CC BY
14Решетнеескцие чтения. 2015
3. Rudnev V. A., Prokopenko S. V. Novye printsipy reabilitatsii dvigatel'nykh i rechevykh funktsiy cheloveka. Krasnoyarsk : Grotesk, 1999. Рр. 50-53.
4. Microsoft Developer Network - MSDN. Available at: https://msdn.microsoft.com/en-us/library/bb384398. aspx (accessed: 5.09.2015).
5. 6DOF - Simulation and Finite Elements Web Portal. Available at: http://www.6dof.com/ (accessed: 5.09.2015).
© Маслешов Л. А., 2015
УДК 004.932.2
ИДЕНТИФИКАЦИЯ ПЛОСКИХ ПОВЕРХНОСТЕЙ В ПОМЕЩЕНИИ ПО ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ
П. В. Мовчан, А. С. Петров
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Представлен метод оценки алгоритмов определения геометрии сцены по данным одной камеры. Предложен вариант алгоритма, а также приведены результаты работы и быстродействия алгоритма.
Ключевые слова: трехмерная структура по движению, анализ сцены, визуальное ориентирование.
IDENTIFICATION OF INDOOR FLAT SURFACES USING VIDEOSEQUENCE
P. V. Movchan, A. S. Petrov
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
Method of algorithm estimation for determining a scene geometry using single camera is represented. Variant of algorithm is proposed and the results of the work and performance of the algorithm are also analyzed.
Keywords: structure from motion, scene analysis, visual orientation.
При возникновении чрезвычайных ситуаций (ЧС) часто появляется необходимость произвести спасательные работы в опасной зоне. Обычно для выполнения работ в такой зоне используют дистанционно управляемых роботов, но при работе в помещениях возникают затруднения в поддержании постоянной связи с таким роботом - стены ограничивают использование радиосигнала, а использование передающего кабеля значительно уменьшает мобильность системы. Возникает необходимость в автономной работе такого робота. Для автономной работы необходимо, используя данные камеры и других датчиков, определять геометрические параметры окружающего пространства.
Для определения базовой геометрии окружающего пространства возможно использование одной камеры. В этом случае производится анализ трёхмерной структуры на основе движения камеры [1] (Structure from Motion, SfM): при изменении положения камеры меняется угол обзора на наблюдаемый объект, благодаря чему возможно определение относительного расположения точек на поверхности объекта.
Для решения задачи на основе SfM используется определённая последовательность действий. В первую очередь необходимо выделить на изображении ключевые точки, относительное положение которых и будет определяться в итоге. Для этого возможно применение какого-либо детектора особых точек.
Используя два соседних изображения, необходимо соотнести одинаковые выделенные точки. В этих целях используется одновременно два подхода: возможно соотнести пары точек на изображениях, используя какой-либо дескриптор (например SURF [2]), а затем отфильтровать полученные пары по какому-либо ограничению. Для фильтрации возможно использовать алгоритм RANSAC [3] как проверенный и хорошо изученный алгоритм. Ограничение подбирается в соответствии с выбранной моделью камеры, модель камеры используется и для преобразования массива пар точек в массив трёхмерных точек. Различные модели камеры используют различное количество внутренних настроечных параметров. Модель аффинной камеры использует только один параметр -масштаб, и потому подходит для простейших случаев
Программные средства и информационные технологии
определения геометрии. Допуская отсутствие при получении видеопотока от реальной камеры сильных рывков, параметром масштаба можно пренебречь вследствие малости его изменения относительно двух отдельно взятых кадров. Для аффинной камеры возможно использование эпиполярного ограничения при фильтрации пар точек.
После получения базового решения задачи 8!М необходимо получить конкретный вариант решения -определение геометрии окружающего пространства. Типичная структура помещений, созданных человеком - различные версии параллелепипеда. В общем случае параллельны плоскости потолка и пола, плоскости стен могут быть наклонены друг относительно друга под произвольным углом по оси вращения, перпендикулярной плоскости пола-потолка. Принятие во внимание этих ограничений позволяет значительно ускорить определение геометрической структуры окружающего пространства. При этом задачи определения пола-потолка и стен целесообразно разделить [4].
Для определения горизонтальных плоскостей можно использовать обычные алгоритмы кластеризации точек по оси Z. Алгоритмы семейства БогБЬ [5] являются сходящимися и эффективными для компактных выборок. Для определения стен возможно использование любого алгоритма определения линий на основе набора точек для оси XY.
На основе предложенной связки алгоритмов и методов на языке С++ была реализована программа, позволяющая на основе полученного на вход видеофайла определить облако точек и проверить его соответствие заданным параметрам точности.
Оценка бы
Для определения степени погрешности используется опорная трёхмерная модель. Облако точек, из которых состоит трёхмерная модель, и результирующее облако точек подвергают одинаковым тестам и сравнивают результаты. Так как возможно только относительное определение положения трёхмерных точек, на модель и на сцену накладываются ограничения. Определяются центры масс точек (масштаб точек должен быть нормирован), а также сумма углов между плоскостями условных стен. Описанные параметры позволяют оценить точность определения геометрических параметров, полученных с помощью описанного метода.
Произведено тестирование полученного программного продукта. Тестирование производилось на следующей конфигурации оборудования: Intel Core i3 2.10 GHz, 3 Гб ОЗУ, OS Windows 7. Производилось 100 запусков программы, результаты усреднены. Результаты представлены в табл. 1.
Определение точности производилось на основе искусственной сцены, так как необходимо было использование опорной модели. Опорная модель служила также материалом для рендеринга самой сцены. Результаты представлены в табл. 2.
Полученные данные точности для использованного метода одной камеры без использования калибровочных коэффициентов являются удовлетворительными. Для увеличения точности работы возможно использование более сложных моделей камер, но в этом случае необходимо производить калибровку физической камеры и определять для неё параметры математической модели.
Таблица 1
Описание видеопоследовательности Длительность, с Время обработки, с
Искусственная сцена 10 87
Коридор 30 280,7
Обзор комнаты 15 140,4
Таблица 2
Результаты оценки точности
Критерий Значение, %
Минимальное расстояние до центра масс 78,3
Максимальное расстояние до центра масс 74,5
Оценка среднего угла 70,7
Библиографические ссылки
1. Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход. М. : Вильямс, 2004. С. 366-379.
2. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded Up Robust Features [Электронный ресурс] // Elsevier, 2008. URL: http://www.vision.ee.ethz.ch/~surf/ eccv06.pdf.
3. Hartley R., Zisserman A. Multiple View Geometry in Computer Vision. Cambridge University Press, 2004. 655 с.
4. Lee D. C., Martial H., Takeo K. Geometric Reasoning for Single Image Structure Recovery [Элек-
тронный ресурс] // Proc. CVPR. 2009. URL: https://www.cs.cmu.edu/~dclee/pub/cvpr09lee.pdf.
5. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск : ИМ СО РАН, 1999. 270 с.
References
1. Forsyth D. A. Kompjuternoe zrenie. Sovremennyj podhod [Computer Vision: A Modern Approach] 2004. Рр. 366-379.
2. Bay H. [SURF: Speeded Up Robust Features] Elsevier, 2008. Available at: http://www.vision.ee.ethz. ch/~surf/eccv06.pdf (accessed: 09.09.2015).
Решетнееские чтения. 2015
3. Hartley R. [Multiple View Geometry in Computer Vision] Cambridge University Press, 2004. 655 p.
4. Lee D. C. [Geometric Reasoning for Single Image Structure Recovery] // In proc. CVPR, 2009. Available at: https://www.cs.cmu.edu/~dclee/pub/cvpr09lee.pdf (accessed: 09.09.2015).
5. Zagorujko N. G. Prikladnye metody analiza dannyh i znanij. [Applied methods of data analysis and knowledge]. Novosibirsk : IM SO RAN, 1999. 270 p.
© Мовчан П. В., Петров А. С., 2015
УДК 004.932
ПРИМЕНЕНИЕ БИОМЕТРИЧЕСКОЙ ИНФОРМАЦИИ НА ОСНОВЕ ОТПЕЧАТКОВ ПАЛЬЦЕВ ДЛЯ ПОВЫШЕНИЯ УСТОЙЧИВОСТИ ЦИФРОВЫХ ВОДЯНЫХ ЗНАКОВ
Е. И. Орешкина
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Разработан алгоритм для повышения уровня защиты цифровых водяных знаков от несанкционированного доступа с использованием отпечатков пальцев.
Ключевые слова: цифровые водяные знаки, маркирование, цифровые отпечатки пальцев.
APPLYING BIOMETRIC INFORMATION BASED FINGERPRINT TO INCREASE ROBUSTNESS
OF DIGITAL WATERMARKING
E. I. Oreshkina
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
The article demonstrates the development of the algorithm to amplify protection of digital watermarking against illegal access. Protection is based on the fingerprint information.
Keywords: digital watermarking, marking, digital fingerprint.
В наше время в связи с активным использованием сети Интернет и расширением возможностей передачи, копирования и распространения различной мультимедийной информации усилилась необходимость защиты авторских прав от нелегального использования. Одной из технологий, реализующих упомянутые задачи, является технология нанесения на мультиме-диасообщение цифровых водяных знаков (ЦВЗ). Данная технология полностью применима для систем документооборота, в том числе в аэрокосмической отрасли. С помощью цифровых водяных знаков можно осуществлять передачу важных сообщений, скрывать системную информацию в документах, организовывать защиту содержимого документа, в том числе снимков или других изображений.
Используемые методы маркирования должны быть устойчивыми к действиям злоумышленника, для этого применяют секретные ключи, усложняют алгоритмы встраивания и шифруют передаваемые данные [1-3]. Во многих алгоритмах маркирования предлагается использовать в качестве ключей псевдослучайную последовательность (ПСП) [2]. Однако для того чтобы воспроизвести данную последовательность, необхо-
димо обладать неким правилом ее формирования, что также является дополнительной информацией, подверженной попыткам «вскрытия». В противовес ПСП было предпринято использовать биометрическую информацию, что обусловлено, в первую очередь, отсутствием необходимости запоминать и хранить эту последовательность. В качестве биометрических данных для данной задачи были выбраны отпечатки пальцев, по причине массового распространения специальных сканеров, что значительно упрощает использование и делает доступным пользователю. Кроме того, из отпечатка можно извлечь несколько видов информации, которая может быть использована различными методами маркирования.
Алгоритм, реализующий один из способов комбинации цифровых отпечатков пальцев и водяных знаков, представлен на рисунке. Специфика этого способа в том, что биометрическая информация используется на этапе преобразования самого водяного знака, следовательно, методы, применяемые для нанесения и дальнейшего извлечения ЦВЗ, могут быть разнообразны. В работе для нанесения ВЗ применен частотный метод Коха-Жао [4].
