Первой С.В. Система видеонаблюдения для предотвращения критических ситуаций в прибрежной акватории (Система видеонаблюдения для предотвращения критических ситуаций в прибрежной акватории), страница 6

Решения такой задачи усложняется тем, чтоводная поверхность представляет собой нестационарное текстурноеизображение, которое имеет искажения из-за солнечных бликов.На рисунке 2.1.1 приведен пример изображения водной поверхности смалым воднотранспортным средством.Рис. 2.1.1Кроме того, на кадрах видео может находиться несколько объектов и, тогдавозникает задача распознавания, наиболее подходящего для цели поиска,воднотранспортного средства.Существует достаточно много судовых и береговых визуальных систем,которые предназначены для обнаружения и классификации судов.В частности, охранная система FLIR использует тепловизор, а такжекамеры оптического диапазона. В такой системе используется метод главныхкомпонент для формирования признакового описания силуэта корабля и егоклассификации [22,23]. Система также позволяет осуществлять маркировкунайденных объектов и осуществлять их трекинг.Общая схема алгоритма, приведенная на рисунке 2.1.2, заключается всегментировании анализируемого изображения (или кадра видео), определениилинии горизонта и выделении краев (границ) выделенных объектов.29Рис.

2.1.2При этом процедура трекинга объектов (в случае нахождения в поле обзоракамеры нескольких обнаруженных объектов) обычно строится на базе различныхмодификаций алгоритма MHT (Multiple Hypothesis Tracking) [24].Большое значение для процедуры поиска подвижных объектов на морскойповерхности, при использовании только камер оптического диапазона, имеетрешение задачи выделения и удаления фона.Традиционно алгоритмы, используемых для выделения и построениямодели фона, разделяются на следующие классы: рекуррентные процедурывыделения фона и процедуры статистического построения моделей фона пообучающей выборке.Рассмотрим основные рекуррентные алгоритмы.В предположении, что фон изображения имеет независимые значенияинтенсивности для каждой локализации его пикселей, простейшая процедураформирования фона может быть описана с помощью следующей итерационнойпроцедуры [25]:Bt 1    It  (1   )  BtЗдесь:Bt - текущее изображения фона;I t - текущий кадр (изображение); - весовой коэффициент (обычно  [0.01,0.1] ).30(2.1.3)Если считать, что выделяемые объекты занимают небольшую частьизображения, а интенсивность пикселей фона имеет гауссово распределение, тона кадре I t не будет выделяемых объектов, если выполняется условие:| It  Bt | k   t ,(2.1.4)гдеk - некоторая заданная величина; t - средне – квадратичное значение разброса интенсивностей пикселей кадра I t .Когда выделяемые подвижные объекты плохо различимы наподстилающей поверхности, то можно использовать адаптивную модельвыделения фона, основанную на применении фильтра Калмана [26].

В этомслучае текущее изображение фона вычисляется с помощью соотношения:Bt 1  Bt  (1  (1  M t )   2  M t )  Dt ,(2.1.5)гдеBt - изображение фона в момент t ;Dt  It  Bt - разность между кадром и фоном в момент t ;M t - бинарная маска движущихся объектов.Выбор значений параметров 1 ,  2 основывается на оценке скоростиизменения фона (обычно 1  0.1, 2  0.01 ). Оценка текущей бинарной маскиM t ( x) для пикселя x  I t строится на основе следующего выражения:M t ( x) 1, | Dt ( x) | Tt0, | Dt ( x) | Tt(2.1.6)Здесь значение порога I t определяется границей интенсивности пикселейпереднего плана движущихся объектов с учетом шума измерений.Для построения статистической модели фона можно также использоватьнепараметрическое оценивание на основе ядерных оценок [27].

Пусть известно,что пиксель кадра xt в момент t принимал L значений {x1 , x2 ,..., xL } . Тогдаядерная оценка плотности вероятности интенсивности пикселя может бытьзаписана в виде:pˆ ( xt ) 1 L  F ( xt  xi )L i 131(2.1.7)Обычно в качестве ядерной функции F (.) принимается нормальная гауссовафункция. Тогда, принимая условие независимости цветовых каналов, оценкаплотности вероятности можно выразить с помощью следующего соотношения:pˆ ( xt ) dL11  eL i 1 j 1 2 2j( xt , j  xi , j )22 2j,(2.1.8)где d  3 - количество цветовых каналов.Отсюда фон (пиксели заднего плана) будут определяться из условияp( xt )  th , где порог t h будет определяться из условия ложно – положительнойоценки выявления объекта на анализируемой сцене.

Указанная выше ядернаяоценка может быть вычислена очень быстро на основе анализа разностей( xt  xi ) , получаемых при анализе текущих кадров, и заданной ширины окна j , j  1, 2,3 . Предварительную оценку ширины окна для каждого цветовогоканала можно получить из обучающей последовательности изображений,вычислив среднюю интенсивность m j пикселей фона. В этом случае ширинуокна можно определить с помощью формулы:j mj(2.1.9)0.68 2Ко другому классу алгоритмов, строящих модель фона на основестатистической обработки выборки ранее полученных изображений, можноотнести следующие процедуры.Метод ядерных оценок используется, если распределение интенсивностипикселей значительно отличается от гауссова распределения.

В основе данногометода лежит аппроксимация исходного распределения фона суммой конечногочисла гауссовых распределений (EM – метод) [28]. При таком подходепредполагается, что плотность вероятности p( xt ) интенсивности пикселя xtкадра в момент t оценивается как:Kwjj 1d2p( xt )  (2 )  |  j |12e1 ( xt   j )T j 1 ( xt   j )2Здесь:32(2.1.10)xt  R d (в случае полноцветного изображения RGB d  3 ; в случаеполутонового изображения d  1);K - количество гауссовых распределений, участвующих в формированииизображения; j ,  j - среднее и ковариационная матрица (обычно принимается  j   j  E , гдеE - единичная матрица соответствующей размерности) для j - гораспределения; w j - вес соответствующего распределения.Если принять, что выделяемые объекты на изображении имеют пикселипереднего плана (то есть имеют большую интенсивность), то изображение фонадля момента t будет характеризоваться маской, построенной по следующемуправилу [29]:rBt  arg min(rwjj 1 Tt )Kw(2.1.11)jj 1Здесь порог T определяет общий вес всех областей кадра в момент t , которыеопределяют текущий фон изображения.Для выделения фона, можно также использовать метод главныхкомпонент, обладающий высокой вычислительной эффективностью [28].

Вданном методе изображение (кадр) I t представляется в виде:It  L  S ,(2.1.12)гдеL - матрица низкого ранга (матрица фона).Матрица S представляет собой пространственную матрицу, включающуюненулевые элементы, соответствующие объектам на изображении. Тогда задачунахождения матрицы L можно привести к следующей оптимизационнойпроблеме [30]:min || L ||SVD  || S ||1L , S : A L  s(2.1.13)где|| . ||SVD - норма, определяемая в понятии сингулярных чисел [141];33|| . || - l1 норма, определяемая для изображения, как сумма элементов векторов(столбцов матрицы изображения), деленная на размерность;  0 - коэффициент регуляризации.Выделение фона на изображениях морской поверхности с движущимисяобъектами встречает дополнительные трудности, связанные с динамическоймоделью подстилающей текстуры, обусловленной волнением моря, отражениемсолнечного света и изменениями освещения различных участков, а также из-задвижения камеры.

Это приводит к необходимости быстрой перестройки ужеимеющейся модели фона. Поэтому, часто, используют ранее полученныестатистические модели фона с адаптивной подстройкой текущих его изменений.В работе [31] предлагается строить модель предсказания фона на основеавторегрессионной модели, которая учитывает k предшествующихизображений (кадров). Задача решается методом Кархунена-Лоэва, путемаппроксимации корреляционной матрицы осредненного, по kпредшествующим кадрам, изображения с помощью его сингулярногоразложения по векторам, соответствующим максимальным сингулярным числам.Выделение фона из последовательности кадров позволяет провести такжеанализ состояния морской поверхности: определить высоту и длину волн, атакже и их направление движения.

Для этого обычно используют Фурье –преобразование полученного изображения фона (морской поверхности) [32].После получения модели фона Bt можно вычислить для каждого моментавремени t остаточное изображение I t  I t  Bt . Последовательность такихизображений (кадров) {I t } обычно и используют для выявления и распознаванияметки объекта, за которой система видеонаблюдения осуществляет контроль.Для выделения подвижного объекта и оценки его скорости смещения повидеопоследовательности также можно использовать известный подход,основанный на оценке коэффициента кросс - корреляции между двумяизображения. При этом предполагается, что два последовательных кадра(изображения) имеют общую область, содержащую исследуемый объект.

Тогда,найдя на втором изображении данную общую область, можно оценить вектор34сдвига s данной области по отношению к первому изображению. Очевидно, чтодля этого необходимо оценить меру схожести S ( s) двух изображений, какфункцию вектора s . Тогда находя максимум такой функции можно определить ивектор сдвига. Однако, задание меры схожести двух изображений f (v) и g (v) ввиде в стандартной кросс- корреляции:S ( s )   f ( v  s )  g (v ) ,(2.1.14)vредко позволяет найти оценку такого вектора из - за шумов и различныхтрансформаций изображений. Поэтому для оценки субпиксельного сдвигаиспользуют другие соотношения коэффициента корреляции, менеечувствительные к помехам и более эффективные в вычислительномсоотношении [33].Такие алгоритмы связаны с определением «фазовой корреляции».

В этомслучае также предполагается, что:g ( x, y)  f 2 ( x, y)  f1 ( x  x0 , y  y0 ) ,(2.1.15)гдеx0 , y0 - мера смещения изображения g ( x, y) относительно изображенияf1 ( x, y)  f ( x, y) .Тогда нормализованная величина кросс – спектра этих двух изображений,определяется соотношением:F2 (u, v)  F 1 (u, v) exp(i(u  x0  v  y0 ) ,| F2 (u, v)  F 1 (u, v) |(2.1.16)гдеFi (u, v)  FFT ( fi ( x, y)) , а символ «*» означает комплексное сопряжение.Как показано в работе [34], обратное преобразование Фурье кросс – спектраможет быть хорошо аппроксимировано sink функцией вида:c( x, y ) sin( ( M  x  x0 )) sin( ( N  y  y0 )), ( M  x  x0 ) ( N  y  y0 )гдеM , N - размеры изображения f ( x, y) .35(2.1.17)Отсюда можно оценить величину сдвига x0 , y0 изображения g ( x, y) спомощью следующих формул:x0c(1, 0);M c(1, 0)  c(0, 0)y0c(0,1)N c(0,1)  c(0, 0)(2.1.18)Однако выделение водной поверхность встречает значительные трудностине только из-за наличия солнечных бликов и волн, так и из-за наличияпосторонних предметов: масляных пятен, водорослей и прочее.