройдена учебно-производственная практика по теме диссертации на предприятии SANYO VIDEO Vertxieb AG, Германия, г. Аренсбург. По завершению практики был получен положительный отзыв-характеристика.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 84 наименования, и двух приложений. Основная часть работы изложена на 119 страницах. Диссертация содержит 38 рисунков и 4 таблицы.

В первой главе рассмотрена структура СОТ и специфические особенности, присущие данному классу систем.

Любая СОТ - это средство для осуществления двух операций: визуальное оценивание и видеорегистрация. Визуальное оценивание подразумевает наличие видеоданных опознавательного и/или описательного свойства во время какого-либо события в настоящий момент времени. Видеорегистрация означает присутствие данных, сохраненных в формате, позволяющем изучать и/или просматривать изображение в будущем. Операции оценивания и видеорегистрации могут выполняться для решения следующих задач:

1. Персональная идентификация: опознавание оператором объекта (установление его личности) на изображении.

Идентификация движения: опознавание на изображении движущихся объектов. Здесь, необходимо отметить сам факт движения, а не кем или чем оно осуществляется.

Идентификация сцен: ключевым обстоятельством является то, что каждая наблюдаемая сцена имеет свои уникальные отличительные особенности. Практически это означает опознавание на наблюдаемом изображении изменений такого рода, как появление/исчезновение статических объектов на изображении, изменение состояния объектов (например, открытая/закрытая дверь).

В отличие от вещательного телевидения, в котором существенной является необходимость донести изображение до зрителей как можно лучшего качества при минимальных технических и материальных затратах, СОТ предназначены для узкого круга пользователей, при этом, качество изображения должно быть не максимально возможным, а достаточным для задачи, решаемой СОТ.

Анализ сегодняшней ситуации в области СОТ позволяет сделать заключение, что в сфере СОТ существуют две группы проблем технического и психофизиологического характера. Технические проблемы заключаются в быстром переходе на сетевые технологии при построении СОТ, к чему подталкивают требования современного рынка. При этом необходимым является разработка и внедрение общих стандартов для оборудования СОТ. С другой стороны, постоянное совершенствование техники СОТ отвлекает потребителей СОТ от такого аспекта, как разумное и обоснованное оценивание своих потребностей. Большинство потребителей сейчас не могут квалифицированно дать оценку тому, какие задачи должны быть решены поставляемой им СОТ и какое качество телевизионного изображения для этого необходимо. Одной из причин тому является плохая нормативная база, существующая в нашей стране. С другой стороны такая ситуация выгодна производителям. С точки зрения рекламы легче представляется поразить пользователя привлекательными техническими параметрами оборудования, чем объяснять потребителю принципы разумного построения систем охранного телевидения. Зачастую оборудование с более скромными техническими характеристиками является достаточным для решения поставленных задач. Именно здесь встает вопрос о психофизиологии восприятия изображения человеком, о методах способных помочь оператору при анализе изображения, вырабатываемого СОТ.

Вторая глава посвящена анализу зрительной системы человека в контексте стилизации изображения и разработке метода стилизации изображения для СОТ,

В ходе работы над диссертацией был проанализирован механизм зрительного восприятия изображения человеком, и были выявлены следующие его особенности:

Зрительный аппарат человека работает с обобщенным образом увиденного.

Число воспринимаемых за один акт опознавания образов ограничено.

Образы опознаются последовательно.

Образы образуются простыми и сложными признаками.

Время опознавания определяется не элементами изображения, а сложными признаками, разделяющими один образ от другого в данном алфавите.

Увеличение числа сложных признаков приводит к увеличению времени опознавания.

Увеличение числа простых признаков может уменьшить время опознавания.

Принимая к сведению особенности зрительного восприятия изображения человеком, было сделано предположение, что использование метода обработки изображения (стилизации), моделирующего операции зрительной системы человека по выделению и подчеркиванию простых признаков изображения, позволит разгрузить зрительный аппарат оператора СОТ и процесс анализа изображения оператором будет выполняться быстрее, т.е. будет снижено время опознавания объектов оператором СОТ. Практически это означает перенос на аппаратуру СОТ указанных операций зрительной системы человека.

Необходимость сказанного, объясняется тем, что сегодня в большинстве случаев центральным элементом СОТ является человек и при принятии решения по осуществлению мер противодействия нештатным ситуациям, возникшим на объекте, идет счет на секунды и даже доли секунды.

В работах по психофизиологии восприятия изображения человеком установлено, что зрительная система человека выполняет такие операции, как выделение контуров и сегментация. Выделение контуров можно рассматривать как операцию выделения простых признаков, а операцию сегментации, как операцию подчеркивания простых признаков.

Таким образом, под стилизацией изображения в данном исследовании понимается выделение и подчеркивание информативных особенностей изображения (контуры, сегменты) с целью повышения эффективности идентификации объектов.

Согласно вышесказанному в данном исследовании был разработан метод стилизации изображения, центральным элементом которого является сегментация изображения.

Метод состоит в следующем:

Задача идентификации движения: предоставление оператору для анализа сегментированного изображения, за счет чего достигается повышение заметности движения на изображении

Задача идентификации сцен: предварительная сегментация и предъявление оператору изображения, области которого, пространственно соответствующие полученным сегментам, обработаны таким образом, что повышается различимость объектов, из которых состоит наблюдаемая сцена.

Третья глава посвящена разработке алгоритмов стилизации изображения для задач идентификации движения и идентификации сцен в СОТ, основанных на сегментации изображения.

В рамках диссертации для приведенного метода стилизации был разработан комбинированный алгоритм сегментации изображения, основанный на wavelet-преобразовании с использованием детектора контуров Канни и алгоритма сегментации watershed.

Данное решение было принято, исходя из следующих соображений. Вообще все алгоритмы сегментации можно подразделить на пять классов: амплитудная сегментация; сегментация с помощью кластеризации; сегментации областей; определение границ; текстурная сегментация.

За основу был взят подход «Определение границ» (детектор контуров Канни), т.к. многочисленные эксперименты подтвердили, что контур представляет собой наиболее информативную часть зрительного объекта.

Основной проблемой направления сегментации «Определение границ» является не замкнутость найденных контуров, которую удалось решить за счет применения к полученным контурам с помощью детектора Канни алгоритма сегментации watershed, который относится к классу алгоритмов «Сегментация областей» и позволяет учесть пространственные свойства изображения.

Главным недостатком алгоритма сегментации watershed является избыточная сегментация. Для его устранения было использовано wavelet-преобразование: меняя глубину wavelet-декомпозиции можно влиять на степень детализации. Чем глубже уровень разложения (ниже разрешение), тем больше площадь сегментов и наоборот.

Реализация алгоритма сегментации таким способом, позволила смоделировать операции зрительной системы человека по выделению и подчеркиванию простых признаков изображения (контуры и сегменты).

Разработанный алгоритм стилизации изображения для задачи идентификации движения по своей сути является алгоритмом сегментации. Оператору для анализа предоставляется сегментированное изображение.

Разработанный алгоритм стилизации изображения для задачи идентификации сцен также основывается на предварительной сегментации изображения. Оператору предоставляется изображение, области которого, пространственно соответствующие полученным сегментам, обработаны путем изменения значений детализирующих коэффициентов wavelet-преобразования таким образом, что повышается различимость объектов, из которых состоит наблюдаемая сцена.

В заключение главы приводятся рекомендации по практическому использованию разработанного метода стилизации в СОТ. Устройство стилизации помещается перед устройством отображения. В исходном положении видеопоток, поступающий на устройство отображения, предварительно проходит через устройство стилизации. В случае опознавания оператором СОТ объекта на наблюдаемом изображении при решении задачи идентификации движения или идентификации сцен оператором осуществляется комплекс мер противодействия, возникшей ситуации на объекте. Далее, переключив передачу видеопотока на устройство отображения напрямую, в обход устройства стилизации, оператор получает изображение для более точного его исследования (например, для установления личности объекта). После успешного разрешения возникшей ситуации видеопоток вновь переключается оператором на устройство стилизации.

В четвертой главе представлено экспериментальное исследование разработанного метода стилизации изображения для задач идентификации движения и идентификации сцен в СОТ, и приводятся результаты статистического анализа полученных экспериментальных данных.

Применение метода стилизации изображения для задачи идентификации движения в условиях поставленных экспериментов привело

15 к сокращению времени опознавания объектов на наблюдаемом изображении оператором СОТ в среднем 2 раза.

Использованием метода стилизации изображения для задачи идентификации сцен в рамках поставленных экспериментов привело к сокращению времени опознавания объектов на наблюдаемом изображении оператором СОТ в среднем в 1,4 раза.

Статистический анализ результатов экспериментов проводился путем сравнения двух выборок, соответствующих исходным изображениям и стилизованным изображениям, состоящих из измеренных значений времени опознания объектов оператором СОТ на наблюдаемом изображении. Целью данного статистического исследования является установка того, что данные измерений для исходных и стилизованных изображений являются статистически различными, т.е. принадлежат двум различным генеральным совокупностям.

С вероятностью а = 0,98 по критерию Стьюдента установлено, что результаты экспериментов, как для задачи идентификации движения, так и для задачи идентификации сцен для исходных и стилизованных изображений являются статистически различными. Это означает, что результаты, полученные при использовании стилизации, не являются случайными, а представляют собой следствие влияния принципиально нового фактора (стилизация изображения), приводящего к сокращению времени опознавания.

В заключении сформулированы основные результаты выполненной работы.

Проблемы современных систем охранного телевидения

Любая СОТ - это средство для осуществления двух операций: визуальное оценивание и визуальное документирование [80]. Визуальное оценивание подразумевает наличие видеоданных опознавательного и/или описательного свойства во время какого-либо события в настоящий момент времени. Визуальное документирование означает присутствие данных, сохраненных в формате, позволяющем изучать и/или просматривать изображение в будущем. Операции оценивания и документирования могут выполняться для решения задач СОТ, которые предлагается классифицировать следующим образом; 1. Персональная идентификация: опознавание оператором объекта (установление его личности) на изображении. Результат данной задачи зависит от размера и степени детализации изображения. 2. Идентификация движения: опознавание на изображении движущихся объектов. Здесь, необходимо отметить сам факт движения, а не кем или чем оно осуществляется. 3. Идентификация сцен: ключевым обстоятельством является то, что каждая наблюдаемая сцена имеет свои уникальные отличительные особенности. Практически это означает опознавание на наблюдаемом изображении изменений такого рода, как появление/исчезновение статических объектов на изображении, изменение состояния объектов (например, открытая/закрытая дверь). Данное направление ассоциируется как антитеррористическое и противокражное средство (облегчение поиска взрывных и т. п. устройств, замаскированных в оставленных свертках, сумках и т. д.). Однако, область приложения ее намного шире,а именно: безопасность на скоростных автострадах (особенно в тоннелях) и взлетных полосах - поиск опасных предметов; обнаружение пожаров; борьба с вандализмом; охрана оборудования на больших открытых пространствах. В отличие от вещательного телевидения качество телевизионного изображения в СОТ рассматривается под другим углом зрения. Для вещательного телевидения существенным является донести изображение до зрителей как можно лучшего качества при минимальных технических и материальных затратах.

СОТ, в свою очередь, предназначены для узкого круга пользователей, при этом, качество изображения должно быть не максимально возможным, а достаточным для задачи, решаемой СОТ. Здесь идет речь о полезности некоторого представления телевизионного изображения, которая зависит от того, насколько хорошо изображение соответствует цели, для достижения которой его используют. Например, для того, чтобы произошло правильное восприятие оператором сцены, ее следует когнитивно проанализировать или «описать», а это требует внимания: если сцена достаточно сложна, а внимание направлено на схватывание общей формы, а не ее нюансов, то они не будут восприняты, т.е. для решения поставленной задачи достаточным было упрощенное изображение.

Следовательно, немаловажным аспектом СОТ, о котором зачастую забывают производители, является человеческий фактор. Ни одна СОТ не может функционировать без так называемой центральной аппаратной, помещения, где операторы осуществляют наблюдение за происходящим на экранах мониторов. Данный процесс также может быть организован различным образом. Мониторинг может осуществляться как круглые сутки, так и определенное количество часов в неделю. Наблюдением за каждым монитором может быть занят один оператор, но также возможна ситуация, когда один человек должен работать сразу с несколькими мониторами, так называемой «видеостеной». Кроме того, может отличаться уровень сложности наблюдаемых сцен; оживленные участки городских кварталов, жилые помещения, автостоянки и т.д. Таким образом, СОТ характеризуются своей ориентированность на решение определенных задач, которые могут быть сведены к трем классам: идентификация личности, идентификация движения и идентификация сцен. Одним из ключевых элементов СОТ - является человек.

Анализ сегодняшней ситуации в области СОТ [34], [35], [36] позволяет сделать заключение, что в сфере СОТ существуют две группы проблем технического и психофизиологического характера

Технические проблемы заключатся в том, что скорость внедрения новых технологий значительно отстает от скорости их развития. На практике системные решения в СОТ не менялась уже в течение многих лет. Как правило, аналоговый сигнал каждой ТК проходит через единственный коаксиальный кабель, подсоединенный к матричному видеокоммутатору. Такой тип установки использовался с успехом, когда вся система состояла из небольшого количества ТК и нескольких мониторов. Но современные СОТ могут включать в себя сотни ТК и их структура может быть не тривиальной. Например, в аэропорту имеется масса подразделений, специализирующихся на различных операциях таможенном контроле, обеспечении безопасности полетов, обработке багажа, пожарной безопасности, пропускной способности и т.д. Каждому из этих подразделений может потребоваться СОТ и просмотр видеоизображений, записанных одной и той же камерой в одно и то же время. Для этого необходимо распределить видеосигнал по нескольким участкам и делать запись в нескольких точках. Но привычные схемы расположения кабелей и матричных видеокоммутаторов для этого просто не предназначены [36].

Кроме того, нередко различные подразделения могут покупать (не ставя в известность других) собственное, несовместимое друг с другом оборудование. В результате таких несогласованных действий руководителей подразделений в одной точке наблюдения могут находиться две или три ТК с одинаковой зоной обзора, а полученные с их помощью телевизионные изображения обрабатываются по отдельности тремя различными пользователями.

Процесс анализа оператором изображения в системах охранного телевидения

Из анализа исследований в области зрительной системы человека [1] -[3], [5], [6], [8] - [11], [17], [33], [45], [49] в первом приближении можно выделить четыре уровня зрительной системы:

Множество рецептивных полей (РП) зрительной подкорки. Нейроны сетчатки и наружного коленчатого тела (НКТ) измеряют интегрированную световую энергию в пределах центральной зоны суммации РП. Нейроны этого уровня выполняют ряд операций по предварительной обработке зрительного сигнала: выделение сигнала из шума, подчеркивание контуров и высоких пространственных частотах (ПЧ), пространственную и временную декорреляцию изображения. Описание поля зрения на этом уровне еще происходит по принципу точка в точку: распределение возбуждений в on- и off-нейронах сетчатки и в нейронах НКТ соответствует распределению положительного и отрицательного контраста относительно среднего уровня освещенности. Благодаря возникновению раздельных on- и off-систем создаются предпосылки для перехода к локальному спектральному описанию на следующем уровне.

Стриарная кора. РП этого второго уровня зрительной системы -двухмерные решетчатые фильтры ПЧ. Поля измеряют пространственно-частотную и ориентационную компоненты фрагментов изображения. Нелинейные нейроны служат для сегментации зрительного поля на отдельные фрагменты. Для каждого отдельного фрагмента эта операция может быть описана как выделение фигуры из фона. Выполняется она сложными нейронами, выделяющими участки, занятые однородной текстурой; дирекциональными нейронами, выделяющими площадки, составленные элементами, движущимися в одном направлении; бинокулярными нейронами, выделяющими участки, расположенные на разной глубине, а также цветовыми нейронами. Эти участки могут быть объединены в более крупную фигуру обратными влияниями из вышележащих отделов.

Престриарная кора. Организация данного уровня подобна предыдущему, с тем отличием, что модули составлены из РП более крупного размера. Нейроны модулей престриарной коры анализируют не распределение контраста, т.е. входами для них являются не on- и off-нейроны НКТ, как в стриарной коре. Нейроны модулей престриарной коры анализируют формы, образованные текстурами или выделенные за счет бинокулярного паралакса или паралакса движения, т.е. входами для них являются нелинейные элементы стриарной коры. Описание, создаваемое модулями престриарной коры, имеет существенное значение, поскольку большинство объектов реального мира составлено не только площадками, различающимися по яркости, сколько площадками, различающимися по текстуре. Данная конструкция модулей создает предпосылки для инвариантного и конкретного описания, осуществляемого на четвертом уровне зрительной системы.

Нижневисочная кора (НВК) и заднетеменная кора (ЗТК). Основная особенность данного уровня в том, что здесь содержаться обучающиеся нейроны. Предполагается, что обучение осуществляется наиболее простым рекурентным способом, что возможно благодаря оппонентной организации на предшествующих уровнях зрительной системы. В результате совместной работы двух основных механизмов зрительного мозга (НВК и ЗТК) происходит как обобщенное образное абстрактное описание, так и конкретное. Всякий акт зрительного восприятия включает в себя сопоставление новой информации со всей хранящейся в зрительном мозгу упорядоченной моделью мира, а одновременно - дополнение и развитие этой модели. Следовательно, акт зрительного восприятия необходимо рассматривать как акт предметного мышления [8]. Необходимое условие для мышление - упорядоченное хранение информации в нервной системе, что позволяет быстро находить нужные коды и оперировать ими. Эта упорядоченность достигается благодаря тому, что в конструкции мозга заложены две основные формы организации языка: словарь и грамматика [8]. Из вышеизложенного видно, что в зрительной системе человека происходят существенные преобразования входного сигнала, в число которых входят: выделение и подчеркивание контуров изображения (нейроны сетчатки и НКТ); сегментация изображения (нейроны стриарной коры). Подчеркивание контуров и сегментация существенны для снятия избыточности в передаваемом сигнале. Однако, несмотря на указанные преобразования, изображение остается изоморфным по отношению к входному сигналу, следовательно, оно характеризуется большой избыточностью [8]. Это большое количество информации, которое имеется в сетчатке, мозг не может использовать. Конечное описание образа предмета в высших отделах зрительной системы содержит на несколько порядков меньше информации, чем то, которое существует на сетчатке. Для сокращения избыточности требуется переход к иному способу описания изображения. Таким описанием является образ. Образ - описание реального объекта, инвариантное к его возможным преобразованиям [8], Образ - наиболее важное зрительное обобщение и наиболее продвинутое в эволюционном плане достижение зрительной системы [8]. Благодаря механизму описания образа мозг человека и высокоорганизованных животных способен видеть мир таким, какой он есть: состоящим из предметов.

Алгоритм стилизации изображения для задачи идентификации движения

С точки зрения психофизиологии сегментация визуальных данных является важным этапом предварительной обработки изображений, т.к. позволяет упростить последующий анализ однородных областей изображения, их яркостных и геометрических характеристик. Сегментацию следует рассматривать как начальный этап построения формального описания сцены, качество выполнения которого во многом определяет успех решения таких задач, как распознавание изображений, интерпретация и идентификация визуально наблюдаемых объектов и сцен.

Сегментация изображения подразумевает под собой разделение изображения на области (сегменты) согласно какому-либо критерию. Классическим параметром для сегментации является значение яркости элементов изображения для черно-белых изобршкений или значения цветовых компонент для цветных изображений. Кроме того, при сегментации используются такие атрибуты, как контуры и текстуры, из которых состоит изображение.

По своей сути сегментация изображения не подразумевает классификацию каждого из сегментов, При сегментации производится только раздел изображения на области без идентификации каждого из сегментов и нахождения взаимосвязей между ними.

В настоящий момент не существует теории сегментации изображения, вследствие чего не существует какого-либо стандартного алгоритма сегментации изображений. Существует большое количество разнообразных алгоритмов сегментации, каждый из которых имеет свои особенности и свою область применения, но для оценки их эффективности нет количественных метрик. Однако достаточно часто используется следующие рекомендации, разработанные HaraHck и Shapiro [71]: 1. Сегменты изображения должны быть гомогенными по отношению к какой-либо характеристики, такой как яркостная компонента или текстура. Сегменты не должны содержать большое количество «дыр». Смежные сегменты должны иметь значимо отличные значения характеристики, при помощи которой производится сегментация. Границы сегментов должны быть простыми, нерваными и пространственно точными.

Все алгоритмы сегментации изображений можно подразделить на следующие классы [81]:Амплитудная сегментация: многие изображения могут рассматриваться как совокупность объектов, имеющих однородную окраску отличную от фона (заднего плана) изображения. Типичным представителями данного рода изображений являются рукописный или печатный текст, биомедицинские снимки, полученные при помощи микроскопа, изображения самолетов на взлетно-посадочной полосе и т.д. Для таких изображений яркостная компонента является той характеристикой, которая может быть использована выделения объекта на фоне. Основной механизм алгоритмов сегментации данного класса состоит в следующем. Для гистограммы изображения задается определенный порог и значения по одну сторону порога сегментируются как объект, а значения по другую сторону рассматриваются как фон. Существуют различные усовершенствования данного алгоритма. Операция сравнения с порогом может повторяться рекурсивно для каждого нового полученного множества элементов изображений. Кроме того, может быть использована не только яркостная компонента изображения, но и комбинация компонент различных цветовых моделей (RGB, CMYK, HSV, YUV). 2. Сегментация с помощью кластеризации: под кластером понимается группа объектов, которые наиболее близки по своим характеристикам друг к другу, чем к объектам других кластеров [19]. Термин «близость» означает математическую схожесть, которая измеряется тем или иным образом. Наиболее часто используется мера расстояния, при этом расстояние может вычисляться как между самими объектами, так и между объектами и объектом-прототипом данного кластера. Для изображения выбирается набор характеристик, в качестве которых могут выступать как стандартные параметры (яркость, энергия, среднее значения, энтропия и т.д.), так и любые пользовательские параметры. Процесс кластеризации в общем представлен на рис. 3.1. Основными недостатками алгоритмов данного класса являются высокие требования к вычислительным ресурсам и сложность выбора наиболее подходящих для решаемой задачи характеристик.

Сегментация областей: алгоритмы сегментации, относящиеся к двум предыдущим классам, базируются на точечных свойствах изображения. Алгоритмы сегментации данной группы используют пространственные свойства изображений для их сегментации. Можно выделить основные подходы, используемые при этом: наращивание областей, разделение и объединение и «водоразделы» (watershed). Алгоритм наращивания областей (regions growing) является наиболее простым и состоит в том, что сегментированное изображение получается путем группировки соседних элементов изображения, имеющих близкое значение используемого критерия. Данный подход дает хорошие результаты при сегментации изображений, содержащих достаточно простые сцены, которые слабо текстурированы и содержат малое количество объектов. Алгоритм разделения и объединения (split and merge) [77] анализирует изображение квадратными окнами.

Экспериментальное исследование метода стилизации изображения для задачи идентификации движения

Задачи идентификации движения и идентификации сцен могут рассматриваться как задачи детектирования движущихся объектов и статических объектов на наблюдаемом изображении соответственно. Для решения указанных задач может быть использован подход, основанный на вычислении межкадровой разности. Можно выделить две основные разновидности алгоритмов вычисления межкадровой разности, отличающиеся используемыми кадрами:

В качестве анализируемых кадров используются два последовательных кадра видеопоследовательности, с интервалом не менее одного кадра. Чем больше такой интервал, тем выше чувствительность к малоподвижным объектам.

В качестве анализируемых кадров используются базовый кадр и текущий кадр видеопоследовательности. Базовый кадр соответствует исходному состоянию наблюдаемой сцены.

Результаты, получаемые при прямом использовании алгоритмов межкадровой разности, зависят в высокой степени от случайных факторов, влияющих на изображении: изменение характеристик телевизионной системы из-за вибраций, атмосферно-оптических условий, а также изменение алгоритма обработки телевизионного изображения. При использовании алгоритмов межкадровой разности требуется осуществление предварительной обработки изображения, которая может состоять в следующем: 1. Уменьшение размеров кадра: используется для существенного сокращения объема данных, которые необходимо обрабатывать, и ослабления аддитивного и импульсного шумов на входных данных. линейная: предполагает применение к элементам изображения преобразования, которое позволило бы подчеркнуть нужные элементы изображения и избежать влияния других, менее значимых. В основе линейной фильтрации лежит операция свертки. Существует множество стандартных ядер свертки. Одним из частных случаев применения линейной фильтрации к изображениям является осуществление свертки с целью сглаживания. Сглаживание выравнивает скачки яркости на изображении и позволяет удалить излишний шум. медианная: медианный фильтр, в отличие от сглаживающего фильтра, реализует нелинейную процедуру подавления шумов. Медианный фильтр представляет собой скользящее по изображению окно W, охватывающее нечетное число элементов изображения. Значение текущего элемента изображения заменяется медианой значений всех элементов изображения, попавших в окно. Медианой дискретной последовательности длинной L (для нечетного L) называется такой ее элемент, для которого существуют (L - 1)/2 элементов, меньших или равных ему по величине, и (L - 1)/2 элементов, больших или равных ему по величине [81]. Как и сглаживающий фильтр, медианный фильтр используется для подавления аддитивного и импульсного шумов на изображении. Характерной особенностью медианного фильтра, отличающей его от сглаживающего, является сохранение контуров. умеренная: также использует скользящее по изображению окно, внутри которого вычисляется максимальное и минимальное значения элементов изображения. Если значение обрабатываемого элемента изображения лежит между максимальным и минимальным значениями, то его значение остается без изменений, в противном случае, если это значение меньше минимального, то оно становится равным минимальному, если больше максимального - максимальному. Такое преобразование позволяет отсечь недопустимо большие и малые значения интенсивности, которые могут возникать вследствие действия компоненты шума. В рамках диссертации для метода стилизации изображения разработан комбинированный алгоритм сегментации изображения, основанный на wavelet-преобразование с использованием детектора контуров Канни и алгоритма сегментации watershed. Wavelet-преобразование по своей структуре выполняет такие операции по предварительной обработке изображения, используемые в алгоритмах межкадровой разности, как операции линейной фильтрации с получением низкочастотной и высокочастотной составляющих изображения, а также уменьшения размера изображения. Использование детектора контуров в разработанном алгоритме сегментации позволяет учесть такое обстоятельство, как влияние на изображение случайных факторов, приводящее к тому, что само изображение будет иметь случайный характер. Однако в пределах отдельных контуров изображения сохраняется стационарность. Таким образом, построение алгоритма сегментации изображения на основе детектора контуров, является с одной стороны принципиальным отличием, а с другой основным преимуществом разработанного алгоритма сегментации изображения по сравнению с алгоритмами межкадровой разности.

Похожие диссертации на Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения