CC BY
10Программные средства и информационные технологии
УДК 004.932
ОТБОР ИНФОРМАТИВНЫХ СНИМКОВ ИЗ ПОСЛЕДОВАТЕЛЬНОСТИ НА ОСНОВЕ ДЕТЕКЦИИ ДВИЖЕНИЯ ОБЪЕКТОВ*
А. В. Проскурин1, И. И. Ковтуненко
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
1Е-шаИ: Proskurin.AV.WOF@gmail.com
Предложен алгоритм для детекции движущихся объектов, устойчивый к изменениям освещенности и небольшим колебаниям объектов фона. Представлены результаты экспериментальных исследований.
Ключевые слова: детекция движения, фотоловушки.
SELECTION OF INFORMATIVE IMAGES FROM THE SEQUENCE BASED ON THE OBJECTS' MOTION DETECTION
A. V. Proskurin1, I. I. Kovtunenko
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation ^-mail: Proskurin.AV.WOF@gmail.com
The authors present algorithm for objects' motion detection which robust to changes in lighting conditions and small wavering of background's objects. The experiments show that the presented algorithm has on 16.3 % better precision and in 2 times less type 2 errors while in 2.7 times faster than Overlapped Block Motion Compensation.
Keywords: motion detection, camera traps.
Для изучения и защиты естественных экосистем, в том числе отдельных видов животных, находящихся под угрозой вымирания, применяются аэрокосмические средства наблюдения, отлов и чипирование животных с помощью радиочастотных идентификаторов. Помимо этого, в последние два десятилетия все большее распространение получают фотоловушки -фотоаппараты с датчиками движения [1]. При срабатывании инфракрасного датчика фотоловушка делает несколько снимков с разницей в несколько секунд. Поскольку дальность датчика относительно невелика, то дополнительно фотоловушка делает снимок каждые 30-60 минут. Полученные снимки изучаются экспертами и специально обученными волонтерами для идентификации животных, их количества, поведения.
Однако описание снимков вручную является тру-дозатратным и медленным способом. Так как количество снимков, не содержащих животных, может быть велико (от 25 % до 75 % [2; 3]), то их автоматическое отсеивание позволит снизить затраты на идентификацию в несколько раз. При этом использование метода сопоставления блоков с перекрытием [4] для детекции движения затруднено постоянно изменяющимися условиями освещения и погоды, ночной съемкой, а также большим размером снимков (5-12 Мп). Для решения этих проблем разработан алгоритм, являющийся
Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований, Правительства Красноярского края, Красноярского краевого фонда науки в рамках научного проекта: «Разработка методов и алгоритмов мониторинга диких животных и птиц на особо охраняемых природных территориях по визуальным данным».
модификацией метода сопоставления блоков и отличающийся используемой функцией сравнения блоков и оптимизацией вычислений. Рассмотрим его подробнее.
На первом шаге алгоритма все снимки переводятся в оттенки серого. Это позволяет обрабатывать в одной последовательности как обычные снимки так и снимки, сделанные в ночном режиме. На следующем шаге для каждого снимка вычисляется интегральное изображение [5], в котором значение пикселя с координатами (х, у) равно сумме значений пикселей исходного снимка, находящихся выше и левее точки (х, у), включая саму эту точку. Использование интегральных изображений позволяет получить сумму значений пикселей прямоугольной области произвольного размера за константное время, что используется для сокращения времени вычислений на следующем шаге алгоритма.
На третьем шаге выбираются два последовательных снимка /(/) и /(/+1), которые разделяются сеткой на блоки размером т х т пикселей. Для каждого блока вычисляется среднее отклонение от значения центра:
1 Ax=m-1 Ay=m-1
MDC(t,x,y)= — X E I(t,x + Ax,y + Ay)-
m
Ax=0 Ay=0
r. m m - 11 t, x +—, y + — 1 2 2
(1)
Решетневские чтения. 2018
Сравнение отбора информативных снимков с помощью метода сопоставления блоков с перекрытием и разработанного алгоритма
Критерий Метод сопоставления блоков Разработанный алгоритм
Точность отбора, % 87,86 94,19
Ошибки первого рода, % 12,14 5,80
Ошибки второго рода, % 32,77 15,37
Среднее время вычислений, мс 137 51
Используя эти значения, для первого снимка рассчитывается карта движения MM(t) размером (width / m) х (height / m) пикселей, где width и height - ширина и высота снимков соответственно. Значения пикселей карты MM(t) определяются следующим образом:
MM (t, i, j ) =
255, если min >
axe\-shift ,0, shift}, Aye{-shift,0,shift}
(
MDC (t, i * m, j * m)-
-MDC (t + 1, i * m + Ax, j * m + Ay)
Л
> threshold
(2)
0, иначе
где shift - параметр алгоритма, обозначающий смещение блока на соседнем кадре для поиска соответствия; threshold - порог, при превышении которого считается, что обнаружено движение.
Идея предложенной функции сравнения блоков основана на предположении, что изменение освещенности затрагивает все пиксели блока равномерно. Таким образом, при затенении или осветлении сцены значение пикселей относительно центра блока будет оставаться постоянным. Чтобы решить проблему ложной детекции движения при наличии колебаний небольших объектов фона в алгоритм введен параметр shift и поиск совпадающих блоков при смещении, меньшем размера блоков (shift < m).
На последнем этапе проводится обработка полученных карт движения с помощью морфологических операторов сужения и расширения. Если в итоге на карте есть хотя бы один белый пиксель, то считается, что снимок является информативным и его необходимо оставить. В противном случае снимок нужно отсеять.
Для проверки предложенного алгоритма использовался набор снимков, полученных с помощью фотоловушек, расположенных в природном парке «Ергаки».
Набор состоит из 8081 изображения, размер каждого изображения 2592x1944 пикселей. Проводилось сравнение разработанного алгоритма с методом сопоставления блоков с перекрытием [4]. Было ото-
брано 808 изображений, на которых осуществлялся подбор параметров m, threshold и shift методом квадратной сетки с максимизацией критерия f = 1 / (TIE + TIIE), где TIE - ошибки первого рода, TIIE - ошибки второго рода. Остальные изображения использовались для тестирования.
Для экспериментов применялся компьютер с процессором Intel Core i5-2430M 2,4 ГГц и оперативной памятью Kingston 1333 МГц DDR3 8 Гб. Вычисления производились с использованием одного процессорного ядра. Для определения времени вычислений все расчеты повторялись 5 раз, после чего результаты усреднялась.
Как видно из приведенных данных, разработанный алгоритм в сравнении с методом сопоставления блоков позволяет повысить точность отбора информативных снимков на 16,3 %, при этом количество ошибок второго рода снижается в два раза, а затрачиваемое время в 2,7 раз. В дальнейших работах планируется разработать алгоритм по выделению контуров животных в детектированных областях снимков.
References
1. O'Connell A. F., Nichols J. D., Karanth K. U. (Eds.). Camera Traps in Animal Ecology. Tokyo, Springer Japan, 2011. 271 p.
2. Swanson A. B., Kosmala M., Lintott C. J., Simpson R. J., Smith A., Packer C. Snapshot Serengeti, high-frequency annotated camera trap images of 40 mammalian species in an African savanna. Scientific Data 2: 150026, 2015. Doi: 10.1038/sdata.2015.26.
3. Swinnen K. R. R., Reijniers J., Breno M., Leirs, H. A novel method to reduce time investment when processing videos from camera trap studies. PLoS ONE, 2014, 9(6). Doi: 10.1371/journal.pone.0098881.
4. Orchard M. T., Sullivan G. J. Overlapped block motion compensation: An estimation theoretic approach. IEEE Trans. Image Processing, 1994, Vol. 3, P. 693-699.
5. Bay H., Ess A., Tuytelaars T., Gool L.V. Speeded-Up Robust Features (SURF). Computer Vision and Image Understanding. 2008. Vol. 110 (3). P. 346-359.
© Проскурин А. В., Ковтуненко И. И., 2018
