Диссертация (Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений), страница 12

Автонастройка внутренних параметров системыПри первом исследовании алгоритма было замечено, что чем меньшефлуктуация числа точек, обнаруженных как подстилающая поверхность, тем85надежнее будет происходить обнаружение препятствий. В связи с этимизначально был введен эмпирический критерий работы алгоритма: дисперсиячисла точек подстилающей поверхности (в дальнейшем эту величину длясокращения будем назвать дисперсией результатов).Валгоритмеучаствуетпороговоезначениеτ,определяемоевыражением (2.1). Зависимость дисперсии от τ представлена на рис.

3.4.Рис. 3.4. Зависимость дисперсии результатов от расстояния МахаланобисаЭтот результат получен при обобщении графиков различных сцен.График зависимости для одной из сцен представлен на рис. 3.5.Как видно из графика для частного случая, функция имеет какглобальный минимум, так и локальные минимумы. Следовательно, возможнаавтоматическая автоподстройка системы. Для этого необходимо найтирасстояние Махаланобиса, при котором достигается глобальный минимум.Чтобы достичь этого необходимо построить весь график, что занимаетнемало времени (для определения дисперсии требуется не менее 15 кадров,86что составляет 0.75 сек, при соотношении кадр/сек = 20, следовательно, дляпостроения графика потребуется 7.5 сек).Рис.

3.5. Зависимость дисперсии результатов от расстояния Махаланобиса для конкретнойсценыСледует заметить, что автоподстройка системы необходимо только пристарте системы. При дальнейшей работе системы, достаточно отслеживатьнезначительные изменения порогового значения.Послеразработкивиртуальнойсредыпоявиласьвозможностьстатистически оценить качество работы системы. При работе нашегоклассификаторачастьпикселейотноситсякклассуподстилающейповерхности, часть к классу фона (препятствия), при этом могут возникатьошибки первого и второго рода. Для понимания ошибок первого и второгорода приведена таблица сопряженности (табл. 3.1), которая строится наоснове решения, принимаемого классификатором [35, 37].87Таблица 3.1 Сопряжѐнности алгоритма классификацииЭталонКлассификаторПоложительноеОтрицательноеПоложительноеTPFPОтрицательноеFNTNВозможно четыре исхода классификации:TP (true positive) – правильное обнаружение (пиксельотнесен к подстилающей поверхности);TN (true negative) – верно классифицированный пиксельпрепятствия или фона;FN (false negative) – пиксель подстилающей поверхностиопределился как препятствие (ошибка 1-го рода);FP (false positive) – пиксель препятствия/фона обнаруженкак подстилающая поверхность (ошибка 2-го рода).При анализе удобно оперировать не абсолютными значениями этихвеличин, а относительными показателями:доля истинно положительных примеров (TPR):TPR TP;TP  FNдоля ложно положительных примеров (FPR):FPR FP;FP  TNчувствительность модели:Se  TPR TP;TP  FNспецифичность модели:Sp  1  FPR TN;FP  TNточность системы:88AПриисследованииTP  TN.TP  TN  FP  FNалгоритмовбыла(3.1)построеназависимостьспецифичности и чувствительности модели от порогового значения длярасстояния Махаланобиса.

График зависимостей представлен на рис. 3.6.Рис. 3.6. Зависимость специфичности и чувствительности модели от порогового значенияИз графика видно, что при малом пороговом расстоянии небольшаячасть пикселей, классифицируются как подстилающая поверхность, ивеличина ошибок первого рода велика. Такой эффект возникает из-за тогочто большинство пикселей относятся к фону, так как из-за малого пороговогорасстояния алгоритм не в состоянии определить принадлежность схожегопикселя к подстилающей поверхности. Ошибок второго рода нет. Наоборот,с ростом пороговой величины наблюдается обратная ситуация. Большинствопикселейбудетопределенокакподстилающаяповерхность,апрепятствия/фон обнаружены не будут.

Таким образом, область малыхзначений порогового параметра и область больших значений соответствуютнерабочей системе. В первом случае нельзя будет сдвинуться с места, во89втором можно испортить МРП, въехав в препятствие. При параметре τ = 6будет достигаться наилучшая вероятность обнаружения как пикселей пола,так и препятствий.Для оценки качества работы можно воспользоваться параметромточности, определяемым выражением (3.1).

Зависимость точности отпорогового значения представлена на рис. 3.7.Рис. 3.7. Зависимость точности правильного обнаружения от порогового значенияВидно, максимальное значение точности составляет 0,95 и величинаточности лежит между значениям 0,5 и 1. Это связано с тем, что тестовыеизображения делится примерно 50/50 между фоном и подстилающейповерхностью. Таким образом, если величина A будет меньше 0,75, то этобудетсоветоватьподстилающейтому,чтомыповерхности,тообнаружилиестьполовинуравносильнофонаилиугадыванию.Следовательно, можно считать, что система не работает.Анализ графиков 3.4 и 3.7 показывает, что точность системы будеткоррелироватьсвеличинойдисперсииточек,обнаруженныхкакподстилающая поверхность.

Для оценки похожести графиков использовалсялинейный коэффициент корреляции (коэффициент корреляции Пирсона):90rpD cov pD p D( p  p)( D  D) ( p  p ) ( D  D )2p1 n pi ,n i 1D1 nDi .n i 12,Зависимость линейного коэффициента корреляции между точностьюсистемы и дисперсией результатов от порогового значения расстоянияМахаланобиса изображения на рис. 3.8.Из графика видно, что при пороговом значении 6, точностьобнаружения максимальна, в то время как дисперсия числа точекминимальна.

При значении порогового расстояния Махаланобиса < 3,5величины слабо коррелируют между собой, что объясняется нестабильнойработой алгоритма.Рис. 3.8. Зависимость линейного коэффициента корреляции от порогового значениярасстояния Махаланобиса913.3. Исследование параметров освещения, влияющих на работусистемы3.3.1. Исследование влияния типа внешнего освещения на точностьработы системыВ основе работы алгоритма обнаружения лежит процедура, связанная сраспознаваниемцветовыхособенностейэталоннойобласти.Цветподстилающей поверхности, попадающей в объектив телекамеры, зависит нетолько от физических свойств отражающей поверхности, но и от спектрападающего света.

Поэтому в комплекс исследований алгоритма быливключены эксперименты по определению данной зависимости.Перед проведением эксперимента были выполнены подготовительныеработы. Камера жестко фиксировалась и направлялась на подстилающуюповерхность, на нее выкладывалось препятствие простой формы, сильноотличающееся по цвету. В данном случае производилась ручная разметкаодного кадра. Так как препятствие было простой формы, то выполнитьразбиение было простой задачей. Таким образом, если камера жесткозафиксирована и в сцену не вносятся никакие изменения, то можно считать,подготовленную маску правильной для всего видео, получаемого стелекамеры.

В ходе эксперимента рабочая сцена последовательно освещаласьпятью различными источниками света, которые, соответственно,имелиразличный спектральный состав излучения. В опыте использовались:светодиоднаялампа,прямыесолнечныелучи,лампанакаливания,естественное освещение в облачную погоду и люминесцентная лампахолодного белого цвета. Длительность эксперимента составляла 200 с, чтопри частоте кадров на входе алгоритма в 25 кадр/с давало приблизительно5000 измерений для каждого типа освещения.Зависимость точности обнаружения от типа освещения показана нарис. 3.9.Из результатов эксперимента видно, что самые плохие результатыполучилисьприиспользованиилюминесцентной92лампы(точностьобнаружения 93%). Это можно объяснить неравномерностью спектральногосостава света.

Их спектральный состав в отличие от естественного освещенияи ламп накаливания (которые имеют гладкий непрерывный спектр в видимойобласти) является линейчатым (дискретным). Это хорошо видно на рисунках3.1.Наилучшую точность распознавания среди искусственных источниковсвета дала лампа накаливания (точность обнаружения 94.5%) и естественноеосвещение. Это связано с тем, что эти источники света дают широкий спектризлучаемого света и равномерную освещенность, что дает высокие значениянасыщенности цветов.

Следует обратить внимание, что для всех источниковсвета точность обнаружения приемлемая и система вполне работоспособна.Таким образом, все типы источников света пригодны для использования.Рис. 3.9. Зависимость точности правильного обнаружения от типа освещения933.3.2. Изучение влияния интенсивности освещения на точностьобнаруженияОднимизважныхвнешнихпараметров,характеризующихисследуемую сцену, является освещенность, измеряемая в люкс (лк). Поопределению освещенность это величина, численно равная отношениюсветового потока, падающего на маленький участок поверхности к егоплощади. При низких значениях освещенности матрица телекамеры неспособна распознать цвета и переходит в режим оттенков серого. В этомрежиме остается информация только об интенсивности пикселей, а о цвететеряется.

Высокие значения освещенности также приводят к утере цветовойинформации, так изображение может получиться засвеченным [34].В этом эксперименте, как и в предыдущем на камеру поступалостатичное изображение, для которого была сделана предразметка всехпикселей на принадлежность препятствию/подстилающей поверхности.На расстоянии двух сантиметров от препятствияустанавливалсядатчик измерения освещенности - люксметр, который подключался кмультиметру (DT-21) с соответствующей функцией.

Для освещения рабочейзоны использовалось обычное комнатное освещение с одной лампойнакаливания мощностью 60 Вт, которая подключалась к электрической цепичерезрегулятормощности–диммер.Освещаемоепрепятствиерасполагалось в 3 м от лампы накаливания (рис. 3.10).Максимальная мощность, выставленная на диммере соответствовалапоказанию мультиметра 52 лк освещенности. Регулировка диммераосуществлялась таким образом, чтобы с каждым шагом освещенность сценыпадала на 3 лк (обусловлено характеристиками данного типа диммера). Длякаждого выставленного значения диммера сцена снималась в течение двухминут. С учетом частоты кадров входной видеопоследовательности 25 кадр/сдля каждого значения освещенности были получены по 3000 изображений ибыларассчитанаточностьправильного94обнаружения.Поитогамисследования был построен график зависимости точности обнаружения отосвещенности сцены (рис. 3.11).Рис.

3.10. Схема проведения эксперимента по влиянию освещѐнностиРис. 3.11. Зависимость точности обнаружения от освещѐнности95Анализ графика показывает, понижение освещенности сопровождается,уменьшением точности обнаружения, что соответствуетпотере цветовойинформации и невозможности правильно выделять цветовые признаки.Граница работоспособности алгоритма составляет 25 лк (вероятностьправильного обнаружения 50%).3.4. Изучение влияния шума на работу системы3.4.1. Виды используемых шумовВ процессе работы на систему обнаружения препятствий могут влиятьшумы различной природы. На разных этапах работы системы причинывозникновения шумов могут быть различными.