CC BY
452. Внедрение BI и OLAP аналитических систем [Электронный ресурс]. URL: http://www.microtest.ru/ software/cpm/1603/ (дата обращения: 04.09.2013).
3. Система сбора статистических и отчетных данных «СтатЭкспресс» [Электронный ресурс]. URL: http://krasgmu.ru/sys/files/ebooks/el_medinfo/2970.html (дата обращения: 04.09.2013).
References
1. Razvitie obyazateFnogo medicinskogo strahova-niya v Rossiyskoy Federacii (The development of compulsory medical insurance in the Russian Federation).
Available at: http://www.rosmedstrah.ru/articles.php? show = 1&id = 546&offset = 0&theme = 26.
2. Vnedrenie BI i OLAP analiticheskih sistem (Implementation of BI and OLAP analytical systems). Available at: http://www.microtest.ru/software /cpm/1603/.
3. Sistema sbora statisticheskih i otchetnih dannih "StatEkspress" (The system of collection of statistical and accounting data "StatExpress"). Available at: http://krasgmu.ru/sys/files/ebooks/el_medinfo/2970.html.
© Иванов А. Н., 2014
УДК 338.246
ДВУХЭТАПНАЯ ПРОЦЕДУРА ОЦЕНКИ ДВИЖЕНИЯ ОБЪЕКТОВ С ПРЕДСКАЗАНИЕМ
Е. С. Казмирук
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Рассматриваются вопросы разработки и реализации алгоритма, позволяющего анализировать и строить модели поведения динамических объектов с целью их дальнейшей экстраполяции. Приводится анализ существующих методов детектирования движущихся объектов, обзор программных средств, содержащих в себе слежение за траекторией движения, а также обзор технологий предсказания поведения и фильтрации изменений. Предложена модификация алгоритма фильтрации Калмана. Реализована система, позволяющая распределять нагрузку на несколько вычислительных устройств для анализа видеопоследовательностей.
Ключевые слова: детектирование движения, фильтр Калмана, распределенные вычисления.
TWO-STAGE PROCEDURE OF OBJECTS MOTION ESTIMATION WITH PREDICTION
E. S. Kazmiruk
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: [email protected]
Development and implementation of a distributed software system that performs the dynamic object behavior predicting are examined. The analysis of existing methods for detecting moving objects, existing programs, which contains algorithms of tracking trajectory and review of technologies for distributed computing are highlighted. A modification of the Kalman filter algorithm is proposed. System that allows to distribute the load to several computers and analyzes video sequence is implemented.
Keywords: moving detection, Kalman filter, distributed computing.
В настоящее время практически все загруженные участки дорог оснащены внешними камерами наблюдений, которыми ведут непрерывную запись и трансляцию ситуации на дороге. Соответственно, анализ и использование подобной информации может дать такие же результаты, как и дорогостоящие сенсоры и датчики при анализе ситуации на дороге, где объектами интереса являются автотранспортные средства и пешеходы, снятые статично расположенной камерой видеонаблюдения. Соответственно, основной задачей является отделение объектов от фона с сохранением структуры объекта для последующего определения
направления его движения. Так как съемка производится в разное время суток и при разных условиях, то перед началом детектирования движения необходимо провести предварительную обработку, которая позволит устранить шум, привести кадр к каноническому виду и убрать не интересующие нас участки изображения.
Для того чтобы снизить вероятность ложного детектирования объектов и срывов наблюдения, необходимо улучшить качество видеопоследовательности. Наиболее часто применяют следующие подходы: снижение зернистости, регулировка цветового
Программные средства и информационные технологии
баланса, регулировка яркости изображения. Для снижения зернистости можно использовать различные алгоритмы сглаживания и размытия изображения, такие как линейный усредняющий фильтр, 2D cleaner, fuzzy blob и т. д.
Так как на видеопоследовательности интерес представляют только движущиеся объекты, но не их форма, цвет или иные характеристики, то можно снизить количество обрабатываемой информации путем использования различных детекторов краев таких, как операторы Превита, Собеля, Кирша и т. д. В результате выполнения данного этапа на выходе будет получено изображение, на котором будут выделены только границы объектов без второстепенной информации.
Данный класс алгоритмов призван к выявлению резких изменений на изображении, так как основная интересующая нас информация содержится именно в этих областях. Границы характеризуются следующими свойствами: резкое изменение нормали поверхности, резкое изменение глубины, резкое изменение цвета поверхности, резкое изменение освещенности. В связи с этим выделяют следующую классификацию алгоритмов детектирования краев: алгоритмы, основанные на анализе градиента, и алгоритмы, реализованные на анализе смены направления функции интенсивности.
Алгоритм поблочного сравнения позволяет детектировать на последовательности кадров объекты и следить за траекторией их движения. В основе его реализации находится метод разбиения кадров на блоки и анализ каждого из них в отдельности с дальнейшим поиском соответствий на последующих кадрах. Алгоритм поблочного сравнения требует настройки под каждую конкретную видеопоследовательность. Отчасти это ограничение смягчается в алгоритме плавающих регионов [1].
В отличие от алгоритма поблочного сравнения (BMA) алгоритм плавающих регионов (FRA) избавлен от проблемы пропуска медленно перемещающихся объектов, в результате которой они попадают в области между блоками. В целом его суть также основана на разбиении изображения на блоки, но соответствия каждому блоку просматриваются уже без привязки к сетке этих блоков.
Так как в большинстве случаев на выходе работы детектирования движения каждый объект может быть представлен некоторым набором его сегментов, движущихся в одном и том же направлении, то для объединения этих частей и, следовательно, уменьшения количества потребляемых ресурсов должна проводиться кластеризация всех данных. В силу необходимости каждый раз задавать количество рассматриваемых объектов для большинства алгоритмов кластеризации, в данной работе был рассмотрен только класс адаптирующихся кластеризаторов, представленный алгоритмами Форел и его модификацией Форел 2 [2].
Для прогнозирования траектории движения найденных объектов с целью поиска срывов наблюдения и экстремальных ситуаций в данной работе используется фильтр Калмана - это рекурсивный фильтр, оценивающий вектор состояния динамической сис-
темы, используя ряд неполных и зашумленных измерений [3]. Фильтр Калмана предназначен для рекурсивного дооценивания вектора состояния априорно известной динамической системы, т. е. для расчёта текущего состояния системы необходимо знать текущее измерение, а также предыдущее состояние самого фильтра. Таким образом, фильтр Калмана, как и множество других рекурсивных фильтров, реализован во временном представлении, а не в частотном. Состояние фильтра определяется оценкой вектора состояния динамической системы в момент времени и ковариационной матрицей ошибок (мера точности оценивания вектора состояния) [4; 5].
В качестве примера можно привести предоставление точной, поддерживаемой в актуальном состоянии информации о положении и скорости объекта при наличии серии измерений положения объекта, каждое из которых в некоторой степени неточно. Модель движения будет описываться с использованием закона прямолинейного движения с неопределенным ускорением, учитывающим шум [6].
Таким образом, любые маневры, производимые объектом и не вписывающиеся в данную модель, расцениваются системой как срыв наблюдения и экстренная ситуация, не свойственная данной физической единице (автомобильная авария, падение самолета, резкое торможение, занос и т. п.).
Для увеличения производительности и сокращения количества фрагментированных данных был реализован и применен алгоритм кластеризации Форел 2, который показал увеличение точности детектирования на 15 % для алгоритма плавающих регионов и 18 % для алгоритма поблочного сравнения, а также на 50 и 34 % прироста в скорости обработки соответственно.
Предложенная методика предсказания дорожно-транспортных происшествий показала отличные результаты для выбранных тестовых видеопоследовательностей за счет использования комплексного подхода к фильтрации и детектированию. Фильтр Калма-на удалось ускорить за счет рекурсивного использования вызовов, а также применения распределенных вычислений, что позволило добиться режима работы, приближенного к режиму реального времени.
Библиографические ссылки
1. Алпатов Б. А., Китаев А. А. Обнаружение движущегося объекта в последовательности изображений при наличии ограничений на площадь и скорость движения объекта // Цифровая обработка изображений. 2007. № 1. С. 11-16.
2. Алпатов Б. А., Бабаян П. В. Выделение движущихся объектов в условиях геометрических искажений изображения // Цифровая обработка сигналов. 2004. № 4. С. 9-14.
3. Большаков А. А., Каримов Р. И. Методы обработки многомерных данных и временных рядов : учеб. пособие для вузов. М. : Горячая линия-Телеком, 2007. 522 с.
4. Фаворская М. Н., Торгашин Н. Д., Зотин А. Г. Прогнозирование в системах распознавания образов
на основе скрытых марковских моделей // Вестник СибГАУ. 2006. Вып. 1(8). С. 59-63.
5. Dani A. P. Single camera structure and motion estimation // Lecture Notes in Control and Information Sciences. 2010. 401. P. 209-229.
6. Gao J. A Multi-Kalman Filtering Approach for Video Tracking of Human-Delineated Objects in Cluttered Environments // IEEE Com-puter Vision and Image Understanding. 2005. Vol. 1, no. 1. P. 1-57.
References
1. Alpatov B. A. Obnarugenie dvizhushegosya obecta v posledovatelnosti izobrazheniy pri nalichii ogranicheniy na ploshad b skorost dvizheniya obekta. 2007, № 1, р. 11-16.
2. Alpatov B. A. Videlenie dvizhushihsya obektov v usloviyah geome triche skih iskazheniy izobrazheniya, 2004, № 4, p. 9-14.
3. Bolshakov A. A. Metodi obrabotki mnogomernih dannih I vremennih ryadov, 2007, p. 522.
4. Favorskaya M. N. Prognozirovanie v systemah raspoznavaniya obrazov na osnove skritih markovskih modeley, 2006, pp. 59-63.
5. Dani A. P. Single camera structure and motion estimation // Lecture Notes in Control and Information Sciences, 401, 2010, p. 209-229.
6. Gao J. A Multi-Kalman Filtering Approach for Video Tracking of Human-Delineated Objects in Cluttered Environments // IEEE Com-puter Vision and Image Understanding, 2005, V. 1, no. 1. p. 1-57.
© Казмнрук Е. C, 2014
УДК 004.94
РАЗРАБОТКА ИМИТАЦИОННОЙ МОДЕЛИ СИСТЕМЫ РЕГУЛИРУЕМЫХ ПЕРЕКРЕСТКОВ
А. К. Киселев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
При решении проблемы организации городского движения и управления транспортными потоками в международной практике хорошо зарекомендовали себя системы интеллектуальной транспортной инфраструктуры, способные эффективно управлять существующей дорожно-уличной сетью дорог с учетом ее плотности и пропускной способности. Но для того, чтобы понять, нужно ли вводить такую систему, необходимо сначала проверить её эффективность.
Ключевые слова: моделирование, дорожное движение, АСУДД.
DEVELOPMENT OF A SIMULATION MODEL OF THE CONTROLLED INTERSECTION SYSTEM
A. K. Kiselyov
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: [email protected]
To solve the problems of the organization of urban traffic and transport management in the international practice there is a well established system of intelligent transportation infrastructure that can efficiently manage the existing road and street network of roads given its density and bandwidth. But in order to understand whether to introduce such a system it is necessary to start checking its effectiveness.
Keywords: Modeling, traffic, ATCS.
Бурный процесс автомобилизации с каждым годом охватывает все большее число стран, постоянно увеличивается автомобильный парк, количество вовлекаемых в сферу дорожного движения людей. Рост автомобильного парка и объема перевозок ведет к увеличению интенсивности движения, что в условиях городов с исторически сложившейся застройкой приводит к возникновению транспортной проблемы. Особенно остро она проявляется в узловых пунктах улично-дорожной сети. Здесь увеличиваются транспортные задержки, образуются очереди и заторы, что
вызывает снижение скорости сообщения, неоправданный перерасход топлива и повышенное изнашивание узлов и агрегатов транспортных средств.
Механическое развитие улично-дорожной сети города с увеличением ширины проезжей части магистральных улиц, пропускной способности пересечений не может решить проблему городского движения, так как в условиях исторической застройки это зачастую невозможно. В таких случаях хорошо показывают себя автоматизированные системы управления дорожным регулированием (АСУДД).
