CC BY
83
УДК 004.932
Р. В. Гут, А. П. Кирпичников, С. А. Ляшева, М. П. Шлеймович
МЕТОДЫ РАНГОВОЙ ФИЛЬТРАЦИИ В СИСТЕМАХ ВИДЕОНАБЛЮДЕНИЯ
Ключевые слова: системы видеонаблюдения, фильтрация изображений, методы ранговой фильтрации.
Рассмотрены методы ранговой фильтрации изображений в системах видеонаблюдения. Приведены результаты анализа медианного фильтра, фильтра минимума, фильтра максимума, фильтра срединной точки. Показана эффективность метода медианной фильтрации.
Keywords: video surveillance systems, image filtration, methods of rank filtration.
In this paper are discussed rank methods for filtering images in video surveillance systems. The results of analysis of median filter, minimum filter, maximum filter, filter of median point. The effectiveness of the median filtering method is shown.
В настоящее время широко применяются системы видеонаблюдения, которые представляют собой программно-аппаратные комплексы, состоящие из специализированного оборудования и программного обеспечения регистрации, обработки и передачи видеоизображений [1, 2].
Основными задачами систем видеонаблюдения являются:
- обеспечение постоянного визуального контроля за охраняемой территорией;
- мониторинг и фиксирование событий в круглосуточном режиме, происходящих на охраняемом объекте;
- повышение общего уровня безопасности объекта и персонала, работающего на нём;
- обеспечение сохранности ценностей (интеллектуальных и материальных), находящихся на охраняемой территории;
- сведение к минимуму рисков, возникающих при несанкционированном проникновении на территорию объекта и осуществлению противоправных действий, приносящих ущерб персоналу, материально-технической базе, или информационным ресурсам;
- другие задачи, возникающие в зависимости от специальных требований и возможностей безопасности, предъявляемых к конкретному объекту охраны.
Основные функции систем видеонаблюдения:
- мониторинг охраняемой территории и накопление визуальной информации;
- взаимодействие с другими системами безопасности, такими как система контроля и управления доступом, физическая охрана периметра и т.п.;
- взаимодействие с интеллектуальными системами, осуществляющими оценку и обработку получаемой визуальной информации: прогнозирование рисков возникновения чрезвычайных происшествий, системой распознавание лиц и номеров, а также их анализом и мониторингом перемещения по территории охраняемого объекта и т.п.;
- осуществление круглосуточного визуального контроля, при возникновении нештатных ситуаций, немедленное оповещение ответственных лиц;
- другие функции, предусматриваемые требованиями безопасности конкретного объекта.
Итоговой целью и функционалом системы видеонаблюдения, является обеспечение максимально необходимого уровня безопасности объекта, людей, находящихся на нём, а также материальных ценностей и интеллектуальной собственности. Данная цель достигается за счёт осуществления круглосуточного визуального контроля, записи получаемой видеоинформации и проведения последующего, её анализа.
При проектировании систем видеонаблюдения необходимо учитывать влияние помех, которые могут появляться по различным причинам, например, из-за электромагнитных воздействий, связанных с работой электротранспорта, лифтов, радиотелефонов, теле- и радиостанций, ретрансляционных антенн, источников бесперебойного питания, комплексов автоматизации с электронными контроллерами управления.
Снижение шумов, различных электромагнитных помех и наводок является одной из основных задач, которые необходимо решить при разработке системы видеонаблюдения. На практике применяют различные подходы, в том числе программные средства фильтрации изображений [3].
При выборе метода фильтрации необходимо учитывать условия, в которых должна функционировать его программная реализация. Например, для систем видеонаблюдения большое значение имеет наличие быстрых алгоритмов, поскольку обработку изображений в этом случае требуется выполнять в реальном времени.
К одним из наиболее эффективных алгоритмов для систем видеонаблюдения относятся алгоритмы ранговой фильтрации, которые основаны на предварительном ранжировании (упорядочивании) яркостей пикселей в пределах апертуры фильтра. Далее из упорядоченной последовательности выбирается значение, находящееся на определенной позиции. Собственно, фильтрация сводится к замещению исходного значения пикселя, на полученное значение отклика фильтра. Самыми известными фильтрами, основанными на порядковых статистиках, являются медианный фильтр, фильтры максимума и миниму-
ма, фильтр средней точки, фильтр усредненного среднего [4].
Медианный фильтр при обработке изображений выполняет замену значения яркостей пикселей на медианы яркости их окрестностей (медианой набора чисел называется такое число, что половина чисел этого набора не меньше медианы, а вторая половина не больше медианы). Медианная фильтрация позволяет эффективно удалять импульсные шумы на изображениях без значительного размытия контуров.
Фильтры минимума и максимума выполняют замену значения яркости пикселя на минимальное или максимальное значение яркости в его окрестности соответственно.
Фильтр средней точки заменяет значение яркости пикселя на среднее арифметическое минимального и максимального значений яркости в его окрестности.
Фильтр усеченного среднего для каждого пикселя выявляет заданное количество экстремальных значений яркости в его окрестности и усредняет оставшиеся.
Наиболее популярной является медианная фильтрация. Она была предложена Дж. Тьюки в 1971 г. для анализа экономических процессов, а в дальнейшем получила широкое применение при обработке изображений и речевых сигналов. Процедура медианной фильтрации осуществляется посредством движения некоторой апертуры (маски) вдоль обрабатываемой последовательности дискретных отсчетов и замены значения в центре апертуры медианой попавших в нее исходных отсчетов. Для изображений используются, как правило, прямоугольные апертуры нечетных размеров.
На практике применяют неадаптивные и адаптивные медианные фильтры. В случае, когда пространственная плотность импульсного шума относительно невелика, эффективно применение неадаптивных фильтров, требующих меньших вычислений. Когда же пространственная плотность импульсного шума превышает определенный уровень. Дополнительное преимущество адаптивного медианного фильтра состоит в том, что такой фильтр сохраняет детали в областях, искаженных не импульсным шумом, тогда как обычный неадаптивный медианный фильтр таким свойством не обладает. Отличие адаптивного медианного фильтра от неадаптивного заключается в том, что в процессе обработки он увеличивает размеры окрестности пикселя.
Наиболее часто медианную фильтрацию применяют для устранения из сигнала коротких импульсных помех, причем амплитуда помехи не влияет на результат. Обычно при выполнении фильтрации изображения значения яркости в окрестности обрабатываемого пикселя сортируются по возрастанию или убыванию для получения вариационного ряда, а отклик фильтра определяется как значение яркости середины вариационного ряда.
Окрестность пикселя называют окном. Для квадратного окна размером п х п, п - нечетное, при вычислении медианы потребуется выполнить п2 операций связанных с сортировкой значений ярко-
сти в окне. Следовательно, при обработке изображения размером M х N пикселей потребуется выполнить M х N х n2 таких операций, что может неприемлемо для систем видеонаблюдения, работающих в реальном времени. Поэтому при медианной фильтрации изображений обычно ограничиваются окнами небольших размеров 3 х 3 или 5 х 5. Кроме того, для ускорения можно применить алгоритмы, основанные на построении и обработке локальных гистограмм [5].
Для исследования методов ранговой фильтрации изображений в системах видеонаблюдения разработана программа на языке C++ в среде программирования Microsoft Visual Studio 2013 с применением библиотеки компьютерного зрения OpenCV. Программа позволяет загрузить изображение, задать параметры шума и выбрать метод фильтрации. На рисунках 1 и 2 приведены примеры исходных и за-шумленных кадров 5 видеоизображений. Полученные результаты приведены в таблицах 1 и 2, где в столбцах 1 - 4 указано среднеквадратическое расстояние между исходным и отфильтрованным изображениями. Таблица 1 содержит результаты фильтрации импульсного шума, а таблица 2 - гауссова шума.
Исследования проводились с использованием IBM PC - совместимого компьютера с процессором с частотой 1GHz, объемом оперативной памяти 4 Gb под управлением операционной системы Microsoft Windows 10.
Из таблиц 1 и 2 видно, что метод медианной фильтрации по сравнению с другими ранговыми методами дает лучшие результаты. При этом следует отметить, что малые значения маски делают меньший эффект расфокусировки, а большие - делают изображение более сглаженным. Наилучший результат фильтрации достигается при маске фильтрации 3 х 3.
Таблица 1 - Фильтрация импульсного шума
Изображение Фильтр
1 2 3 4
1 10,15 71,08 69,46 42,92
2 16,81 72,11 70,49 43,36
3 8,75 68,95 65,68 41,15
4 6,77 66,84 61,18 38,67
5 10,82 70,69 62,76 40,27
Таблица 2 - Фильтрация гауссова шума
Изображение Фильтр
1 2 3 4
1 15,18 52,07 52,25 24,29
2 19,79 51,64 51,63 24,01
3 14,62 47,69 47,61 20,44
4 10,95 41,44 39,67 10,95
5 13,75 43,74 44,08 19,53
Литература
1. Кирпичников, А.П. Обнаружение и сопровождение людей в интеллектуальных детекторах внештатных ситуаций / А.П. Кирпичников, С.А. Ляшева, М.П. Шлеймович. //Вестник Казанского технологического университета. 2014. Т. 17. № 21. С. 351-356.
2. Кирпичников, А.П. Автоматическое распознавание автомобильных номеров/ А.П. Кирпичников, С.А. Ляшева, А.В. Обухов, М.П. Шлеймович// Вестник технологического университета. 2015. Т.18, № 4. С. 218-222.
3. Гонсалес, Р. Цифровая обработка изображений/ Р. Гон-салес, Р. Вудс. Издание 3, исправленное и дополненное. М.: Техносфера, 2012. 1104 с.
4. Горьков, А. Цифровая обработка изображений [Электронный ресурс] / А. Горьков // http://gorkoff.ra/?page_ld= 1252
5. Хуанг, Т.С. Быстрые алгоритмы в цифровой обработке изображений / Т.С. Хуанг, Дж.-О. Эклунд, Г.Дж. Нуссбаумер, Ш. Зохар, Б. Юстуссон, Ш.-Г. Тян. М.: Радио и связь, 1984. 224 с.
© Р. В. Гут - магистрант КНИТУ-КАИ, [email protected]; А. П. Кирпичников - д. ф.-м. н., зав. каф. интеллектуальных систем и управления информационными ресурсами КНИТУ, [email protected]; С. А. Ляшева - к.т.н., доцент кафедры прикладной математики и информатики КНИТУ-КАИ, [email protected]; М. П. Шлеймович - к.т.н., доцент кафедры автоматизированных систем обработки информации и управления КНИТУ-КАИ, [email protected].
© R. V. Gut - Master Student, KNRTU-KAI, e-mail: [email protected]; A. P Kirpichnikov - Dr. Sci, Head of the Department of Intelligent Systems & Information Systems Control, KNRTU, e-mail: [email protected]; S. A. Lyasheva - PhD, Associate Professor of the Department of Applied Mathematics & Informatics, KNRTU-KAI, [email protected]; M. P. Shleymovich - PhD, Associate Professor of the Department of Automated Information Processing Systems & Control, KNRTU-KAI, e-mail: [email protected].
