Delist.ru

Методы видеонаблюдения, сегментации и сопровождения движущихся объектов (30.01.2008)

Автор: Обухова Наталия Александровна

Проведенный анализ обработки видеоданных в системах сегментации и сопровождения позволяет сделать следующие выводы

Применение методов обработки на основе одного признака сегментации яркости, текстуры, формы, контура или движения не позволяет одновременно реализовать все перечисленные функциональные особенности интеллектуальной ТВ системы в полной мере при указанных свойствах объектах интереса и сложных условиях наблюдения.

Учет только одного признака не обеспечивает устойчивую сегментацию и сопровождение при существенной динамике свойств объекта интереса. При длительном сопровождении меняются свойства объекта (объект останавливается, маневрирует и меняет ракурс, частично заходит в тень и т.д.) и, соответственно, признак, по которому ранее успешно выполнялась сегментации теряет эффективность.

Для реализации перечисленных требований необходим принципиально новый подход: следует использовать не один признак, а совокупность признаков, отвечающих свойствам объекта интереса в разные моменты времени. Таким образом, для систем сегментации и сопровождения необходимо разработать принципы и методы сегментации по совокупности признаков.

Ключевой особенностью объектов интереса как при видеонаблюдении, так и при сегментации и сопровождении является движение. Достоверная и точная оценка признака движения является основой для решения сформулированных выше задач. Это требует разработки методов оценки признака движения, обеспечивающих его эффективное применение в прикладных ТВ системах.

Во второй главе: сформулирован критерий оценки эффективности методов определения векторов движения в прикладных ТВ системах; проведен анализ эффективности существующих методов определения векторов движения согласно предложенному критерию; на основе экспериментальных данных найдена функция достоверности, позволяющая априорно определить вероятность корректного нахождения вектора движения в зависимости от оценки уровня детальности изображения в блоке; на основе экспериментальных данных найдена функция значимости, позволяющая априорно определить вероятность существования ненулевого вектора движения в зависимости от модифицированной оценки уровня абсолютной межкадровой разности; разработан метод определения векторов движения с учетом априорных оценок их достоверности и значимости; обоснована необходимость субпиксельной оценки векторов движения; разработаны и исследованы методы субпиксельной оценки векторов движения на основе несимметрии целевой функции в области точки минимума и на основе многомасштабной межкадровой разности.

Главным признаком, положенным в основу разрабатываемых методов видеонаблюдения, сегментации и сопровождения, является движение. Его наиболее информативная оценка – вектора движения.

Основой определения векторов движения является уравнение оптического потока:

) – вектор движения.

Анализ уравнения оптического потока (1) показывает:

1. Уравнение является плохо обусловленным.

отличны от нуля (имеют место изменения яркости по горизонтали и вертикали). В случае однородной, нетекстурированной поверхности или текстуры только в одном направлении достоверную оценку векторов найти нельзя.

3. Уравнение (1) получено из предположения о постоянной яркости точки (пикселя) при ее движении. Подсветка, тени, блики, прозрачные и зеркальные поверхности нарушают это утверждение и приводят к ошибкам при определении векторов движения.

Вектора движения, методы и алгоритмы их определения были разработаны для стандартов видеокомпрессии MPEG 1,2,4 для обработки изображений студийного качества, где соблюдаются требования текстурированности и постоянства яркости.

При работе в сложных условиях наблюдения с определенным в рамках решаемой задачи классом объектов требования существования пространственных яркостных производных и постоянства яркости при движении точки (пикселя) вдоль траектории нарушаются. Изображение объектов интереса имеет низкую текстурированность. При видеонаблюдении на открытом воздухе высока вероятность изменения уровня освещенности, появления солнечных бликов, теней и др. Не соблюдение обоих требований порождает появление аномальных векторов – векторов, не отражающих реальное движение в кадре.

Тяжесть последствий от аномальных векторов движения в прикладных ТВ системах значительна: рассегментация объектов интереса, снижение точности моделей движения, потеря объекта при сопровождении и др. Это определяет критерий оценки эффективности методов и алгоритмов определения векторов движения в прикладных ТВ системах – уровень достоверности:

– число аномальных векторов в общем числе найденных

. Этот уровень недостаточен для эффективного применения векторов движения в прикладных ТВ системах. Необходима разработка новых методов определения векторов движения, учитывающих особенности объектов интереса, и свойства видеоданных, получаемых в сложных условиях наблюдения.

В методе совмещения блоков задачу определения векторов движения решают путем минимизации целевой функции, характеризующей степень соответствия (совпадения) двух блоков, на множестве различных положений обрабатываемого блока в области поиска. Результаты решения этой задачи определены видом целевой функции, которая зависит от уровня детальности изображения в блоке (таблица 1).

Под уровнем детальности изображения в блоке будем понимать:

Таблица 1

Dm(k,l) Описание блока Рельеф (ось X –смещение блока по горизонтали ; ось Y –смещение блока по вертикали; ось Z – значение целевой функции) Линии равного уровня

(ось X – смещение блока по горизонтали ; ось Y – смещение блока по вертикали) Характер функции

Унимодальная целевая функция с ярко выраженным минимумом

Унимодальная целевая функция с существенно плоским участком в области минимума («овраг»)

– координаты левого верхнего угла блока изображения; k,l – номер блока по горизонтали и вертикали; N,M – число пикселей блока по горизонтали и вертикали.

0,1 – параметр модели, численное значение которого определено на основе экспериментальных данных методом нелинейного программирования.

– минимальный уровень детальности в блоке, обусловленный шумами

– число блоков в изображении.

, то с большой вероятностью вектор движения равен нулю. Искать векторы движения целесообразно только в тех блоках, где произошли какие-либо изменения.

4 – параметр модели, численное значение которого найдено на основе экспериментальных данных методом нелинейного программирования (рис.1).

Модифицированная оценка уровня абсолютной межкадровой разности:

собственно уровень абсолютной межкадровой разности

– оценка абсолютной межкадровой разности блока, обусловленная присутствием шумов:

На основе найденных функций предложен метод определения векторов движения с учетом их априорных оценок достоверности и значимости.

(это блоки с высоким уровнем детальности, но низкой абсолютной межкадровой разностью) без выполнения процедуры поиска присваивают нулевые векторы движения.

представляет самостоятельную ценность: ее учет на дальнейших этапах обработки позволяет реализовать взвешенную оценку признака движения.

Таким образом, предложенный метод позволяет находить трехкомпонентные вектора движения с заданным уровнем достоверности, одновременно, снижая вычислительные затраты по определению поля векторов движения в 10 – 20 раз.

Необходимость обработки изображений объектов, обладающих медленным движением (видимая скорость движения в плоскости кадра менее 1 пикселя), движением со скоростью, не кратной целому числу пикселей, а также различение объектов с близкими скоростями движения требует субпиксельной оценки векторов движения.

Для субпиксельной оценки векторов движения предложено два метода: интерполяционный метод и метод, основанный на многомасштабной межкадровой разности.

загрузка...