Обнаружение дыма на видеопоследовательности с применением локальных бинарных шаблонов в условиях шума Текст научной статьи по специальности «Компьютерные и информационные науки»

References

1. Zhang D., Islam Md. M., Lu G. A Review on Automatic Image Annotation Techniques // Pattern Recognition. 2012. Vol. 45, no. 1, pp. 346-362.

2. Bay H., Ess A., Tuytelaars T., Gool L.V. Speeded-Up Robust Features (SURF) // Computer Vision and Image Understanding. 2008. Vol. 110, no. 3, pp. 346-359.

3. Li F.-F., Perona P. A Bayesian Hierarchical Model for Learning Natural Scene Categories // Computer Vision and Pattern Recognition. 2005. Vol. 2, pp. 524-531.

4. Alcantarilla P. F., Bergasa L. M., Davison A. J. Gauge-SURF Descriptors // Image and Vision Computing. 2013. Vol. 31, no. 1, pp. 103-116.

5. Modeling the Shape of the Scene: a Holistic Representation of the Spatial Envelope. Available at: http://people.csail.mit.edu/torralba/code/spatialenvelope (accessed: 28.08.2015).

6. Dlib C++ Library. Available at: http://dlib.net (accessed: 28.08.2015).

© Проскурин А. В., 2015

УДК 004.932.2

ОБНАРУЖЕНИЕ ДЫМА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ С ПРИМЕНЕНИЕМ ЛОКАЛЬНЫХ БИНАРНЫХ ШАБЛОНОВ В УСЛОВИЯХ ШУМА

А. В. Пятаева

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: anna4u@list.ru

Визуальное обнаружение дыма на открытых пространствах имеет большое значение для раннего обнаружения задымлений и возгораний, в частности, на территории аэродромов. Изучено воздействие различных шумов на качество детектирования дыма.

Ключевые слова: детектирование дыма, шум, локальные бинарные шаблоны.

VIDEO-BASED SMOKE DETECTION USING LOCAL BINARY PATTERNS IN NOISE VODEOSEQUENCES

A. V. Pyataeva

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: anna4u@list.ru

Video-based smoke detection in outdoor spaces is particularly important for early warning systems because smoke usually rises before flames arise. The influence of different noise types on a quality of smoke detection is studied.

Keywords: smoke detection, noise, local binary pattern.

Видеоизображения, полученные в результате ви- В качестве фильтра размытия использован фильтр деосъемки в реальных условиях, могут включать ар- Гаусса. Фильтр размытия Гаусса основывается на тефакты, возникающие из-за помех оборудования или матрице свертки, которая заполняется нормализован-линии передачи информации, а также связанные с ными коэффициентами, полученными с помощью погодными условиями. В связи с этим возникает не- функции Гаусса двух переменных [1; 2]: обходимость проверки областей-кандидатов на дым, когда такие области уже выделены в видеопоследовательности. ' 2лст2

Рассмотрим алгоритмическую компенсацию где с - коэффициент пропорциональности размытия;

сложных погодных условий съемки при детектирова- х, y - расстояния от центрального элемента матрицы

нии дыма на видеопоследовательностях. до элемента, для которого рассчитывается коэффици-

Для имитации атмосферных осадков на изображе- ент по вертикали и горизонтали соответственно.

ние накладывался аддитивный белый гауссов шум. На Для повышения резкости изображения использо-

изображения был также наложен импульсный шум ван фильтр Лапласа. Дискретный лапласиан опреде-

типа «соль-перец», который возникает из-за проблем ляется как сумма вторых производных и аппроксими-

с оборудованием, а также может быть связан с ошиб- руется суммой перепадов на соседних пикселях отно-

ками при передаче изображений в 5,2, 7,01 и 10 дБ. сительно центрального пикселя:

_ х2 + у2

G( X, у) = -

Решетнеескцие чтения. 2015

v2 f =

52 f , 52f

dx 5y

= [f (x +1, y) + f (x -1, y) - 2 f (x, y)] + + [f (x, y +1) + f (x, y -1) - 2 f (x, y)] = = f (x +1, y) + f (x -1, y) + f (x, y + 1) + +f (x, y -1) - 4 f (x, y).

В работе предложен алгоритм автоматического детектирования дыма, включающий в себя анализ текстуры с помощью локальных бинарных шаблонов (LBP), локальных тернарных шаблонов (LTP) и расширенных локальных бинарных шаблонов (ELBP). Пространственно-временные шаблоны (STLBP) являются одним из способов исследования динамических свойств текстур в видеопоследовательности [3] и объединяют в себе информацию из соседних кадров относительно центрального пикселя. 2D- и 3Б-шабло-ны показаны на рисунке (пустой кружок обозначает центральный пиксель).

Основная идея алгоритма состоит в исследовании применимости различных методов STLBP при детектировании дыма для изображений, подверженных воздействию указанных шумов.

Для классификации областей дыма в работе использован гистограммный подход как один из наиболее простых и быстрых способов. Для равномерных и тернарных шаблонов требуется предобработка перед построением гистограммы, классический LBP не требует предобработки. Предобработка тернарного n -разрядного кода состоит в разбиении полученного кода на два бинарных n -разрядных кода. Для расширенных бинарных шаблонов предобработка заключается в нахождении равномерных шаблонов и всех их циклических сдвигов. Равномерные шаблоны определяют такие важные особенности изображения, как пятна, концы линий, углы, грани [4]. Конечная гистограмма LTP и ELBP строится классическим способом по итоговому набору десятичных чисел.

Мерой различия гистограмм двух сопоставляемых изображений при построении соответствующего

решающего правила использовалось расстояние Куль-бака-Лейблера:

P(P-1)+3 f

Dkl (f, g) = X fk ln —, k=1 gk

где f и g - гистограммы первого и второго изображения; k - номер столбца; Р - число точек в окрестности LBP.

Для проведения экспериментальных исследований использованы данные из базы данных динамических текстур DynTex [5]. Использовано три видеопоследовательности густого дыма, одна видеопоследовательность с прозрачным дымом и шесть видеопоследовательностей без дыма, из которых вручную были извлечены фрагменты дыма.

При зашумлении изображений аддитивным белым шумом Гаусса, эффективность работы тернарных шаблонов не изменяется, а эффективность расширенных бинарных шаблонов падает на 1,5 % для густого дыма. Для шума типа «соль-перец» расширенные бинарные шаблоны выдерживают, без падения точности, шум до 7,01 дБ, при увеличении шума до 10 дБ происходит падение точности на 3 % для густого дыма. Тернарные шаблоны работают хуже на 6,8-8,7 % при увеличении шума от 5 до 10 дБ для густого дыма. При детектировании прозрачного дыма ELBP выдерживают падение освещенности в два раза, точность детектирования при этом 86-88 %, при шуме типа «соль-перец» для прозрачного дыма точность составляет 90 % при шуме в 7 дБ.

Эксперименты с фильтром размытия показали, что для густого и прозрачного дыма требуются дополнительные методы борьбы с размытием, фильтр Лапласа обеспечивает незначительное увеличение точности детектирования. Анализ результатов при детектировании густого дыма показывает, что STLTP и STELBP являются устойчивыми к шуму, STELBP обеспечивают точность детектирования густого дыма в 98-99 %, тернарные шаблоны показывают значение точности в 90-98 %. Для прозрачного дыма наиболее эффективными являются ELBP в двумерном случае.

• • "Г

л о •

• ^— •

• • •

• о • • • •

кадр i+ 1

• • • кадр i

• • •

кадр i -1

Шаблоны: а - базовый LBP; б - 3D-STLBP

б

а

References

1. Zhang Z., Klassen E., Srivastava A., Turaga P., Chellappa R. Blurring-Invariant Riemannian Metrics for Comparing Signals and Images // Conference: International Conference on Computer Vision - ICCV, 2011. Pp. 1770-775.

2. Reti Z. Deblurring images blurred by the discrete Gaussian. Applied Mathematics Letters. 1995. Vol. 8, iss. 4, pp. 29-35.

3. Zhao G., Pietikainen M. Dynamic Texture Recognition Using Volume Local Binary Patterns //

Dynamical Vision / R. Vidal, A. Heyden, Y. Ma (eds) LNCS. 2007. Vol. 4358, pp. 165-177.

4. Feiniu Y. Rotation and Scale Invariant Local Binary Pattern Based on High Order Directional Derivatives for Texture Classification. Digital Signal Processing. 2014. No. 26, pp. 142-152.

5. Renaud P., Fazekas S., Mark J. Huiskes. DynTex: A comprehensive database of dynamic textures // Pattern Recognition Letters. 2010. No. 1, pp. 1627-1632.

© n^raeBa A. B., 2015

УДК 004.932

АЛГОРИТМ ПАРАЛЛЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА МОБИЛЬНЫХ УСТРОЙСТВАХ С МНОГОЯДЕРНЫМ ПРОЦЕССОРОМ

А. С. Савельев, А. И. Томилина

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: alxsave@gmail.com

Представлен алгоритм параллельного вычисления и обработки изображений на мобильном устройстве с многоядерным процессором, показаны его особенности на примере задачи распознавания дорожной разметки. Данная тематика также актуальна и для использования в аэрокосмической технике, где мобильность, низкое энергопотребление и компактность являются не менее важными факторами, чем производительность системы.

Ключевые слова: параллельные вычисления, обработка изображений, распознавание образов, дорожная разметка, мобильные вычислительные системы.

ALGORITHM FOR PARALLEL IMAGE PROCESSING ON MOBILE DEVICES WITH MULTI-CORE PROCESSORS

A. S. Savelev, A. I. Tomilina

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: alxsave@gmail.com

This paper presents an algorithm for parallel computation and image processing on mobile devices with a multi-core processor, the example of the recognition problem of road markings is shown. This subject is also relevant to be used in the aerospace engineering where mobility is low power consumption and compact size is a no less important factor than the performance of the system.

Keywords: parallel computing, image processing, pattern recognition, road markings, mobile computing systems.

На данный момент смартфоны или КПК повсеместно встречаются в нашей повседневной жизни. С течением времени данные устройства обзавелись аппаратным обеспечением, сопоставимым по некоторым показателям со стационарными компьютерами. При всем этом, включая в себя множество современных высокотехнологичных компонентов и сохраняя невысокую стоимость, данные устройства находят применение в решении различных задач, в том числе и для использования в аэрокосмической технике, где мобильность, низкое энергопотребление и компактность являются не менее важными факторами, чем производительность системы. В данной статье рас-

сматривается возможность параллельных вычислений [1] для решения задачи анализа изображения.

Одним из примеров задачи анализа изображения может служить система предупреждения о смене полосы [2], используемая в автомобилях для поддержания контроля за дорожной ситуацией. На первом этапе используется видеопоследовательность, полученная с камеры устройства, затем производится выборка кадров из данной видеопоследовательности. Абстрагируясь от нюансов связанных с предварительной обработкой изображения выбранного кадра, мы приходим к следующим условиям: имеется изображение дорожного полотна, на котором белым цветом нанесена