CC BY
123
4. Дымовая машина ТДА-2М. URL: http://www.rhbz.ru/ (дата обращения 13.09.2012).
5. Комплекс 42С6 Морфей. URL: http://www.militaryrussia.ru/ (дата обращения 13.09.2012)
V.I. Kondratyev, A.V. Trofimov, I.P. Demidchik, S.А. Golovin
THE COMPLEX INTERPLAY OF PROTECTION FROM THE WTO TO THE MEANS OF AEROSOL COUNTER MECHANIZED INFANTRY BRIGADE OF LAND FORCES.
The different systems of protection against the WTO and options the Information and technical interaction with the aerosol counter weapons guidance systems are considered.
Key words: high-precision weapons, the complex of individual protection, collective protection complex, information-technology interaction.
Получено 17.10.12
УДК 004.932.2
Д.Н. Стрельцов, магистр, 8-499-732-63-09, drakulastr@gmail .com (Россия, Москва, МИЭТ)
АЛГОРИТМ ОБНАРУЖЕНИЯ ОБЪЕКТОВ НА ВИДЕОИЗОБРАЖЕНИИ С РАСЧЕТОМ ПЛОЩАДЕЙ НАЙДЕННЫХ КОНТУРОВ
Предложен алгоритм обнаружения объектов в помещении по видеоизображению с камеры, разработанный на основе алгоритма W4, а также метод расчета площади найденных контуров.
Ключевые слова: обработка изображений, вычитание фона, видео наблюдение.
Автоматическое выделение объектов на видеоизображении является одной из важнейших задач анализа изображений. Существует большое количество готовых решений, предназначенных для использования с различными типами камер и условий. Алгоритмы имеют различную степень сложности, но в большинстве из них лежит принцип выявления изменений на изображении во времени.
Одной из областей применения является обнаружение объектов в помещении с использованием широкоугольной камеры. Сложностью данной задачи является присутствие сильных сферических искажений, а также искажений перспективы на изображении. Анализ литературы показал, что наиболее часто для обнаружения контуров на изображении используются алгоритмы вычитания фона и основанные на построении модели фона. Алгоритмы вычитания фона наиболее просты в реализации и не требуют больших вычислительных мощностей, но имеют ряд недостатков, таких как чувствительность к шуму на изображении, требованиями к стабильности освещения и положения камеры, плохое качество обнаруженных объектов. Поэтому для решения данной задачи они не подходят. Алгоритмы с
построением модели фона позволяют адаптироваться к медленным изменениям в освещении и на сцене. Наиболее часто используются модели фона на основе нормального распределения или смеси нормальных распределений. Их полное описание приведено в статье [1]. Главным преимуществом данных моделей является адаптация к повторяющимся движениям и к медленным изменениям освещенности. Недостатком является высокие требования к вычислительным ресурсам.
Тестирование распространенных решений, описанных в статьях [16], показало невозможность их применения в исходном виде для решения данной задачи. Поэтому автором стать было принято решение реализовать собственный алгоритм. За основу была взята статья [6]. Предложенная в данной статье модель фона содержит устойчивые признаки изображения, делающую её менее чувствительной к шуму, и не требует больших вычислительных затрат для построения.
Описанный ниже алгоритм обнаружения объектов работает с полутоновыми изображениями. Полутоновые изображения можно получить из цветных, используя формулу I=0.3*R+0.59*G+0.11*B, где R,G,B - значения красного, зеленого и синего каналов пикселя (точки). Полутоновые изображения также называются монохромными или изображениями в оттенках серого, а значение получаемое после преобразования - интенсивностью или яркостью точки.
С видеокамеры приходит последовательность изображений I с шириной M и высотой N точек. Алгоритм начинает работу с накапливания некой статистики фона в течение времени, когда на сцене не присутствуют посторонние объекты. За это время для интенсивности каждой точки изображения записывается информация о максимальном и минимальном значениях интенсивности, а также о максимальной разнице между ними:
Щ kt j, t}
t I, j , t} , c1)
maxt {naxt j t }- mint ^ J t }}_ где It j t - Xi j < 2 * ai j, It j t - интенсивность в точке с координатами t,j в момент времени t, mi j, nt j, diff j - значение минимальной, максимальной интенсивности и максимальной разности между ними в точке с координатами ij.
Как видно из формулы (1), для построения более точной модели из статистки отсеиваются точки с резкими скачками интенсивности с помощью медианного фильтра, где Xi j - среднее значение интенсивности в
точке с координатами i,j за время накопления статистики; oij - среднеквадратичное отклонение в этой точке. В результате получаем некоторые границы для фона в каждой точке, пример построения таких границ представлен на рис.1.
mi,J
nij =
dffi ., j _
min
max
Рис. 1. График колебания интенсивности точки во времени
Следующим этапом является получение маски объектов переднего плана с использованием модели фона. Для этого необходимо получить среднее значение интенсивности каждой точки изображения за фиксированное время - mean матрицу (2):
meanij =
meant (1ц)
meant (Ii N)
(2)
т ващ (1М, !) — т ващ (1М , н) ^
где meant(Ii,j) - среднее значение интенсивности в точке с координатами ^ j за время 1
Маска строится с помощью пороговой обработки по формуле
FgMask} = 1,
(mean - тахг > diff )
(3)
л (m ean> max;), (min - mean > diff )
V i, j i, j JJ i, j/
л (mean. < min!;);
FgMask = 0, иначе, где FgMask - маска переднего плана. На полученную маску переднего плана применяется морфологическая операция «замыкание». Замыкание в общем случае «заливает» узкие разрывы и длинные углубления малой ширины, а также ликвидирует небольшие отверстия и заполняет промежутки контура [7]. Результатом применения операции размыкания является новая маска, в которой удалены большинство шумовых эффектов и несущественных объектов. Пример маски представлен на рис.2.
Последним этапом является расчет площади контуров найденных объектов в см2. Как было сказано выше, изображения, получаемые с камер, являются искаженными. Данный факт вносит большую погрешность во время расчета площади контуров. Поэтому необходимо минимизировать искажения на кадре, для чего применяются аффинные преобразования. С помощью аффинных преобразований невозможно полностью устранить
сферические искажения и искажения перспективы, но их воздействие можно минимизировать, разбив полученное изображение на части, для каждой из которых коэффициенты будут рассчитаны независимо. Логичным будет разделение помещения на области потолка, стен и пола. На рис.3 представлено помещение с выбранными 3 областями. Рис.4 показывает область до и после проведения аффинных преобразований.
Рис. 2. Маска переднего плана обнаруженных объектов
Рис. 3. Пример выделения трех областей
Рис. 4. Область до и после аффинного преобразования
Расчет площади контура объекта происходит следующим образом:
- вычисляется площадь контура найденного объекта в пикселях (точках) на изображении;
- определяется центральная точка контура, которой присваивается значение площади контура;
- вычисляется площадь контура в см2. Для этого значение площади в пикселях умножается на значение коэффициента в этой точке, записанное в специальной матрице.
Матрицу коэффициентов преобразования получают с использованием плоских шаблонов заранее известной площади. Для каждой из облас-
тей создается своя матрица коэффициентов. Шаблоны закрепляются в выбранной области. Причем от количества шаблонов зависит последующая погрешность расчета реальной площади объектов. После этого проводится операция сегментации изображения на равномерные области вокруг шаблона с использованием алгоритма К-средних. Количество регионов, на которые сегментируется изображение, равно количеству используемых шаблонов. Для каждого из полученных регионов рассчитывается площадь в пикселях содержащегося в ней шаблона. После чего рассчитывается коэффициент преобразования площади и результат заносится в матрицу коэффициентов:
к = ^, (4)
¿А
2
где - площадь контура в пикселях; - площадь шаблона см .
Пример расчета площади шаблонов представлен на рис.5. На рис.6 приведен расчет площади реальных объектов.
Рис. 5. Пример калибровки области с использованием шаблонов
площадью 30 см2
Рис. 6. Пример расчета площади найденных объектов в области лифта
Средняя погрешность расчета площади данным методом составляет 10... 15%. Такая погрешность обусловлена несколькими факторами:
- использованием плоских шаблонов. Реальные объекты в большинстве случаев объемны, поэтому площадь видимого контура сильно зависит от угла, под которым его видит камера;
- искажением камер. Как было сказано выше, использование широкоугольных линз добавляет сферические искажения, избавиться от которых практически невозможно;
- тенью от объектов. Освещение в помещении создает тени на объектах в поле зрения камеры. Данный эффект можно минимизировать, используя источники с рассеивающим излучением либо алгоритм тенеподав-ления.
Алгоритмы удаления теней основаны на использовании особенностей цветовых пространств. Рассмотрим некоторую точку сцены. Пусть она имеет цвет (R,G,B), тогда после падения на эту точку тени она будет иметь цвет a*(R,G,B), где коэффициент а определяет то, насколько упала освещенность в точке. Оказывается, что этого факта вполне достаточно, чтобы построить неплохую систему подавления теней. Для использования данных алгоритмов нужна цветная камера. Чаще всего для выделения теней на изображении используются цветовые модели YUV и HSV. Преимущество последней в том, что очень она очень близка к человеческому восприятию цвета и позволяет более точно выявлять тени на изображениях. Основная идея заключается в том, чтобы оценить, как изменяются параметры H, S и V каналов в точках появления тени. Подробное описание алгоритма приведено в работе [8]. На рис.7 изображена маска объекта с выделенным участком тени.
Рис. 7. Маска объекта (белый цвет) с обнаруженной тенью
(серый цвет)
Заключение
Предложенный в данной статье алгоритм не требует высоких аппаратных затрат, легко реализуем программно, способен работать с широкоугольными камерами и камерами типа «рыбий глаз». Добавление расчета площади помогает отслеживать опасные объекты в системах безопасности. При использовании с камерами высокого разрешения имеет высокую чувствительность (с камерой GeoVision GV-FE420 обнаруживает лезвие бритвы на полу).
Список литературы
1. Teresa Ko, Stefano Soatto, Deborah Estrin. Background Subtraction on Distributions.
2. Zoran Zivkovic. Improved Adaptive Gaussian Mixture Model for Background Subtraction.
3. Гаганов В., Конушин А.. Сегментация движущихся объектов в видеопотоке.
4. Шальнов Е., Кононов В., Конушин В.. Алгоритм вычитания фона, основанный на поблочных классификаторах.
5. Макарецкий Е., Овчиников А., Фан Тхан Данг Хоа. Выделение и сопровождение движущихся объектов на полусферических изображениях.
6. . Haritaoglu I., Harwood D., Davis L.S.. W4: Real-Time Surveillance of People and Their Activities // IEEE transactions on parttern analysis and machine intelligence. Vol. 22. N. 8. P 809-815.
7. Гонсалес Р., Вудс Р.. Цифровая обработка изображений. М., 2005. С. 23-26.
8. Improving shadow suppression in moving object detection with hsv color information / Cucchiara R. [et al.].
D.N. Streltsov
ALGORITHM OF OBJECT DETECTION ON VIDEO WITH AREA CALCULATION OF FOUND CONTOURS.
An algorithm of object detect in indoor on video surveillance, based on W4 algorithm with area calculation of found contours is proposed.
Key words: image processing, background subtraction, video surveillance.
Получено 17.10.12
УДК 62-1/-9
А.Н. Луковников, магистр, 8-915-178-78-93, lukovnkov.alexandr@gmail.com (Россия, Москва, МИЭТ)
РАЗРАБОТКА МАСШТАБИРУЕМОЙ КОНТРОЛЬНО-ПРОВЕРОЧНОЙ АППАРАТУРЫ ДЛЯ ТЕЛЕМЕТРИЧЕСКОЙ СИСТЕМЫ КОСМИЧЕСКОГО АППАРАТА
Предложена структура контрольно-проверочной аппаратуры для телеметрической системы космического аппарата с масштабируемой архитектурой.
Ключевые слова: контрольно-проверочная аппаратура, телеметрическая система.
Производство современной аппаратуры требует применения эффективных методов контроля параметров устройства. Разработка контрольно -проверочной аппаратуры (КПА) является неотъемлемой частью проектирования любой телеметрической системы.
Телеметрическая система (ТМС) космического аппарата предназначена для опроса различных типов датчиков и передачи полученных данных на Землю. Таким образом, основной задачей КПА является имитация произвольных режимов работы различных типов датчиков.
