CC BY
185
2. Зенкевич С.Л., Ющенко А.С. Управление роботами. Основы управления манипуляционными роботами: учебник для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2000. 400 с.
3. Игнатова О. А. Плоское движение трехколесного робота с учетом привода // Известия Тульского государственного университета. Технологическая системотехника. Тула: Изд-во ТулГУ, 2006. Вып. 16. С. 99-103.
4. Амелькин Н.И. Кинематика и динамика твердого тела. М.: МФТИ, 2000. 64 с.
5. Бесекерский В.А., Попов Е.П. Теория автоматического управления. СПб.: Профессия, 2003. 752 с.
Нгуен Ван Шон, асп., sugusl05@yandex.ru, Россия, Тула, Тульский государственный университет
MATHEMATICAL MODELLING OF А ROBOT DURING THE OPERATION OF THE MANIPULATOR
Nguyen Van Son
The mathematical model of oscillations of the platform of the robot in the space, established on viscoelastic support during the operation of the manipulator, is worked out.
Key word: mobile robot, oscillation process, transfer function, rigid rod.
Nguyen Van Son, postgraduate, sugusl 05'a yandex. ru, Russia, Tula, Tula State University
УДК 004.932
ОБНАРУЖЕНИЕ ПОДВИЖНЫХ ОБЪЕКТОВ В СИСТЕМАХ
ТЕХНИЧЕСКОГО ЗРЕНИЯ
М.Б. Никифоров, С.В. Орлов
Рассмотрен предложенный метод детектирования объектов на телевизионных изображениях. В основу метода положены адаптивную методику оценки фона со статическим накоплением информации о положении детектируемых объектов в кластеры. Метод апробирован на контроле парковочных мест автомобильных стоянок.
Ключевые слова: детектор объектов, модель фона, кластеризация объектов, парковочная система.
На сегодняшний день всё большее распространение получают системы технического зрения. Если раньше они устанавливались преимущественно на крупных военных, транспортных и промышленных объектах, то в настоящее время в связи с удешевлением аппаратуры, увеличением мощности персональных компьютеров, развитием средств разработки такие системы стали общедоступными [1].
174
К основным задачам систем технического зрения традиционно относятся получение, визуализация, хранение и передача видеоизображения от камер наблюдения. В связи с многократным увеличением объема видеоинформации для экономии дискового пространства, а также времени оператора при просмотре видеоархива стали применяться простейшие детекторы движения [2]. Задачей таких детекторов являлся анализ видеоизображения на предмет наличия в нём позитивных изменений (движения). Однако большинство методов и алгоритмов на их основе не позволяют получать адекватных результатов детектирования. Это связанно, прежде всего, с реагированием детектора на негативные изменения, такие, как:
естественные помехи (дождь, снег, небольшие движение листвы деревьев и травяного покрова, блики, тени);
искусственные помехи (задымленность);
изменение естественных условий освещённости (суточный солнечный цикл, перекрытие естественных источников света облаками).
В данной статье рассматривается метод детектирования подвижных объектов, не имеющий перечисленных недостатков.
Структура детектора движения изображена на рис. 1. Она имеет каскадную иерархию и состоит из последовательно соединённых модулей, каждый из которых реализует свою функцию.
Основное место в данной структуре занимает этап вычитания фона. По характеру обновления данных о видеопотоке методы вычитания фона делятся на неадаптивные и адаптивные. К недостаткам неадаптивных методов можно отнести:
необходимость ручной инициализации при определённых условиях; накопление погрешностей с течением времени при изменениях заднего плана и необходимость в повторной инициализации;
единственный предопределённый порог для всего изображения; невозможность определения участков заднего плана, ранее являющихся переднеплановыми.
В силу перечисленных недостатков в чистом виде данные методы практически не применяются. Исключение составляют системы, работающие во внутренних помещениях с искусственным освещением. Однако и в данном случае необходима периодическая инициализация модели.
Адаптивные методы лишены этих недостатков. В то же время им присуще другие:
неадекватная реакция на медленно перемещающиеся объекты; переход динамичного объекта в модель фона, при отсутствии движения.
Рис. 1. Структура детектора движения
Для устранения этих проблем предлагается совместить адаптивную методику оценки фона со статическим накоплением информации о положении детектируемых объектов с последующей кластеризацией. Каждый кластер содержит в себе историю перемещений детектируемого объекта.
В качестве модели фона использована адаптивная гауссовская смешанная модель [3].
Каждый пиксель в сцене моделируется смесью К распределений Гаусса. Вероятность того, что определенный пиксель имеет значение хп во
время К, можно представить в виде
к
где м?к - вес параметра к-й компоненты Гауссиана; г/(х,вк)-функция плотности нормального распределения к-й компоненты, представленная
✓ а ч / V ч 1
л (х, вк ) = 1\(х; \1к Лк) =-п-*
— I
(27Г)2|1^|2
где /ик- среднее и -ок1Е- матрица ковариаций к-й компоненты; Е -
единичная матрица, что позволяет снизить вычислительную трудоемкость.
Новое значение будет представляться одной из основных компонент построенной смеси Гауссовых распределений и использоваться для обновления параметров модели.
Первые Вк распределений, удовлетворяющих условию (1), соответствуют распределению цвета фоновых пикселей:
г ь
Вк = агётт(2>7>Г), (1)
7=1
где Т- пороговое значение.
Когда приходит очередной кадр, выполняется тест, который позволяет определить, какому распределению соответствует полученное значение.
Если находится соответствующее распределение Гаусса, которое попадает в группу из Вк распределений, то текущий пиксель классифицируется как фоновый, иначе принадлежащий объекту.
Модуль сегментации включает в себя морфологические операции [4], что позволяет сократить ошибки выделения объектов. Для удаления шумов к бинарному изображению, полученному на прошлом этапе, применяется последовательность операций: сужение
открытие
закрытие
где В - двоичное изображение; £ - структурный элемент.
Непосредственно сама сегментация заключается в выделении бинарных областей с помощью контурного анализа.
Для облегчения процесса кластеризации для каждого контура находим его центр тяжести и формируем точку а с координатами(х, у).
Модуль кластеризации представляет собой модификацию метода ближайшего соседа. Для каждой точки аЛ определяется оценка близости до ближайшей соседней точки:
где В - пороговое значение. Если минимальное значение близости между точками не превышает порогового,точка присваивается кластеру, к которому относится ближайший сосед (рис. 2).
Превышение порога приводит к созданию нового кластера Q и присваиванию ему новой точки.
Во избежание ситуаций пересечения размерность кластера ограничена. При превышении размера первая точка удаляется из кластера, новая
Рис. 2. Кластеризация объектов
177
В соответствии с данным методом разработан алгоритм для автоматизированной парковочной системы, основная задача которой заключается в анализе свободных и занятых парковочных мест на контролируемой территории, кроме того, система позволяет фиксировать время нахождения автомобилей на стоянке, что может быть использовано для расчета оплаты.
Практические результаты представлены на рис.3. Выделенными областями показаны детектируемые объекты, за каждым из которых следует кривая перемещений. Каждая кривая перемещений является кластером.
Наличие занятого места означает, что в прямоугольной зоне находится кластер.
Рис. 3. Результаты работы детектора объектов
Дальнейшее развитие системы может быть связано с добавлением интеллектуальных функций [5,6], позволяющих осуществлять антитеррористический контроль, распознавание государственных номеров, обеспечение контрольно пропускного режима.
Список литературы
1. Орлов С.В. Использование открытой библиотеки технического зрения OPENCV // Методы и средства обработки и хранения информации: межвузовский сборник научных трудов / под ред. Б.В. Кострова. М.: КУРС, 2015. С. 71 - 74.
2. Алпатов Б.А., Фельдман А.Б. Бортовая система технического зрения для обнаружения опасных объектов и визуальных ориентиров // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы 18-й Международной науч.-техн. конф. М.: Горячая линия - Телеком, 2015. С. 100 - 102.
3. Arandjelovicr O., Cipolla R., Department of Engineering. Incremental Learning of Temporally-Coherent.Gaussian Mixture Models. Cambridge.
4. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход.изд. М.: Вильямс, 2004. 928 с.
5. Акинин М.В., Никифоров М.Б., Таганов А.И. Нейросетевые системы искусственного интеллекта в задачах обработки изображений. М.: Горячая линия-Телеком, 2015. 152 с.
6. Ларкин Е.В., Аршакян А. А. Покоординатный поиск местоположения точечного источника сигнала // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2015. Вып. 9. С. 170 -179.
Никифоров Михаил Борисович, канд. техн. наук, доц., nikifo-rov.m. b@evm.rsreu.ru, Россия, Рязань, Рязанский государственный радиотехнический университет,
Орлов Сергей, Вячеславович, магистрант, 1is@,mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет
MOVING OBJECTS DETECTION IN VISION SYSTEMS M.B. Nikiforov, S.V. Orlov
The article discusses the proposed method for objects detection in television images. The method is based on the adaptive method of background estimation with a static accumulation of information about the detected objects position by the subsequent clustering. The method was tested on the control of car parks Parking spaces.
Key words: detector objects, the background model, the object clustering, a parking
system.
Nikiforov Michail Borisovich, candidate of technical sciences, docent, nikifo-rov. m. b@evm. rsreu. ru, Russia, Ryazan, Ryazan State Radioengineering University,
Orlov Sergey Vyacheslavovich, undergraduate, 1is@,mail.ru, Russia, Ryazan, Ryazan State Radioengineering University
УДК 519.217.2
ПОСТРОЕНИЕ ГРАФА ИНФОРМАЦИОННЫХ ЗАВИСИМОСТЕЙ
ПО МАШИННОМУ КОДУ
А.С.Новиков
Рассмотрена методика построения графа информационных зависимостей для оценки времени выполнения алгоритма на заданной архитектуре вычислительной системы. Показана возможность применения указанной методики для параллельных вычислений.
Ключевые слова: алгоритм, время выполнения, граф информационных зависимостей, форма Бэкуса-Наура, дерево программы.
Описанная в [1] математическая модель оценки времени выполнения программ предусматривает построение графа информационных связей в них, которое включает в себя выполнение следующих этапов.
1. Синтаксический разбор программы. На первом этапе осуществляется анализ исходного текста программы на факт выявления основных синтаксических конструкций.
2. На основе сформированного синтаксического дерева выделяются все возможные состояния - изменения связи объектов данных (переменных) с их значениями (узлы, имеющие операторы присвоения «=» или «:=», выделяются отдельными узлами).
3. Среди множества выделенных узлов определяются зависимые каким-либо образом друг от друга, т.е. выделяются состояния, в которых переменные участвуют в правой части выражения (критерием для данного действия являются участвующие в операции переменные).
4. Для каждого узла, выделенного в ходе выполнения п. 3, происходит поиск состояний, в которых переменные участвуют с левой части выражения, а также осуществляется анализ вызовов процедур и функций.
Совмещение построенных на 3-м и 4-м шагах деревьев предоставляет возможность построения искомого дерева зависимостей состояний от состояний.
