Алгоритм стабилизации видео, основанный на блочном методе с применением модели гауссового распределения Текст научной статьи по специальности «Компьютерные и информационные науки»

Актуальные проблемы авиации и космонавтики. Информационные технологии

кадов) [2]. Усиление простых классификаторов - подход к решению задачи классификации (распознавания), путем комбинирования примитивных «слабых» классификаторов в один «сильный».

Признак, используемый для анализа изображения можно представить кортежем

РеаШге(оособеннсть) = {T, O, S}

где Т - тип признака; О - координата левого верхнего угла признака; S - размер признака по горизонтали и вертикали в пикселях.

Сегментация изображения на основе кожных участков (априорный метод) [3; 4].

Идея данного подхода заключается в том, что вместо того, чтобы обрабатывать весь кадр целиком, можно определить области, в которых существует вероятность обнаружения лица. При сегментации используют различные цветовые пространства (HSV, HLS, YCbCr). В качестве модели цвета кожи используют явно заданный многоугольник в заданном цветовом пространстве, то есть заранее задается некоторый жесткий набор правил. В последствии исходя из набора правил на изображении выделяется лицо.

Алгоритм Виолы-Джонса достаточно устойчив (около 20 градусов) к поворотам изображения. Слу-

чайные, ложные обнаружения, в отличие от истинных лиц, не обладают такой устойчивостью. Является одним из лучших по соотношению показателей эффективность локализации лица/скорость работы. Алгоритм обладает крайне низкой вероятностью ложного обнаружения лица.

Было реализовано тестовое программное обеспечение, которое показало целесообразность применения применение алгоритма Виолы-Джонса. Так как алгоритм подходит не только для обнаружения лиц, но и для локализации любых объектов.

Библиографические ссылки

1. Viola J. Robust Real-time Object Detection, IJCV 2001 See pages 1,3.

2. Jain A. K., Flynn P. and Ross A. A (2007). Handbook of Biometrics.

3. Гонсалес Р., Вудс Р., Цифровая обработка изображений. М. : Техносфера, 2005, 2006. 1072 с.

4. Понс Д., Форсайт Ж. Компьютерное зрение. Современный подход. М. : Изд. дом «Вильямс», 2004.

© Бузаев Д. В., Носов А. В., Зотин А. Г., 2011

УДК 004.932

В. В. Буряченко Научный руководитель - А. Г. Зотин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

АЛГОРИТМ СТАБИЛИЗАЦИИ ВИДЕО, ОСНОВАННЫЙ НА БЛОЧНОМ МЕТОДЕ С ПРИМЕНЕНИЕМ МОДЕЛИ ГАУССОВОГО РАСПРЕДЕЛЕНИЯ

Рассмотрены подходы к стабилизации видео, такие как определение глобального движения кадра на основании векторов движения, приведен алгоритм стабилизации видео, относящийся к методам соответствия блоков и использующий модель гауссового распределения, что позволяет находить минимальное расстояние с применением алгоритмов оптимизации математического ожидания.

Методы улучшения качества видео привлекают в последние годы все больший интерес. Неустойчивости и неожиданные колебания в видеопоследовательности, являющиеся неотъемлемой частью ручных и мобильных видеокамер, значительно ослабляют их производительность. Основная цель стабилизации видео заключается в удалении нежелательной вибрации движения, вызванной лицом, держащим камеру, или вследствие механического дрожания, и синтезу новых изображений последовательности, с учетом стабилизации траектории движения камеры. В данной работе представлен алгоритм стабилизации видео.

В различных публикациях предложены подходы для оценки движения, такие как рекурсивные растровые алгоритмы, алгоритмы частотной области, алгоритмы оптического потока, и методы соответствия блоков [1].

Рекурсивные растровые алгоритмы полагаются на итеративное совершенствование оценки движения для отдельных элементов растра градиентными методами, предсказывая рекурсивное смещение каждого элемен-

та растра от его соседних элементов. Частотные методы оценки движения в основном используются для глобальной оценки движения кадра. Наиболее известный из частотных методов, это фазовый метод корреляции, который использует Фурье преобразование. Методы оптического потока гарантируют высокую точность для сцен с маленькими смещениями, но допускают сбои, когда смещения являются большими. Алгоритмы соответствия блоков оценивают движение на основании прямоугольных блоков и производят один вектор движения для каждого блока. Эти алгоритмы являются более подходящими для аппаратной реализации из-за их настраиваемости и простоты.

В ходе исследования было выяснено, что частотные методы и методы оптического потока работают недостаточно точно, а растровые алгоритмы сложны для реализации и неудовлетворительны по скорости расчетов. Наиболее быстрым и приемлемым по качеству функционирования является метод соответствия блоков, в связи с этим он был выбран за основу разрабатываемого алгоритма. Предлагается использова-

Секция «Информатика и вычислительная техника»

ние цветовых моделей YUV и HSV для получения характеристики интенсивности пикселей.

Предлагаемая реализация. В алгоритмах соответствия блоков каждый кадр разделен на блоки, каждый из них состоит из блоков интенсивности и цветности. Для каждого блока на текущем кадре осуществляется поиск соответствующего блока на следующем кадре. Ищется наименее искаженный блок и записывается его смещение (или вектор движения). Обычно кодируется разница между текущим кадром и следующим. Следовательно, вместо исходного блока интенсивности пикселя может быть передан вектор движения и получившаяся ошибка, что обеспечивает сжатие данных и устранение межкадровой избыточности. Суммирование кадра и вектора движения даёт точную копию следующего кадра.

Текущий кадр разделен на матрицы «макроблоков», включающие соответствующий блок и его ближайших соседей на предыдущем кадре. Это позволяет создать вектор движения макроблока от одного места к другому на предыдущем кадре.

Область поиска

Текущий макро-блок Р

16

Р

Область поиска размеров 16 пикселей и сдвига в р пикселей

Здесь р является поисковым параметром. Увеличение значения р позволяет находить большее движе-

ние, но делает процесс поиска движения более ресурсоемким. Соответствие одного макроблока другому основано на выводе функции стоимости. Макроблок с наименьшим значением функции стоимости соответствует текущему блоку [2].

Предлагается использовать статистический метод оценки движения, основанный на моделировании блоков изображения с использованием гауссового распределения. На первом этапе оптимизация выполняется с использованием алгоритма максимизации ожидания (EM-алгоритм), основанного на итеративной оптимизации параметров модели (априорная вероятность, значения векторов и ковариативные матрицы). На следующем шаге используется расширенное расстояние Махаланобиса для установки соответствия между блоками и для поиска наиболее близких блоков на соседних кадрах.

В данной работе предложен алгоритм стабилизации видео, основанный на методе соответствия блоков в котором последовательность изображений моделируется на основе трех гауссовыих распределений и используется критерий нахождения блоков соответствия, основанный на расстоянии Махаланобиса. Проведенное моделирование подтверждает, что предлагаемая методика позволяет значительно улучшить качество изображений по метрике PSNR. Однако этот метод требует больше вычислений. Ускорение работы является направлением дальнейших исследований.

Библиографические ссылки

1. Hany Farid and Jeffrey B. Woodward. Video Stabilization and Enhancement. TR2007 605, Dartmouth College, Computer Science.

2. Буряченко В. В. Цифровая стабилизация видео в реальном времени // Решетневские чтения : материалы XIV Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2010. С. 476-477.

© Буряченко В. В., Зотин А. Г., 2011

УДК 004.457

О. С. Говорухина Научный руководитель - А. Н. Горошкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

ЦЕНТР УПРАВЛЕНИЯ ДЛЯ ПРОЕКТА «СЕТЕВОЙ УНИВЕРСИТЕТ»

Предлагается решение проблемы администрирования проекта «Сетевой университет». Дана краткая характеристика области применения разрабатываемого модуля, перечислены его основные функции. Указано направление дальнейшего развития проекта.

Расширение использования информационных технологий предполагает использование значительного набора функциональных возможностей, позволяющих решать максимальное количество задач при обеспечении требования мобильности пользователей, получающих доступ к своим данным и программам вне зависимости от места нахождения. Все это должно сопровождаться мерами повышенной защищённости

информационных систем. Однако реализация мер по информационной безопасности вступает в противоречие с необходимостью неограниченного расширения функциональных возможностей информационных систем, их гибкости, доступности и мобильности. Преодоление этих трудностей только организационными мерами весьма затруднительно. Идеальным решением вопросов безопасности и мобильности могла