Delist.ru

Методы видеонаблюдения, сегментации и сопровождения движущихся объектов (30.01.2008)

Автор: Обухова Наталия Александровна

Шаг 2: Идентификация методом наименьших квадратов параметров модели а. Определение параметров выполняют по найденным векторам движения U. При этом вычисляют разницу между измеренным вектором движения и его оценкой. Чем меньшей погрешностью характеризуются измерения, тем больший вес

получают найденные вектора при идентификации параметров модели.

Шаг 3: Расчет по модели значений векторов скорости для каждого из блоков.

Масштабирование модели выполняют один раз после обнаружения начала движения объекта. Обновления параметров модели и расчет по модели оценок векторов движения проводят в течение всего времени формирования панорамы, через заданное число кадров, определяемое средней скоростью движения объекта.

0,999985.

Полученные показатели обеспечивают все заявленные выше характеристики формируемого панорамного изображения и позволяют реализовать основные функциональные особенности интеллектуальной системы видеонаблюдения.

Четвертая глава посвящена разработке методов анализа видеоданных, обеспечивающих функциональные особенности интеллектуальных систем сегментации и сопровождения; предложена процедура предварительной классификации изображения на основе признака детальности; разработан метод сегментации объектов интереса по совокупности признаков на основе нечеткой кластеризации при незаданном числе кластеров; введена обобщенная модель формы объекта в виде эллипсов рассеивания Гаусса; предложен метод сопровождения объектов интереса, основанный на введении гауссовой модели объекта с обновляемыми параметрами.

Функциональные особенности интеллектуальной ТВ системы сегментации и сопровождения определяют совокупность требований к применяемым в них методам обработки видеоданных: необходимо обеспечить минимальную ошибку сегментации, сегментацию изображений объектов, находящихся в непосредственной близости друг к другу и на сложном фоне; на этапе сопровождения разрешить ситуации окклюзии, слияния и разделения объектов интереса.

Для реализации перечисленных задач предложен метод сегментации и сопровождения неточечных объектов с жестким движением (неподвижные объекты рассматриваются как частный случай: движение с нулевой скоростью), основанный на совокупности признаков с использованием методов нечеткой логики.

Использование математического аппарата нечеткой логики обусловлено отсутствием априорной информации об объектах интереса: количество объектов, данные об их форме и размерах неизвестны.

Как наиболее информативные выделены признаки: детальность, движение и форма.

Признаки детальности, движения и пространственной связности используют для первоначальной сегментации объектов интереса, на этапе сопровождения дополнительно применяют признак формы.

На основании признака детальности, под которым понимают уровень высокочастотной энергии в фрагменте изображения заданного размера (2) выполняют предварительную классификацию.

Процедура предварительной классификации включает: предобработку изображения с целью подчеркивания высокочастотной составляющей; оценку уровня детальности блоков изображения; пороговую обработку.

Для предобработки изображения применяют многомасштабный морфологический градиент

. В соответствии с выражением (6) значения градиентов рассчитывают трижды с использованием структурных элементов различной размерности, а затем результаты складывают.

– инвариантность к свойствам изображения.

Распределение оценок детальности блоков изображения в кадре имеет зависимость Релея. Бинарный характер проводимой классификации и известный закон распределения оценок детальности позволяет реализовать пороговое ограничение.

- оценка его достоверности

Предложено сегментировать объекты, объединяя блоки в группы на основе схожести признаков для блоков одной группы и отличий между группами. Этот подход в аппарате нечеткой логики называется кластеризацией. В терминах нечеткой логики блоки – это элементы, подлежащие кластеризации (объединению), объекты интереса – кластеры.

Задачу сегментации объектов интереса при отсутствии априорной информации следует рассматривать как нечеткую кластеризацию при неизвестном числе кластеров.

Исходной информацией для кластеризации является матрица наблюдений

каждая строка которой представляет собой значения n признаков одного из M элементов кластеризации.

Нечеткие кластеры описывают матрицей возможностного нечеткого разбиения:

принимает значения из интервала [0, 1].

Матрица возможностного нечеткого разбиения должна обладать следующими свойствами

Для определения центров потенциальных кластеров применен алгоритм горной кластеризации.

Потенциал центров кластеров определен выражением:

Расстояние между вектором признаков потенциального центра и элемента кластеризации:

– найденный вектор движения и его достоверность для блока, являющегося элементом кластеризации.

В качестве центров кластеров выбирают точки с максимальным потенциалом («горные вершины»). Центром первого кластера назначают точку с наибольшим потенциалом. При выборе следующего центра кластера исключают влияние найденного кластера. Для этого значения потенциала оставшихся возможных центров кластеров пересчитывают:

– положительная константа.

определены степенью принадлежности элемента (блока) кластеру (объекту), которое задано расстоянием между вектором признаков блока и вектором признаков центра кластера.

до одного из ранее включенных в кластер блоков (на первом шаге ( к центру кластера).

, составленного из взвешенных значений частных признаков

переменных весовых коэффициентов учитывает динамику свойств объектов интереса и окружающей обстановки.

– масштабный коэффициент.

Сопровождение объектов интереса реализовано на основе обобщенной модели формы Гаусса и с использованием теории нечетких множеств. Анализируют соответствие вектора признаков фрагмента изображения (блока) векторам признаков объектов, сегментированных на предыдущем шаге.

блоков, соответствующих модели движения объекта g

– оценка координат центра тяжести объекта в кадре t+1 на основе координат центра тяжести в кадре t.

загрузка...