CC BY
36Программные средства и информационные технологии
УДК 004.932.2
КЛАССИФИКАЦИЯ МЕТОДОВ АНАЛИЗА ДИНАМИЧЕСКИХ ТЕКСТУР
А. В. Пятаева
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Рассматривается классификация методов анализа динамических текстур по видеоизображениям. Ключевые слова: текстурный анализ, динамические текстуры, видеонаблюдение.
CLASSIFYING WVIDEO BASED DYNAMIC TEXTURES DETECTION
A. V. Pyataeva
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
Nowadays dynamic textures recognition is particularly important in different computer vision community tasks in a variety of fields such as urban scenes and forest scenes. Classifying various video based dynamic textures recognition is considered.
Keywords: dynamic textures, video surveillance, texture.
Обнаружение динамических текстур в настоящее время находит широкое применение в системах видеонаблюдения как на городских территориях, так и при наблюдении за природными объектами. Целями поиска динамических текстур на видеоизображениях могут являться экологический мониторинг, обеспечение безопасности, контроль. К динамическим текстурам относят следующие объекты дым и пламя, воду, группу птиц, листья, облака, толпу людей и другие. Примеры таких изображений из базы Dyntex [1] приведены на рис. 1.
Динамическая текстура может рассматриваться как расширение статической текстуры, дополнительно содержащей элементы движения. Динамические текстуры очень широкий, но слабо изученный тип текстур, который используется во многих задачах компьютерного зрения. Динамические текстуры могут иметь стохастическую и регулярную составляющую [2]. К характеристикам динамических текстур можно отнести следующие [3]: большое разнообразие форм, пространственные и временные закономерности, большой объем исходных данных, малое количество предопределенных структур. Вероятностными особенностями динамических текстур являются размер, ориентация в пространстве, формы и расположение составных частей объекта на видеоизображении.
Подходы к анализу текстуры можно разделить на статические, геометрические, структурные, спек-
тральные, модельные и комбинированные (рис. 2) [4; 5].
Статистические признаки связаны со статистическими вычислениями второго порядка. Определение статистических признаков, может быть выполнено вычислением матрицы смежности Харалика [6] (контрастность, энтропия и др. признаки); на основе ковариационных матриц рассчитываются эвристические признаки Тамуры [7] (зернистость, контраст, направленность и др.). К геометрическим методам относят локальные дескрипторы [8; 9] на основе автокорреляционной функции, позволяющей оценить степени регулярности и зернистости текстуры; энергетические характеристики Лавса [10] для обнаружения краев, пятен, ряби и волн.
Структурные подходы представляют текстуру состоящей из простых текстурных примитивов, размещенных по определенному правилу с регулярной или почти регулярной повторяемостью [2]. Спектральные методы позволяют выделить наличие в текстуре периодических структур на основе периодических структур Фурье и вейвлет-анализа [11]. Модельные подходы на основе модели Марковского случайного поля [12] или описания структур на основе фракталов [13] позволяют учесть фрактальные особенности текстуры, например, выделить облака или дым. Комбинированный подход представляет собой сочетание в себе различных методов.
Рис. 1. Примеры видеоизображений с динамическими текстурами
Решетневские чтения. 2017
Рис. 2. Методы анализа текстурных особенностей изображения
Таким образом, обнаружение динамических текстур по видеоданным является актуальной задачей. К методам анализа текстурных особенностей изображения относятся статические, спектральные и др. методы. Возможно применение комбинированного подхода.
Библиографические ссылки
1. Renaud P., Fazekas S., Huiskes M. J. DynTex: A comprehensive database of dynamic textures. Pattern Recognition Letters. 2010. Vol. 31, No. 12. P. 1627-1632.
2. Gongalves W. N., Machado B. B., Bruno O. M. A complex network approach for dynamic texture recognition // Neurocomputing. 2015. Vol. 153. P. 211-220.
3. A survey on visual 316 content-based video indexing and retrieval / W. Hu, N. Xie, L. Li et al. // IEEE Transactions on Systems, Man, and Cybernetics. 2011. Part C 41 (6). P. 797-819.
4. Шитова О. В., Пухляк А. Н., Дроб Е. М. Анализ методов сегментации текстурных областей изображений в системах обработки изображений // Научные ведомости. 2014, № 8 (179). С. 182-187.
5. Фраленко В. П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. 2014, № 4 (22). С. 19-39.
6. Haralick R. M. Statistical and structural approaches to texture // Proceedings of the IEEE / 1979, Vol. 67, no. 5. P. 768-804.
7. Tamura H., Mori S., Yamawaki T. Textural features corresponding to visual perception. IEEE Transaction on Systems, Man and Cybernetic, 1978, Vol. 8. P. 400-473.
8. Bay H., Tuytelaars T., Gool L. V. SURF: speeded up robust features. Computer Vision and image Understanding. 2008, Vol. 110, no. 3. P. 346-359.
9. Ke Y., Sukthankar Y. PCA-SIFT: a more distinctive representation for local image descriptors // CVPR'04 Proceedings of the 2004 IEEE computer society conference on Computer vision and pattern recognition. 2004. P. 506-513.
10. Laws K. Rapid Texture Identification // Proceedings of SPIE - Society of Photo - Optical Instrumentation Engineers - Image Processing for Missle Guardance. 1980, Vol. 238. P. 367-380.
11. Афонский А. А., Дьяконов В. П. Цифровые анализаторы спектра, сигналов и логики. М. : Солон-Пресс, 2009. 248 c.
12. Stan Z. L. Markov random field in image analysis. Berlin : Springer-Verlag, 2009. 362 p.
13. Winkler G. Image analysis, random fields and dynamic Monte Carlo methods. Berlin : Springer-Verlag, 1995. 324 p.
References
1. Renaud P., Fazekas S., Huiskes M. J. DynTex: A comprehensive database of dynamic textures. Pattern Recognition Letters. 2010. Vol. 31, No. 12. P. 1627-1632.
2. Gonçalves W. N., Machado B. B., Bruno O. M. A complex network approach for dynamic texture recognition. Neurocomputing. 2015. Vol. 153. P. 211-220.
3. A survey on visual 316 content-based video indexing and retrieval. / W. Hu, N. Xie, L. Li et al. Maybank. IEEE Transactions on Systems, Man, and Cybernetics. 2011. Part C 41 (6). P. 797-819.
4. Shitova O. V., Pukhlyak A. N., Drob E. M. Analysis of methods of segmentation texture regions of image processing. Nauchnye vadomosti, 2014. No. 8 (179). P. 182-188. (In Russ.)
5. Fralenko V. P. Methods of image texture analysis, Earth remote sensing data processing. Earth remote sending data processing. Programmnye sistemy: teorija iprilozhenija, 2014 Vol. 5, no. 4(22). P. 19-39. (In Russ.)
6. Haralick R. M. Statistical and structural approaches to texture. Proceedings of the IEEE. 1979. Vol. 67, No. 5. P. 768-804.
7. Tamura H., Mori S., Yamawaki T. Textural features corresponding to visual perception. IEEE Transaction on Systems, Man and Cybernetic, 1978. Vol. 8. P. 400-473.
8. Bay H., Tuytelaars T., Gool L. V. SURF: speeded up robust features. Computer Vision and image Understanding. 2008, Vol. 110, No. 3. P. 346-359.
9. Ke Y., Sukthankar Y. PCA-SIFT: a more distinctive representation for local image descriptors. CVPR '04 Proceedings of the 2004 IEEE computer society conference on Computer vision and pattern recognition. 2004. P. 506-513.
10. Laws K. Rapid Texture Identification. Proceedings of SPIE - Society of Photo - Optical Instrumentation Engineers - Image Processing for Missle Guardance. 1980. Vol. 238. P. 367-380.
11. Afonskij A. A., D'jakonov V. P. Cifrovye analiza-tory spektra, signalov i logiki. M. : SOLON-Press, 2009, 248 p. (In Russ.)
12. Stan Z. L. Markov random field in image analysis. Berlin : Springer-Verlag, 2009. 362 p.
13. Winkler G. Image analysis, random fields and dynamic Monte Carlo methods. Berlin : Springer-Verlag, 1995. 324 p.
© nTaeBa A. B., 2017
