CC BY
6d https://dx.doi.org/10.36522/2181-9637-2023-2-2 UDC: 331.2:681.306(045)(575.1)
YONG'INNI VIDEOTASVIRDA RANGLI FILTRLASH BILAN INTENSIVLIK O'ZGARISHI
ASOSIDA ANIQLASH
Axatov Akmal Rustamovich1,
texnika fanlari doktori, professor, xalqaro hamkorlik bo'yicha prorektor, ORCID: 0000-0003-3834-854X, e-mail: [email protected];
Tojiyev Ma'ruf Ruzikulovich2,
"Kompyuter ilmlari va dasturlashtirish" kafedrasi doktoranti, ORCID: 0000-0002-2899-4495, e-mail: [email protected];
Shirinboyev Ravshan Shirinboy o'g'li2, "Kompyuter ilmlari va dasturlashtirish" kafedrasi magistranti, ORCID: 0000-0001-5811-0067, e-mail: [email protected]
1Sharof Rashidov nomidagi Samarqand davlat universiteti 2Mirzo Ulug'bek nomidagi O'zbekiston Milliy universiteti Jizzax filiali
Kirish
Yong'in chiqish xavfi bor hududlarda yong'inni erta aniqlash uchun doimiy ravish-da nazorat olib borish kerak. Umuman ol-ganda, monitoring tizimlarini takomillashti-rish quyidagi yo'nalishlarga bo'linadi: dast-labki bosqichda yong'inni erta aniqlash im-koniyatini oshirish, monitoring xarajatlarini kamaytirish, inson omili ishtirokini kamay-tirish kabi. Videoanalitika texnologiyalari va kompyuter ko'rishi videotasvirlaridan yong'inni avtomatik ravishda erta aniqlash mumkin. Bunday tizim yong'inni aniqlashda videokamera obyektidan olingan videotas-vir ma'lumotlar to'plami bilan ishlaydigan va qayta ishlov berish imkoniyatini beradigan dasturiy ta'minot ko'rinishida amalga oshi-riladi. Ushbu jarayonda video monitoring operatorining yagona vazifasi ogohlantirish tizimi signallariga o'z vaqtida javob berish-dan iboratdir.
Yong'inni erta aniqlashning yana ham samarali usulini topish uchun turli xil tizim-lar ishlab chiqilgan. Ushbu tizimlar real video
Annotatsiya. Videoanalitika va kompyuter ko'rishi videoma'lumotlari yong'inni avtomatik aniqlash imkonini beradi. Mazkur maqolada video-tasvirdan yong'inni aniqlashning samarali usullarini topish uchun turli xil algoritmlar amalga oshirildi. Shunday algoritmlardan biri sifatida rangga asos-langan yong'inni aniqlash algoritmi tasvirlangan. Ushbu yondashuv asosida yong'inni aniqlashda rang modelining o'zidan foydalanish samarali natija bera olmaydi. Videotasvirdan yong'inga o'xshash obyektlardan yong'inni ajratib olishda piksellar intensivligining vaqtinchalik o'zgarishini baholash usulidan foydalanilgan. Bunda kadrlar ketma-ket-ligida intensivlikning o'rtacha qiymati olinadi. Taklif etilayotgan usul samaradorligini ko'rsatish uchun OpenCV (Open Source Computer Vision Library) kutubxonasidan foydalanib, Python dasturlash tilida dasturiy ta'minot ishlab chiqildi va natijalar olindi.
Kalit so'zlar: videotasvir, RGB model, HSV model, kompyuter ko'rishi, intensivlik, yong'in pikseli.
ОБНАРУЖЕНИЕ ПОЖАРА ПО ИЗМЕНЕНИЮ ИНТЕНСИВНОСТИ ЦВЕТНОЙ ФИЛЬТРАЦИИ НА ВИДЕОИЗОБРАЖЕНИИ
Ахатов Акмаль Рустамович1,
доктор технических наук, профессор, проректор по международному сотрудничеству;
Тожиев Маъруф Рузикулович2,
докторант кафедры «Компьютерные науки и программирование»;
Ширинбоев Равшан Ширинбой угли2,
магистрант кафедры «Компьютерные науки и программирование»
1Самаркандский государственный университет имени Шарафа Рашидова
2Джизакский филиал Национального университета Узбекистана имени Мирзо Улугбека
Аннотация. В работе рассматриваются достижения в области видеоаналитики и компьютерного зрения, позволяющие автоматически обнаруживать возгорания по видеоданным. Для поиска эффективных методов обнаружения пожара по видео реализованы различные алгоритмы. В качестве одного из них описывается алгоритм обнаружения пожара на основе цвета. Однако использование только одной цветовой модели для обнаружения пожара является неэффективным подходом. В работе предложен метод оценки временных изменений интенсивности пикселей, который используется для извлечения информации о возгораниях из огнеподобных объектов на видеоизображении. В данном методе вычисляется среднее значение интенсивности в последовательности кадров. Для демонстрации эффективности предложенного метода было разработано программное обеспечение на языке программирования Python с использованием библиотеки OpenCV (Open Source Computer Vision Library), были получены соответствующие результаты.
Ключевые слова: видеоизображение, RGB-модель, HSV-модель, компьютерное зрение, интенсивность, пиксель огня.
FIRE DETECTION BY CHANGING THE
INTENSITY OF COLOR FILTERING IN THE VIDEO IMAGE
Akhatov Akmal Rustamovich1,
Doctor of Technical Sciences, Professor,
Vice-Rector for International Cooperation;
Tozhiyev Maruf Ruzikulovich2,
Doctoral Student at the Department of Computer Science and Programming;
Shirinboyev Ravshan Shirinboy ugli2,
Master's Student of the Department of Computer Science and Programming
Samarkand State University named after Sharaf Rashidov
vaqtda ishlash imkoniyatini beradi. Bunday tizimdan video monitoring tizimlarida foydalanib, samarali natijalarga erishish mumkin.
Yong'in xavfsizligini aniqlash sohasida videotasvirlarni rangli filtrlash va intensiv-ligi o'zgarishi asosida xavfsizlikni ta'minlash muhim mavzulardan biridir. Yong'in xavfsiz-ligi mutaxassislari ranglarni filtrlash yon-g'in intensivligi ko'rinishini oshirishda ishla-tilishi mumkinligini tan olishgan. Bunda olov nurlanishidagi yorug'lik to'lqin uzunliklari tarqalishini rangli filtrlar yordamida aniqlash mumkin. Misol uchun, qizil filtrdan olovni qizg'ish rangda ajratib ko'rsatish imkoni mavjud.
Hozirgi vaqtda turli xil yong'in holatlari-da foydalanish uchun optimal rang filtr mavjud emas. Chunki olovning rangi, harora-ti va kimyoviy tarkibiga ko'ra, rang xususi-yati o'zgaruvchan. Shu sababli har xil turdagi yong'inlar uchun qaysi rang filtrlari mos kelishini aniqlash uchun turli yondashuvda-gi tadqiqotlar o'tkazish talab etiladi.
Harakatlanuvchi obyektlarni aniqlash algoritmlaridan, odatda, ehtimoliy yong'in hududlarini topishda foydalaniladi. Bu ko'rinishdagi algoritmlar, asosan, ikki usulda qo'llaniladi: ketma-ket kadrlarni ayirish va fonni ayirish (Toreyin & Cetin, 2007). Birinchi yondashuvda bir kadrdan ikkinchisiga o'tish paytida tasvirlardagi o'zgarishlar hisobga olinadi. Ushbu usulning kamchiligi shundan iboratki, tasvirlarning bir-biriga yaqin bo'lgan maydoni noto'g'ri fon sifatida olinishi mumkin. Ikkinchi yondashuvdagi jarayonda statik fon tasviridan dinamik hududlar ajratib olinadi. Bu usulning kamchiligi shundaki, agar fon tasvirini o'z vaqtida yangilashning iloji bo'lmasa, dinamik hudud sifatida qaralgan maydon noto'g'ri bo'lishi ehtimoli bor. Masalan, o'rmon yong'inlarini aniqlashda bunday yondashuvni qo'llab bo'lmaydi, chunki daraxtlar shamol ta'sirida harakatga keladi. Natijada daraxtlar dinamik obyekt sifatida tasvir maydonini egallaydi.
Yong'inni videotasvirdan aniqlashning yana bir yondashuvi - bu rang model orqali
14
aniqlash usulidir. Celik va boshqalar RGB (Red, Green and Blue) rang modeli yordamida olov rang modelini tasvirlab berdi (Celik, Demirel, Ozkaramanli, & Uyguroglu, 2006). Chen va boshqalar tasvirdagi har bir yong'in pikseli intensivligining chegara qiymatiga bog'liq bo'lgan uchta qoida asosida RGB rang modeli yordamida yong'inni aniqlashni taklif qilgan (Chen, Wu, & Chiou, 2004). Celik va boshqalar olov piksellarining rangini aniqlash uchun YCbCr (Y - brightness, Cb - blue component, Cr - red component) rang modelini ishlab chiqdi (Celik, Ozkaramanli, & Demirel, Fire and smoke detection without sensors: image processing based approach, 2007). Pikselning olov pikseli yoki olov pikseli emasligini bel-gilash uchun aniq bo'lmagan qaror qabul qilish tizimi qo'llaniladi. Videotasvirda olovning dinamik xususiyatlari uni olov rangiga o'x-shash bo'lgan boshqa obyektlardan ajratib olishda muhim xususiyat sifatida qaraladi.
Videotasvirdan yong'inni rang modeli orqali aniqlash maqsadida Philips va bosh-qalar yong'inning dinamik xususiyatlarini bir necha kadrlarda intensivlikning vaqtincha-lik o'zgarishlari asosida aniqlagan (Philips, Shah, & Lobo, 2007). Agar ma'lum pikselning vaqtinchalik o'zgarishi biror chegara qiyma-tidan (olov uchun) katta bo'lsa, olov pikseli sifatida qaraladi. Videotasvirda olov baland-ligini piksellar harakati tufayli vaqt o'tishi bilan o'zgarishi uning xususiyatlaridan biri hisoblanadi. Shu bois bu xususiyat olovning asosiy dinamik xarakteristikasi sifatida qabul qilingan (Zhang, Zhuang, & Du, 2006). Toreyin va boshqalar qisqa vaqt ichida yong'in konturiga tegishli tasvirning har bir RGB tasvir pikselining qizil kanal bo'ylab o'zgarishini kuzatib borgan (Toreyin & Cetin, 2007).
Maqolaning maqsadi rangli filtrlash va intensivlikning vaqtinchalik o'zgarishidan foy-dalangan holda, statik videokamerada olin-gan videotasvirlardan yong'inni aniqlashning yangi yondashuvini taqdim etishdir. Maqola yong'inlarni dastlabki bosqichlarda aniqlash orqali zararni minimallashtirish va hayotni saqlab qolish uchun muhim bo'lgan muam-moni hal qilishga qaratilgan. Yong'inni an'ana-
2 Jizzakh branch of Mirzo Ulugbek National University of Uzbekistan
Abstract. The paper reviews achievements made in the field of video analytics and computer vision, which enable automatic detection of fires, based on video data. Various algorithms have been implemented in sought for effective fire detection methods using video. As one of these, a color-based fire detection algorithm is being described. However, using only one color model for fire detection is an inefficient approach. The paper proposes a method for estimating temporal changes in pixel intensity, which is used to retrieve information about fires from fire-like objects in a video image. This method helps to calculate the average intensity value in a sequence of shots. A special software has been developed in the Python programming language using the OpenCV (Open Source Computer Vision Library) library, and the corresponding findings have been gained in view to demonstrate the effectiveness of the proposed method.
Keywords: video image, RGB model, HSV model, computer vision, intensity, fire pixel.
viy aniqlash tizimlari cheklangan aniqlik va ishonchlilikka ega. Bu esa noto'g'ri signallar va javob berishda kechikishlarga olib keladi.
Material va metodlar
Videotasvirdan yong'inni aniqlashning dastlabki bosqichi tasvir pikseliga asoslangan rang filtrlashdir. Bu bosqichda videokuzatuv kamerasi statik holatda bo'ladi. Bunda videotasvirdan fonni olib tashlash algoritmi alohida bosqich sifatida tahlil qilinmaydi. Ushbu algoritmni amalga oshirish quyidagi afzalliklarga ega:
1) algoritm tezkorligi uni real vaqtda video-tizimlardan foydalanish imkonini beradi;
2) tasvirdan fonni olib tashlashning iloji yo'qligi uni fon tasviri sifatida yangilash zaruratini keltirmagan holda, yong'inlarni aniqlash imkonini beradi;
3) algoritmni amalga oshirish ancha oson.
Keyingi qadamda intensivlikning vaqtin-
chalik o'zgarishi filtrlash va qaror qabul qilish bosqichini o'z ichiga oladi (Tozhiyev, Primqulov, & Khasanov), (Khasanov, Tojiyev, & Primqulov). Taklif etilayotgan algoritmning to'liq jarayoni blok sxemasi 1-rasmda ko'rsa-tilgan.
Rang modeli bilan filtrlash Birinchi bosqichda rang tahlili amalga oshiriladi. Bunda abstrakt matematik rang modellarining fazoviy tahlili qo'llaniladi. Rang modeli sifatida RGB ishlatiladi. Birinchi bosqichda algoritm RGB rang maydonida odatiy olov rangiga ega piksellarni qidiradi.
Tasvirdagi har bir pikselning aniq olov rangiga mosligi quyidagi tenglama asosida tekshiriladi (Tojiyev, Shirinboyev, & Sulaymonova, 2022):
R(x,y) > R0,rta
_ iyK
К i=
LR(x,y) > G(x,y) > B(x,y)J
Ro'rta — KZi=i(Xi,yi)
(1)
I
Keyingi kadrga o'tish
j HA
Tamom
»
Mazkur algoritmdagi shartlar aksariyat yong'in piksellari uchun ishlaydi. Shunday qilib, agar pikselning RGB qiymati berilgan uchta qoida asosida bajarilsa, joriy piksel olov pikseli deb taxmin qilinadi. Ushbu ma'lu-mot yong'in piksellarining alohida tasvirida saqlanadi. Uning o'lchami videotasvirning kadr o'lchami bilan bir xil bo'ladi. Agar yong'in aniqlangan tasvir pikseli RGB rang diapazoniga tegishli bo'lsa, filtrlangan tasvir quyidagi tarzda hisoblanadi (Ruzikulovich, 2022), (Xolboyevich, 2022):
Inlnv (WO = 1
(2)
bu yerda:
К - umumiy piksellar soni; Rg,rta - butun tasvirdagi qizil rangning o'rtacha qiymati;
R(x, y), B(x, y) va G (x, y) - qizil, ko'k va yashil ranglarning (x, y) pikseldagi qiymatlari.
bu yerda: - /-kadrning (x, y) koordinatali pikseli olov pikseli bo'lsa, 1 qiymat, aks holda, piksel nol qiymatga teng bo'ladi.
Videotasvirda dastlabki bosqichning bajarilish natijasi ketma-ketligi 4-rasmda tasvirlangan. Bunda RGB tasvir dastlab birinchi bosqichdan o'tkaziladi. Natijada oq rangli piksellar 1 qiymat, qora rangli piksellar esa 0 qiymatga teng bo'ladi.
Yong'in piksellarining o'rtacha qiymatini h/soblash
Olov tabiatan shaffof bo'lib, uning rangini baholash qisqa vaqt ichida o'rtacha qiymatni hisoblashni talab qiladi. Dastlab har bir kadr rangli xususiyat bilan baholanadi. Oxirgi n ta kadrlar piksellari olov pikselini aniqlash uchun qayta ishlanadi (Tojiyev, Ulug'murodov, & Shirinboyev, Tasvirlar sifatini yaxshilashning chiziqli kontrast usuli [A linear contrast method for improving the quality of images], 2022).
Rangli pikselning olovga tegishlilik ehti-molini hisoblash uchun oxirgi n ta kadrlar uchun o'rtacha qiymat hisoblanadi:
(3)
Agar I piksel qiymati k chegara qiymatidan katta bo'lsa, u holda piksel olov pikseli deb taxmin qilinadi. Shundan so'ng ishlov berilgan yangi tasvir hisoblab chiqiladi:
1-rasm. Taklif qilinayotgan algoritm
1rang
(Y „ П _ f1 a3ar 'o'rtacha^, y, 0 > К
to agarlolrtacha(x,y.0<ik1' (4)
bu yerda k1 - aniqlangan chegara qiymati.
Videotasvirdan olovni aniqlashning ush-bu bosqichi bir nechta kadrlarda taqqosla-nadi. I, va I tasvirlari taqqoslanishini
olov rang A A
5-rasmda ko'rish mumkin. Ushbu misolda n = 5 va = 0,2 qiymatlarni oladi. Shunday qilib, agar I0,rtacha tasvirning bitta pikseli bo'lib, oxirgi 5 ta kadrda kamida ikki marta paydo bo'lgan bo'lsa, bu piksel olov pikseli sanaladi va mos ravishda tasvirning elementi 1 ga teng bo'ladi. Taqqoslashdan ko'rinib turibdiki, kadrlar qatorida ma'lumotlar o'rtacha hisoblanganligi sababli yangi tasvirning joylari I tasvirga qaraganda ko'proq to'yingan (Tumblin & Rushmeier, 1993). Ushbu qadam shovqin piksellarini kamaytirishda ham foydalidir.
Intensivlikning vaqtinchalik o'zgarishi
Videotasvirdan yong'inni to'g'ri aniqlash-da rang bilan yondashuv usuli har doim ham samarali bo'lmasligi mumkin. Bu videotas-virda olovga o'xshagan turli obyektlar borligini anglatadi. Tasvirlar ketma-ketligida olov kabi joylashgan obyektni dastlabki bosqichda aniqlash algoritmni xato ishlashga majbur qiladi. Bunday kamchilikni bartaraf etish uchun biz tasvir intensivligining vaqt bo'yicha o'zgarishini qo'llasak, algoritm samaradorligi oshadi (Larson, Rushmeier, & Piatko, 1997).
Tasvirdan olovni aniqlashda intensiv-likning vaqtinchalik o'zgarishini RGB rang modeli yordamida amalga oshirib bo'lmaydi. Buning sababi RGB modelida uchta kanal ham rang qiymatlarini ifodalaydi va bu kanallar piksellar intensivligi haqida ma'lumotga ega emas. Muammoni hal qilish uchun RGB rang modelini HSV modelga o'zgartirish zarur. Ushbu rang modelining V kanali intensivlik haqida ma'lumotga ega (Ferwerda, Pattanaik, Shirley, & Green-Berg, 1996).
HSV rang modelining V kanalidagi ma'lumotlar, har bir piksel uchun intensiv-likning vaqtinchalik o'zgarishlari n ta kadr bo'yicha hisoblanishi quyidagi tenglama asosida bajariladi:
y)=Sk!MM!, (5)
71—1
bu yerda K(x, y, i) va K(x, y, i - 1) - mos ravishda joriy va oldingi kadrning x va y koordinatalariga ega piksel intensivligi hisoblanadi (HSV rang modelining V kanali) (Durand & Dorsey, 2000).
Ba'zi hollarda intensivlikning bunday o'zgarishi har doim ham to'g'ri natija bermaydi. Masalan, tasvirda yong'in piksellarining miltillash intensivligidan tashqari yorug'lik sharoitlarining o'zgarishi tufayli tasvirning umumiy intensivligi o'zgaradi. Shuning uchun tasvirning har bir yonmaydigan pikseli uchun o'rtacha intensivlik o'zgarishi ham hisoblanadi:
. _2y=i Jotz{xy)
*0'Za ~ Ym. ^P \ 5 (6)
bu yerda m va p - mos ravishda gorizontal va vertikal piksellar sonini ifodalaydi. Ular uchun Irang(x, y) bilan ifodalangan intensivlik qiymati 0 ga teng (Reinhard, Stark, & Shirley, 2002).
Keyingi bosqichda Io'z(x, y) matritsasida-gi har bir pikselning umumiy o'rtacha intensivlik o'zgarishi I aniqlanadi:
M(x,y) = Io,z (xy) - Io,za. (7)
Matritsa A/ - videotasvirdagi piksellar intensivligining haqiqiy vaqtinchalik o'zgarishini ifodalaydi. Atrof-muhitning yorug'lik sharoitidagi o'zgarishlarning ta'siri sezilarli darajada kamayadi (Ferradans, Bertalmio, Provenzi, & Caselles, 2011).
Tasvirdanyong'in pikselini aniqlash
Yuqoridagi ikki bosqichdan so'ng video-tasvirdan yong'in piksellarini samarali aniq-lash mumkin. Agar tasvir pikseli mumkin bo'lgan yong'in pikseli bo'lsa, rangli filtrlash asosida aniqlanadi. So'ngra tasvir intensivligining vaqtinchalik o'zgarishi AI(x, y) chegara qiymatining k2 dan katta yoki yo'qligi tekshiriladi. Agar shunday bo'lsa, piksel, haqiqatan ham, olov pikseli ekanligi aniqlanadi (Drago, Myszkowski, Annen, & Chiba, 2003):
If(x,y) = f
1, agar Irang 0,
Cx,y) = 1 va M{x,y) > fc2 (g) aks holda '
Videotasvirdan yong'inni aniqlashning yakuniy tasviri va (8) formula yordamida olingan natijalar 6-rasmda ko'rsatilgan. Ushbu misolda chegaraviy qiymat = 10. Rasmdan ko'rinib turibdiki, algoritm olovga o'xshash, lekin olovga tegishli bo'lmagan rangga ega piksellarni muvaffaqiyatli filtrlaydi. Yakuniy qismda tasvir faqat olovga mos keladigan piksellarni o'z ichiga oladi.
Yong'inni aniqlashning qaror qabul qilish bosqichi
Yong'inni aniqlashning yakuniy bosqichi - bu videotasvirda yong'in mavjudligi yoki yo'qligini aniqlashdir. Buni oldingi bosqichlarda aniqlangan yong'in piksellari sonini hisoblash va uni oldindan belgilangan chegara qiymati bilan taqqoslash orqali amalga oshirish mumkin. Agar yong'in piksellari soni chegara qiymatidan oshsa, videoda yong'in mavjudligini anglatadi (Duan, Bressan, Dance, & Qui, 2010). Bunday holda, qarordan foydalanib, kompyuter ekranida ogohlantirish xabarini ko'rsatish mumkin.
Tadqiqot natijalari
Ushbu maqolada asosiy e'tibor bir qator tasvirni qayta ishlash algoritmlari orqali videotasvirlarda yong'inni aniqlash-ga qaratilgan. Biz taklif qilayotgan videotasvirdan yong'inni aniqlash usuli natijalari 2- va 3-rasmlarda ko'rsatilgan. Bundan ko'rinib turibdiki, taklif qilingan algoritm
yordamida yong'in holatlari muvaffaqiyatli aniqlangan.
2-rasm. Tasvirdan olovni aniqlash
3-rasm. Tasvirdan olovni aniqlash
Dastlabki bosqichda statik Videokamera orqali tasvirlar ketma-ketligi olinadi. Keyingi bosqichda qizil yoki to'q sariq rangga ega bo'lgan har qanday joylarni ajratish uchun tasvirlarga rang filtrlash algoritmi qo'llaniladi (4-rasm), chunki bu ranglar ko'pincha olov bilan bog'liq.
4-rasm. Videotasvirning asl varianti chap tomonda, RGB filtrdan o'tkazilgandan so'ng hosil
bo'lgan varianti o'ng tomonda
18
05.01.02 - ТИЗИМЛИ ТА^ЛИЛ, БОШКАРУВ ВА АХБОРОТНИ КАИТА ИШЛАШ
Rangni filtrlash jarayonini yaxshilash hamda qizil va to'q sariq ranglar turlarini to'g'ri ajratish uchun RGB va HSV modelidan foydalaniladi.
Ushbu modeldan foydalanish aniqroq filtrlash imkonini beradi va keyingi bosqichlarning samaradorligini oshiradi (5-rasm).
5-rasm. Rangli filtrlangan matritsa (chapda) va o'rtacha qiymatli solishtirish (o'ngda)
Keyingi bosqichda tasvir intensivligining vaqtinchalik o'zgarishi algoritmi tasvirning intensivlik o'zgargan joylarini aniqlash uchun ishlatiladi. Ushbu usul rangni filtrlash algoritmi rang intensivligida sezilarli o'zgarishlar aniqlangan hududlarni topish
imkonini beradi. Bu hududlar yong'in sodir bo'lish ehtimoli yuqori bo'lgan hududlar bo'lishi mumkin (6-rasm). Yong'in piksellarini aniqlash tasvirning rang va intensivlik qiymatlarini tahlil qilish kombinatsiyasi orqali amalga oshiriladi.
6-rasm. Asl videotasvir (chapda) va aniqlashning yakuniy natijasi (o'ngda)
Umuman olganda, ushbu maqolada taqdim etilgan tadqiqot tasvirni qayta ish-lash algoritmlarini qo'llash orqali video-tasvirlarda yong'inni aniqlashning samarali usulini namoyish etadi. Ranglarni filtrlash, HSV modeliga o'tkazish, tasvir intensivligi o'zgarishlarini tahlil qilish orqali yong'in piksellarini belgilash kombinatsiyasi video-tasvirlarda yong'inlarni aniqlashda samarali natijalarni ko'rsatdi.
Tadqiqot natijalari tahlili
Ushbu maqolada olovning rang xusu-siyatlari tahlil qilindi va (HSV (Hue, Saturation, Value), YCbCr (YCbCr (Y -brightness, Cb - blue component, Cr - red component)), Lab (Lightness, Red/Green Value, Blue/Yellow Value), YIQ (Luminance, In-phase, Quadrature)) modellari yordamida xromatik komponentlari testdan o'tkazildi. Olovning rang xususiyatini belgilashda
05.01.02 - ТИЗИМЛИ ТА^ЛИЛ, БОШКАРУВ ВА АХБОРОТНИ КАИТА ИШЛАШ
rang modellaridan eng yaxshisini tadbiq qilish muhim ahamiyat kasb etadi. Shuning uchun yong'inni aniqlash jarayonida rang modeldan foydalanishda aniqlikni va vaqt samaradorligini oshirish uchun videotasvirni qayta ishlash jarayoni amalga oshirildi. O'zida
asosiy ranglarni jamlagan to'rt turdagi olov tasvirlar 1-jadvalda rangning (h) qiymati asosida gistogramma orqali tahlil qilingan (Durand & Dorsey, Fast Bilateral Filtering for the Display of High-Dynamic-Range Images, 2002).
Jadval
Har bir rang modeli bo'yicha to'rt turdagi yong'in tasviri uchun maksimal va minimal rang
qiymati, masshtab qiymati va uzunligi berilgan
HSV YChCr Lab YIQ
a b c d a b c d a b c d a b c d
Yong'in maydoni qiymati max 0.1700 0.1700 0.9900 0.9400 -0.7200 -0.5000 0.3000 0.1600 0.6500 0.8300 1.5000 1.2300 1.4200 1.4300 0.12000
min 0.0700 0.0300 0 0 -1.4200 -1.4300 -1.2700 -1.3700 -0.3300 -0.3000 -1.4700 -1.4600 -1.4600 -1.4600 -1.2400
Masshtab (olov/ diagr) 0.1000 0.1400 0.9900 0.9400 0.2229 0.2962 0.5000 0.4873 0.3121 0.3599 0.9459 0.8567 0.9381 0.9414 0.7948 0.6775
uzunlik 11 15 100 95 71 94 158 154 99 114 298 270 289 290 245 209
Xulosalar
Ushbu maqolada videokuzatuv maydoni-dan olingan tasvirlardan yong'inni aniqlash masalasi ko'rib chiqilgan. Bunda oddiy, qimmat bo'lmagan videokamera orqali yong'inni erta aniqlash algoritmi sinovdan o'tkazildi. Algo-ritm bir necha bosqichdan iborat bo'lib, 1-bos-qichda videotasvir o'qitildi. 2-bosqichda tasvir rang model bilan filtrlash amalga oshirildi. 3-bosqichda tasvir RGB modeldan HSV model-ga o'tkazildi. 4-bosqichda yong'inga o'xshash obyektlarni ajratishda tasvir intensivligining vaqtinchalik o'zgarishi aniqlandi. So'nggi bosqichda videotasvir maydonida yong'in obyekti tadqiq qilindi. Ushbu usul va algoritm-ni amalga oshirishda Python dasturlash tilida OpenCV kutubxonasidan foydalanildi. Shax-siy kompyuter uchun dasturiy ta'minoti ishlab chiqildi. Ushbu dasturiy ta'minot yordamida natijalar olindi.
Maqolada keltirilgan natijalarga asos-lanib aytish mumkinki, yong'in xavfi mav-
jud hududlarni kuzatishda videotahlil va kompyuter ko'rishi texnologiyalaridan foyda-lanish yong'inlarni aniqlash hamda ularga javob berishda katta imkoniyatlar yaratadi. Rang yoki harakatni aniqlashga asoslangan algoritmlar yordamida videoma'lumotlarni tahlil qilish orqali kompyuter ko'rishi texno-logiyalari yong'in mavjudligini avtomatik ravishda aniqlashi va yong'inlar tarqalishi-ning oldini olish yoki bartaraf etish uchun erta ogohlantirish berishi mumkin. Bundan tashqari, kompyuter ko'rishi texnologiyala-rini boshqa sensor va aloqa texnologiyalari, masalan, dronlar va simsiz tarmoqlar bilan integratsiyalash atrof-muhit videomonitorin-gi tizimlari, o'rmon yong'inlarini kuzatish, ishlab chiqarish sanoat hududlarini nazorat qilish va boshqa jabhalarda yaxshi samara beradi. Shunday qilib, yong'inlarni o'chirishda kompyuter ko'rishi texnologiyalarini ishlab chiqish va qo'llash keyingi tadqiqotlar va innovatsiyalar uchun istiqbolli yo'nalishdir.
REFERENCES
1. Celik, T., Demirel, H., Ozkaramanli, H., & Uyguroglu, M. (2006). Fire detection using statistical colour model in video sequences. Proceedings of the IEEE International Conference on Acoustics, Speech and Signal, pp. 213-216.
2. Celik, T., Ozkaramanli, H., & Demirel, H. (2007). Fire and smoke detection without sensors: image processing based approach. Proceedings of the European Signal Processing Conference.
ИЛМ-ФАН ВА ИННОВАЦИОН РИВОЖЛАНИШ НАУКА И ИННОВАЦИОННОЕ РАЗВИТИЕ SCIENCE AND INNOVATIVE DEVELOPMENT
PRINT ISSN 2181-9637 ONLINE ISSN 2181-4317 2/2023
3. Chen, T., Wu, P., & Chiou, Y. (2004). An early fire-detection method based on image processing. Proceedings of the IEEE International Conf. on Image Processing (ICIP), pp. 1707-1710.
4. Drago, F., Myszkowski, K., Annen, T., & Chiba, N. (2003). Adaptive logarithmic mapping for displaying high contrast scenes. Comput. Graph. Forum(22), pp. 419-426.
5. Duan, J., Bressan, M., Dance, C., & Qui, G. (2010). Tone-mapping high dynamic range images by novel histogram adjustment. Pattern Recognit(43), pp. 1847-1862.
6. Durand, F., & Dorsey, J. (2000). Interactive Tone Mapping, in: Rendering Techniques. Proceedings of the Eurographics Workshop, (pp. 219-230). Brno, Czech Republic.
7. Durand, F., & Dorsey, J. (2002). Fast Bilateral Filtering for the Display of High-Dynamic-Range Images. ACM Trans. Gr.(21), pp. 257-299.
8. Ferradans, S., Bertalmio, M., Provenzi, E., & Caselles, V. (2011). An analysis of visual adaptation and contrast perception for tone mapping. Pattern Anal. Mach. Intell. (33), pp. 2002-2012.
9. Ferwerda, J., Pattanaik, S., Shirley, P., & Green-Berg, D. (1996). A model of visual adaptation for realistic image synthesis. Proceedings of the 23rd Annual Conference on Computer Graphics and Interactive Techniques, (p. 98). New York.
10. Khasanov, D., Tojiyev, M., & Primqulov, O. (n.d.). Gradient Descent In Machine. Proceedings oif the International Conference on Information Science and Communications Technologies (ICISCT). Retrieved from https://ieeexplore.ieee.org/document/9670169
11. Larson, G., Rushmeier, H., & Piatko, C. (1997). A visibility matching tone reproduction operator for high dynamic range scenes. IEEE Trans. Vis. Comput. Graph.(3), pp. 291-306.
12. Philips, W., Shah, M., & Lobo, N. (2007). Flame recognition in video. Istanbul.
13. Reinhard, E., Stark, M., & Shirley, P. (2002). Photographic tone reproduction for digital images. ACM Trans. Graph.(21), pp. 267-276.
14. Ruzikulovich, T. (2022). Neyron tarmoq algoritmlari yordamida murakkab fondagi belgilarni aniqlash algoritmlari [Algorithms for detecting characters in complex backgrounds using neural network algorithms]. International Journal of Contemporary Scientific and Technical Research, pp. 238-241.
15. Tojiyev, M., Shirinboyev, R., & Sulaymonova, M. (2022). OpenCV kutubxonasida tasvirlarga rang modellari bilan ishlov berish [Processing images with color models in the OpenCV library]. Current Problems and Development Trends of modern Innovation Research: Solutions and Perspectives, 1(1), pp. 212-215.
16. Tojiyev, M., Ulug'murodov, S., & Shirinboyev, R. (2022). Tasvirlar sifatini yaxshilashning chiziqli kontrast usuli [A linear contrast method for improving the quality of images]. Current Problems and Development Trends of Modern Innovation Research: Solutions and Perspectives, 1(1), pp. 215-217.
17. Toreyin, B., & Cetin, A. (2007). Online detection of fire in video. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-5. Minneapolis.
18. Tozhiyev, M., Primqulov, O., & Khasanov, D. (n.d.). Image segmentation in OpenCV and Python. doi:10.5958/2249-7137.2020.01735.8
19. Tumblin, J., & Rushmeier, H. (1993). Tone reproduction for realistic images. IEEE Comput. Graph. Appl.(13), pp. 42-48.
20. Xolboyevich, A. (2022). Pythonda chiziqli regressiya [Linear Regression in Python]. International Journal of Contemporary Scientific and Technical Research, pp. 233-238.
21. Zhang, J., Zhuang, J., & Du, H. (2006). A new flame detection method using probability model. Proceedings of the International Conference on Computational Intelligence and Security, pp. 1614-1617.
Taqrizchi: Rahimov N.O., t.f.d., dotsent, "Axborot texnologiyalarining dasturiy ta'minoti" kafedrasi mudiri, Muhammad Al-Xorazmiy nomidagi Toshkent axborot texnologiyalari unversiteti.
PRINT ISSN 2181-9637 ONLINE ISSN 2181-4317 2/2023
ИЛМ-ФАН ВА ИННОВАЦИОН РИВОЖЛАНИШ НАУКА И ИННОВАЦИОННОЕ РАЗВИТИЕ SCIENCE AND INNOVATIVE DEVELOPMENT
