Научная статья на тему 'Визуальное детектирование дыма на основе морфологической обработки и вейвлет-преобразования'

Визуальное детектирование дыма на основе морфологической обработки и вейвлет-преобразования Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
130
21
i Надоели баннеры? Вы всегда можете отключить рекламу.

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Левтин К.Э.

Описан алгоритм визуального детектирования дыма на видео, основанный на применении вейвлет-преобразования Добеши и морфологической обработки исследуемого изображения, а также на ряде физических особенностей дыма как газообразного вещества.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

VISUAL SMOKE DETECTION BASED ON WAVELETS AND MORPHOLOGY

An approach that describes the algorithm of smoke detection in a video image based on applying a Daubechies wavelets and morphological operation pre-processing to candidate images and on some especial physical processes of smoke as gaseous substance is described.

Текст научной работы на тему «Визуальное детектирование дыма на основе морфологической обработки и вейвлет-преобразования»

Решетневские чтения

В теории существуют несколько способов и моделей составления и оценки инвестиционных портфелей:

- метод оптимизации инвестиционного портфеля по модели Г. Марковица;

- метод диверсификации инвестиционного портфеля;

- правило Парето;

- правило Борда;

- оценка инвестиционного портфеля по критерию риска;

- оценки ликвидности инвестиционных объектов по времени трансформации инвестиционного портфеля;

- принципы консервативности и достаточно ликвидности формирования инвестиционного портфеля и др.

Одновременный анализ даже при помощи нескольких методов трудоемок, отнимает множество времени и требует умения оперировать обширными знаниями из различных областей. Данный процесс прогрессивно усложняется при вводе дополнительных параметров и методов анализа. Таким образом, очевидно даже самому умелому и опытному инвестору

очень сложно максимально эффективно сформировать инвестиционный портфель, а тем более сделать это быстро.

Поэтому логически возникает необходимость систематизации знаний в области формирования инвестиционных портфелей в одной информационной прикладной программе, которая бы анализировала наиболее эффективные методы создания инвестиционного портфеля и применяла их на практике в виде ИС, основанной на экспертных оценках. За счет этого значительно бы облегчился процесс выбора стратегии инвестирования.

Библиографические ссылки

1. Попов А. А. Двухкритериальная задача оптимизации инвестиционного портфеля // Менеджмент в России и за рубежом. 2007. № 1.

2. Мищенко А. В. Оптимизационная модель формирования инвестиционного портфеля // Финансовый менеджмент. 2005. № 5.

E. V. Labetskaya

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk THE AUTOMATED SYSTEM OF THE FORMATION OF INVESTMENT BRIEFCASE

Nowadays people more and more are moving away from the standard methods of accumulation and experiment with income obtaining tools. Bank contributions and deposits with their low interest rates now interest almost in no one since there are the methods of obtaining the income which exceeds into ten, and sometimes even more times - unit investment trust.

© ,na6e^<afl E. B., 2010

УДК 004.932.2

К. Э. Левтин

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

ВИЗУАЛЬНОЕ ДЕТЕКТИРОВАНИЕ ДЫМА НА ОСНОВЕ МОРФОЛОГИЧЕСКОЙ ОБРАБОТКИ И ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ

Описан алгоритм визуального детектирования дыма на видео, основанный на применении вейвлет-преобразования Добеши и морфологической обработки исследуемого изображения, а также на ряде физических особенностей дыма как газообразного вещества.

Раннее обнаружение пожаров на обширных открытых пространствах является на сегодняшний день крайне важной задачей. Необходимо отметить, что помимо природных зон (лес, лесные пожары) также немалое значение имеет детектирование пожаров на техногенных аренах: портовых сооружениях, химических заводах, ТЭЦ, АЭС и пр. Однако раннее визуальное детектирование источника огня в условиях вышеперечисленных областей крайне затруднено в силу относительно малых размеров первоначальной области возгорания, которая в большинстве случаев скрыта посторонними объектами или сооружениями. В то же время дым от пожара становится заметным уже на первых этапах возгорания.

Наилучшие результаты по точности детектирования дыма дают визуальные методы, учитывающие как статические (например, цветовые), так и динамические характеристики исследуемого видеопотока. Огонь и дым принадлежат к явлениям турбулентной природы [3] и, следовательно, обладают рядом характерных свойств. Известно, что частота пламеобразных вспышек при горении составляет приблизительно 10 Гц и мало зависит от его масштабов или вида сгораемого материала. Как результат границы области задымления будут характеризоваться схожими частотными характеристиками, что на практике при обработке кадров исследуемого видео потока будет означать, что пиксель заданного цветового диапазона

Информационно-управляющие системы

может включаться в область с вероятным наличием задымления либо редуцироваться из нее несколько раз на протяжении одной секунды. Анализ частотных характеристик массива элементарных объектов изображения оптимально производится на основе вейв-летов [4].

Разрабатываемый алгоритм обнаружения и сопровождения дыма на видео частично основывается на идеях, описанных в работах [2; 3; 4], и состоит из шести следующих шагов:

1. Вычитание соседних (n - 1)-го и n-го кадров. Поиск движущихся объектов.

2. Текстурный анализ полученного изображения.

3. Применение вейвлет-преобразования.

4. Морфологическая обработка.

5. Анализ частотных характеристик полученного изображения.

6. Сопоставление областей, найденных на этапе текстурного и частотного анализа.

На первом шаге выделяются движущиеся пиксели на текущем и предыдущем (фоновом) кадре видеопотока простой разницей значений каждого из пикселей по цветовым каналам RGB [1]. На следующем шаге движущиеся пиксели проходят текстурный анализ по двум характеристикам: во-первых, цветовая гамма исследуемых объектов должна находиться в шкале серого цвета. Это особенно характерно для плотных скоплений дыма [3]. Во-вторых, из-за полупрозрачности области задымления сохраняют общую направленность вектора RGB, характерную для фонового изображения.

Изображение, полученное на первом шаге, поступает на частотный анализ, для чего используется дискретное вейвлет-преобразование Дебоши [4]:

^ (X, y) = ILHn (x, y) |2 + IHLn (x, y) |2 +

+ |HHn(x, y) |2,

где n - порядковый номер кадра исследуемого видео потока, x, y - координаты пикселя, LH, HL, HH - горизонтальный, вертикальный и диагональный коэффициенты изображения соответственно. Применив данное вейвлет-преобразование к исследуемому изображению, получим его декомпозицию на изображения по горизонтальной, вертикальной и диагональной составляющим.

Полученные изображения-составляющие бинаризованы, и потому для избавления от шумоподобных включений применяется морфологическая обработка. Шумоподавление основано на применении двух базо-

вых морфологических операциях: сужения и расширения. Для формирования цельной области наилучшим образом подходит операция раскрытия, состоящая из последовательного применения операции сужения, а затем операции расширения.

Последующий частотный анализ основан на расчете энергии движущихся объектов. Для элементарного объекта изображения энергия en(x, y) равна wn(x, y). Изображение стационарных пикселей характеризуется тем, что энергии фонового пикселя en-1(x, y) и текущего пикселя en(x, y) должны быть равны и близки к нулю. Если же пиксель является граничным для области задымления, то будут наблюдаться характерные всплески в разнице значений энергии фонового и текущего пикселей. Это происходит из-за частого перехода такого рода пикселя из области задымления в область фона, и наоборот [3; 4]. Точки изображения, прошедшие контроль частотных характеристик, составляют массив точек полигональной аппроксимации формы области с вероятным наличием дыма.

Пересечение областей, полученных на этапах анализа, с наиболее высокой вероятностью соответствует области задымления и сопровождается на изображении цветовыми маркерами.

Метод визуального детектирования дыма на основе вейвлет-преобразований и морфологического анализа обладает высокой степенью эффективности, поскольку использует для анализа главную отличительную особенность видеопотока - это наличие динамических характеристик искомой области. В настоящее время разрабатывается программная реализация данного алгоритма визуального детектирования дыма.

Библиографические ссылки

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005.

2. Левтин К. Э. Детектирование дыма в видеопотоках на основе вейвлет-преобразования // Решетнев-ские чтения : материалы XIII Междунар. науч. конф. ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2009. Ч. 2. С. 514-515.

3. Левтин К. Э. Детектирование дыма в видеопоследовательностях на основе блочного анализа и вейв-лет-преобразований // Цифровая обработка сигналов и ее применение : материалы XII Междунар. конф. В 2 т. М., 2010. Т. 2. С. 110-107.

4. Vezzani R., Calderara S. Smoke Detection in Video Surveillance: the Use of ViSOR (Video Surveillance On-line Repository) // EUSIPC0-2005. Poland, 2007. Р. 540-543.

K. E. Levtin

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

VISUAL SMOKE DETECTION BASED ON WAVELETS AND MORPHOLOGY

An approach that describes the algorithm of smoke detection in a video image based on applying a Daubechies wavelets and morphological operation pre-processing to candidate images and on some especial physical processes of smoke as gaseous substance is described.

© ^eBTHH K. Э., 2010

i Надоели баннеры? Вы всегда можете отключить рекламу.