CC BY
12править» передает их сценарию для проверки допустимости и уникальности имени, сложности пароля и т. п. В случае успешной проверки сценарий заносит данные пользователя в базу и для подтверждения регистрации высылает на указанный адрес электронной почты пользователя специальную ссылку. При поступлении запросов по подобным ссылкам сценарий «активирует» соответствующие записи, в противном случае при истечении времени ожидания «неактивированные» записи удаляются.
При взаимодействии пользователя и портала основная часть действий выполняется м>вЪ-
сценариям. Пользователю достаточно сформировать запрос к weЪ-серверу, хотя бы правильно указав его доменное имя. В свою очередь, процесс обработки запроса пользователя м>еЪ-сервером состоит из нескольких взаимосвязанных задач интерпретации полученных переменных, обращения к базе данных, организации вывода страниц и т. д. При этом необходимо постоянно отслеживать действия пользователя и проверять передаваемые им данные в целях обеспечения безопасности. Все эти задачи обеспечивают стабильное функционирование неЪ-сайта, отвечающее требованиям его пользователей.
P. O. Zolotarev
Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
THE BASE PRINCIPLES OF ORGANAZING OF INTERACTION BETWEEN WEB-PORTAL AND ITS USERS
It's examined the base principles of organizing client-server technology of interaction between web-portal and its users. The description to basic server activities, which process user's queries is given.
© Золотарев П. О., 2009
УДК 004.932.2
А. Г. Зотин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ЛОКАЛИЗАЦИЯ НОМЕРНЫХ ЗНАКОВ АВТОТРАНСПОРТНЫХ СРЕДСТВ В ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ С УЧЕТОМ РАЗЛИЧНЫХ ЦВЕТОВЫХ МОДЕЛЕЙ
Рассматриваются вопросы определения зоны предполагаемого нахождения номерных знаков автотранспортных средств в видеопоследовательности. Предлагаются методы выделения зоны автомобиля и локализации номерных пластин на основе данных цветового представления с учетом динамики видеопоследовательностей.
Современное развитие компьютерных технологий по обработке изображений и видео последовательностей позволяет использовать их в различных сферах человеческой жизни, одной из которых является мониторинг транспортных средств и распознавание номерных знаков. Эта задача является достаточно актуальной и в большинстве городов пытаются разработать и применить системы автоматической идентификации номерных знаков автотранспортных средств. Для проведения успешной идентификации номерного знака необходимо решить целый ряд задач, наиболее важными из них являются обнаружение автотранспортных средств на всей области изображения и локализация номерной пластины в об-
ласти автомобиля. Предлагается построить систему, работающую по следующей схеме:
1) считывание данных и предварительная их обработка;
2) обнаружение и выделение областей автотранспортных средств (разделение пространства кадра на сегменты; формирование масочного представления; постобработка масочного представления; определение и выделение областей автотранспортных средств);
3) локализация номерных знаков автотранспортных средств (анализ области автомобиля в цветовой модели HSV; определение фар автомобиля; выделение области номерного знаков автотранспортных средств).
Решетневские чтения
На первом этапе происходит считывание кадров и предварительная обработка, которая заключается в наложении пространственного и временного фильтров. В качестве пространственной компоненты фильтрации выбран фильтр 2D Cleaner Filter by Jim Casaburi, поскольку он позволяет сгладить изображения, практически не оказывая влияния на цветовые перепады (границы объектов). Для выполнения временной фильтрации применяется цветовая стабилизация фона.
На втором этапом пытаемся обнаружить и выделить области автотранспортных средств. Обнаружить области автомобилей можно, использовав как контурную, так и цветовую информацию. Поскольку сам кадр представляет достаточно большую область, то применение большинства алгоритмов попиксельного анализа является достаточно ресурсоемким. Для решения задачи обнаружения области автомобиля предлагается использовать подход обнаружения движения, основанный на сравнении двух кадров. Этот подход является достаточно быстрым, тем не менее, для повышения быстродействия предлагается разделить весь кадр на сегменты и проводить посег-ментное сравнивание. Для расчета разности сегмента было решено использовать данные цветовой модели содержащей три канала цветовой модели RGB и канал яркости из цветовой модели YUV.
Формирование масочного представления начинается с того, что по всей площади в каждом сегменте для каждого канала производиться суммирование значений разности между соответствующими пикселями текущего и предыдущего кадра, причем только в том случае, если эта разность превышает порог. После расчета значений суммы разностей по каждому каналу формируем непосредственно масочное представление. Считается что если общее значение сегмента (сумма значений межкадровой разности по всем каналам) больше установленного порога, то произошло движение в этом сегменте кадра. В масочном представление отмечаются сегменты, где было движение (значение сегмента), а также условное отсутствие движения (-1).
Сформировав масочное представление, необходимо провести дополнительную обработку, поскольку выделяются в основном граничные области автомобилей. Это происходит в связи с тем, что анализируется межкадровая разница. Для заполнения образовавшихся пустот в предполагаемой области автомобиля предлагается следующее решение. Поскольку необходимо заполнить пус-
тоты, то, соответственно, можно воспользоваться принципом функционирования операции расширения морфологической обработки. Основываясь на этом принципе, предлагается использовать маску 3^3, где расширение происходит в том случае, когда маской накрывается 4 или 5 сегментами масочного представления. После заполнения пустот в областях, предположительно содержащих автомобиль, выделяем все области, которые по площади превышают заданный диапазон. Для каждой области рассчитываем центр масс. В случае, если появляется достаточно большая область (2/3 по высоте или ширине от размера кадра), то условно делим ее на две части, и пересчитываем значения центра масс для каждой участка. Рассчитав новые значения центра масс, для участков, проводим корректировку области выделения.
После обнаружения и выделения всех областей производится локализация номерных знаков автотранспортных средств. Для повышения точности и скорости локализации можно воспользоваться особенностями самого автомобиля. Наиболее характерными особенностями автомобиля являются фары. Проанализировав вид задней части легковых и грузовых автомобилей, можно прийти к выводу о том, что номерной знак расположен ниже условного центра автомобиля на небольшом расстоянии от фар. В ходе анализа изображений автомобилей также было выяснено, что в канале S цветовой модели HSV достаточно хорошо выделяются цвета красного оттенка. Проводя проверку по каналам H и S, можно легко обнаружить фары, что позволит значительно сузить область поиска номера. Поскольку из ГОСТ известны пропорции и характеристики номера, то в таком случае просто ищем соответствующую область в окрестности фар. Еще одним интересным моментом является поиск номера на автотранспортных средствах, окрашенных в красный цвет или в его оттенки. В таком случае просто ищем подходящую по пропорциям область ниже условного центра автомобиля. Проанализировав области в цветовой модели HSV, принимаем решение о том, какую аналитическую обработку следует применить.
В ходе проведенного исследования было выяснено, что предложенный подход к локализации номерных знаков автотранспортных средств в видеопоследовательности справляется с поставленной задачей. Однако в случае плотного движения автотранспорта значительно снижается эффективность метода выделения зоны автомобиля, что связано с перекрытием автомобилей друг другом.
A. G. Zotin
Siberian State Aerospace University named after academician M. F. Reshetnev, Krasnoyarsk, Russia
LOCALIZATION OF VEHICLES' LICENSE PLATES IN VIDEO SEQUENCE TAKING INTO ACCOUNT FEATURES OF VARIOUS COLOUR MODELS
Questions of a zone definition of a prospective allocation of vehicles' license plates in video sequence are considered. The methods of cars' zones detection and localization of number plates based on the data of color representation with account of dynamics of video sequences are offered.
© 3OTHH A. r., 2009
УДК 004.932.2
М. А. Иванин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
МУЛЬТИСПЕКТРАЛЬНАЯ СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ДИНАМИЧЕСКОГО ПОРОГА
Обсуждается один из модифицированных методов сегментации изображений с использованием пороговых преобразований. Указываются особенности их применения, а также преимущества и недостатки. Дается сравнение с методами, использующими глобально вычисляемый порог.
Простейшие модификации существующих пороговых преобразований предназначены для обработки монохромных изображений, но в данный момент наиболее широко распространены сенсоры, работающие с тремя цветовыми компонентами (RGB). Для изображений, получаемых с помощью современных сенсоров простейшие методы не пригодны, потому как не используют полную информацию об изображении. Наиболее предпочтительным является применение муль-тиспектральной пороговой обработки, которые позволяют наиболее эффективно использовать всю информацию, содержащуюся в изображении.
Суть мультиспектрального преобразования состоит в отыскании скоплений точек (кластеров) в трехмерном пространстве. Предположим, что в гистограмме найдено некоторое количество значимых кластеров (скоплений точек-пикселей). Тогда сегментация изображения будет заключаться в присвоении одного и того же цвета, пикселям, входящим в один и тот же кластер. Этот принцип легко распространяется для большего количества спектров и кластеров. Основную трудность в этом подходе составляет определение количества кластеров и их границ. Для этого применяются алгоритмы кластеризации.
Однако использование простейших методов мультиспектральной сегментации с применением глобального порога не дает положительных результатов ввиду того что, получаемые изображения имеют неравномерную освещенность, суще-
ственно влияющую на вид гистограммы и затрудняющую последующую сегментацию. Из-за различных эффектов значения одного сегмента становятся близкими к значениям другого и начинают проникать за границы диапазона. В такой ситуации отсутствуют ярко выраженные границы диапазона, что превращает разделяемую гистограмму в такую, которую невозможно эффективно разделить с помощью глобального порога.
В этих случаях применяют подход, при котором исходное изображения разбивается на такие части, что освещение внутри каждой из них остается приблизительно равномерным. В каждой части для сегментации используется свое значение порога, вычисляемое на основе данных гистограммы. Этот метод называется локальным или динамическим. Основную сложность представляет определение способа разбивки изображения и оценка порога для каждой полученной области.
Цветовая сегментация может выполняться на основе любой цветовой модели (RGB, CMY, HSI). Но для многочисленных прикладных задач важными являются цветовой тон и насыщенность. Эти характеристики оказываются особенно полезными при попытках имитировать деятельность человека, например, при контроле качества промышленных товаров. Модель, основанная на характеристиках цветового тона, насыщенности и интенсивности (HSI), идеально подходит для подобных приложений, поскольку она тесно связана с восприятием цвета человеком. Особо привлека-
