CC BY
38Информационные системы и технологии
УДК 004.932
Д. А. Фурашев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
СЛЕЖЕНИЕ ЗА ТОЧЕЧНЫМИ ОСОБЕННОСТЯМИ НА СЦЕНАХ ИЗ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ
Рассмотрен метод слежения за точечными особенностями сцены в видеопоследовательности.
Любое изображение в отдельности, несмотря на кажущуюся простую структуру - двумерную матрицу чисел, содержит очень сложную и комплексную -интегральную информацию о наблюдаемой сцене. Извлечь из изображений какую-нибудь структурированную и осмысленную информацию о наблюдаемой сцене невероятно сложно. Видеопоследовательность, полученную с движущейся камеры, особенно если на ней запечатлена динамическая сцена, анализировать еще сложнее. Поэтому просто необходимы технологии, которые позволили бы извлекать из видеопоследовательностей некоторую, пускай очень неполную, но осмысленную и достаточно просто структурированную информацию об объектах сцены и ее динамике [1].
Одной из таких технологий является слежение за точечными особенностями в потоке изображений. В самом деле, точка - это наиболее простой и понятный геометрический элемент, с которым, как кажется, проще всего работать. Точка может рассматриваться как элемент дискретного представления некоторой функции. Если мы выделим в сцене некоторое количество «особых» точек и определим их положение на каждом кадре, то полученные данные смогут дать огромное количество информации о структуре сцены, а также о параметрах камеры, с которой были получены изображения.
Особая точка сцены, или точечная особенность (point feature) - это такая точка сцены, изображение которой можно отличить от изображений всех соседних с ней точек сцены [1]. Между особенностями сцены и особенностями изображения и видеопоследовательности есть соответствие: точечной особенности сцены должна соответствовать точечная особенность изображений и видеопоследовательностей [2]. Большинство детекторов точечных особенностей работают сходным образом: для каждой точки изображения вычисляется некоторая функция от ее окрестности. Точки, в которых эта функция достигает локального максимума, очевидно можно отличить от всех точек из некоторой ее окрестности.
В общем задача слежения за особенностями сводится к следующему. Дана последовательность изображений ImageSequence некоторой сцены S, полученная с движущейся или неподвижной камеры. Необходимо получить набор как можно более точных последовательностей координат проекции некоторых точек сцены в каждом кадре, т. е. набор SceneFeaturelmage [/'] = {x (t), y(t)}, где x(t), y(t) - ко-
ординаты проекции особенности i в кадре, полученном в момент времени t. Другими словами, под слежением за точечными особенностями сцены в общем случае понимается определение координат проекции точки сцены в текущем кадре, если известны координаты ее проекции в предыдущем, и неизвестно ничего о камере, с которой получены изображения [3].
Необходимо упомянуть, что любой алгоритм слежения за особенностями может быть применен к любым точкам изображения, а не обязательно только к особенностям. Однако в этом случае невозможно корректно определить положение точки в новом кадре. Например, если применить слежение за точкой на некоторой границе изображения, то, скорее всего, будет найдена тоже точка на границе, но она может на самом деле и не соответствовать той же точке сцены [4].
Математическая формулировка задачи слежения выглядит следующим образом. Пусть I(x, t) - яркость изображения кадра со временем t в точке x, где x -вектор. Движение изображения (image motion) вдали от границ видимости (occluding boundaries) описывается с помощью уравнения вида I(x,t) = I (delta(x), t + tj), где delta(x) - движение точки x при переходе от кадра (t) к (t + ti). Перемещение особенности от кадра к кадру описывается этим уравнением для всех точек x из окрестности особенности W. Отметим, что в этом случае полагается, что освещение точки сцены, соответствующей особенности, остается постоянным. Задача трекера заключается в отыскании значения движения delta(x) для всех точек окна особенности W. Поскольку в реальных условиях это никогда строго не выполняется, то ищется такое движение, при котором минимизируется разница между окнами при текущем и будущем положении особенности.
Слежение за точечными особенностями сцен на видеопоследовательностях позволяет проанализировать и компенсировать многие виды шумов и артефактов с большим быстродействием, чем при анализе каждогоизображения в отдельности.
Библиографические ссылки
1. Конушин А. Слежение за точечными особенностями сцены (Point feature tracking) // Компьютерная графика и мультимедиа [Электронный ресурс]. Вып. № 1 (5). 2003. URL: http://cgm.computergraphics.ru/ content/view/54 (дата обращения: 11.09.2011).
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2006.
Решетневскце чтения
3. Чочиа П. А. Обработка и анализ изображений на 4. Gargi U., Kasturi R., Trayer S. H. Performance основе двухмасштабной модели : препринт / Ин-т пробл. characterization of video-shot-change detection methods передачи информации АН СССР. М. : ВИНИТИ, 1986. // IEEE CSVT. 2000. Vol. 10. № 1. P. 1-13.
D. A. Furashev
Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
TRACKING POINT FEATURES
The author dwells upon a method of tracking point features of a scene in a video sequence.
© Фурашев Д. А., 2011
УДК 004.946
А. А. Чунина, И. М. Данилин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
АНАЛИЗ ПОДХОДОВ К МОДЕЛИРОВАНИЮ ЛЕСНОЙ РАСТИТЕЛЬНОСТИ
Представлены существующие методы моделирования ветвящихся структур, приведена их классификация по различным критериям. По критерию «тип входных данных» выделены подходы к моделированию растительности. Также приведен анализ преимуществ и недостатков как самих подходов, так и методов.
Моделирование объектов природы, в частности лесной растительности, является нетривиальной задачей для большинства известных пакетов 3D-моделирования. В традиционных CAD-системах мы можем получать объекты строгой геометрической формы, которые достаточно хорошо описываются математическими моделями. Объектам живой природы присуща стохастичность в их структуре и огром -ное количество параметров (свет, ветер, гравитация, тип ветвления, осадки), влияющих на их внешний вид. Все это доказывает то, что при моделировании растительности необходимо использовать собственные методы, алгоритмы и подходы.
Все существующие подходы к моделированию деревьев и растений можно условно разделить на три группы:
- по определенным математическим правилам и грамматикам;
- на основе исходного скелета (эскиза) объекта;
- на основе исходного изображения объекта.
Критерием разбиения служит тип входных данных, используемых при моделировании.
При моделировании по определенным математическим правилам и грамматикам входными данными является набор числовых параметров: количество итераций, углы ветвления, радиус ствола, ветвей, коэффициенты уменьшения радиусов и длины ветвей и пр. По данному набору параметров в соответствии c законами ветвления моделируется дерево. Простейшим законом ветвления является модель Хонды. Данный алгоритм предусматривает, что сегменты дерева
- прямые, площадь их поперечного сечения не рассматривается. В течение итерации материнский сегмент производит два дочерних короче материнского в r1 и r2 раз под углами ветвления a1 и a2. Результаты Хонды послужили основой для моделей, предложенных Эоно и Кьюниай. Похожая концепция первоначально была предложена Кохеном, а позднее Де Ре-фай и Армстронг разработали более точный с физической точки зрения метод «изгиба» веток, использующий стохастические законы. Наиболее часто применимыми на практике методами данного подхода являются L-системы и Space Colonization algorithm. L-системы - классический пример использования вычислительных методов для имитации жизненных процессов, являющийся грамматикой [1]. Скрипт Арман-га Явуза L-System является автоматическим скриптом создания дерева в Blender. Space Colonization algorithm изначально был предложен для предсказания поведения пешехода в толпе, позднее был адаптирован для моделирования растительности. Основная идея также заключается в итеративном добавлении новых элементов (ветвей) к существующей геометрической структуре объекта (дерева), сформированного на предыдущих шагах. Данный алгоритм является адаптивным, т. е. процесс роста зависит от следующих параметров: близлежащего присутствия объектов окружающего мира, соседства с другими деревьями. Таким образом, можно привести общую классификацию методов: детерминистские, адаптивные, фрактальные и стохастические. Наиболее реалистичные результаты достигаются при использовании
