Первой С.В. Система видеонаблюдения для предотвращения критических ситуаций в прибрежной акватории (Система видеонаблюдения для предотвращения критических ситуаций в прибрежной акватории), страница 7

Это приводит ктому, что корреляционные методы часто приводят к ошибкам выделенияподвижных объектов. Поэтому для повышения точности сегментирования итрекинга объектов используют различные дополнительные процедурыклассификации.На рисунке 2.1.3 приведена блок – схема одного из алгоритмов длянахождения движущихся воднотранспортных средств и оценки параметров ихдвижения [35].Рис.2.1.3На этапе контекстного моделирования выделяется фон текущего кадра иосуществляется сегментирование участков изображения. Для каждого участкапроводится его оценка (водная поверхность или нет) с помощью предварительнополученного классификатора (на основе обученного SVM решателя).

Затемполученные участки водной поверхности маркируются. Оставшиесянемаркированные участки сортируются по размеру, с целью выделенияпотенциальных областей, в которых могут находиться движущиеся суда спомощью задания нижнего и верхнего порогов количества пикселей. Дляформирования единых областей осуществляется процедура выращиванияоднородных областей.

Далее, по последовательности кадров, для каждой область36оценивается ее амплитудная пиксельная скорость смещения и угол направлениясмещения. Это позволяет осуществить маркировку областей – кандидатов.Затем, чтобы отличить области, содержащие движущиеся объекты, от областей, вкоторых находятся неподвижные объекты, осуществляется пороговое сравнениеих скорости перемещения.В работе [36] предлагается другой алгоритм нахождения объектов наводной поверхности, позволяющий как выделять суда, так и распознавать их тип.Схема данного алгоритма приведена на рисунке 2.1.4.Рис.2.1.4Входное изображение предварительно сегментируется в соответствие садаптивно подстраиваемым порогом и, для каждой выделенной областивычисляются характеристики распределения интенсивности пикселей. Далее, спомощью линейного, заранее обученного классификатора, осуществляетсявыделение областей с водной поверхностью и областей, где потенциально могутнаходиться суда (RX – алгоритм).

После формирования списка областей –кандидатов для каждой из них формируется два признаковых описания: спомощью частотного кругового CF фильтра (CF – Circle Frequency filter) игистограмм ориентации градиентов (HOG – Histograms of Oriented Gradients).Окончательное определение типа судна осуществляется с помощью каскадаклассификаторов, обучаемых на основе имеющейся верифицированной выборкис использованием алгоритма AdaBoost.На рисунке 2.1.5 показан пример выделение воднотранспортного средстваметодами удаления фона и последующей сегментации изображения.37Рис. 2.1.5На рисунке 2.1.6 показан пример работы алгоритма по выделению краев иконтуров на изображении, результаты которого используются для формированияобластей интереса.Рис.

2.1.6Следует отметить, что в поле зрения камер системы видеонаблюдениячасто попадает как морская поверхность, так и часть небесного пространства. Вэтом случае необходимо уметь выделять не только фон в виде воднойповерхности, но и в виде неба, чтобы уметь выделять объекты именно на воднойповерхности. Поэтому возникает задача выделения линии горизонта. Длярешения этой задачи в работе [37] предлагается проводить текстурный анализ вразличных особых точках (областях) текущего изображения и затем соединятьточки с разной текстурой опорными векторами. Анализ таких векторовпозволяет проверять различные гипотезы о положении линии горизонта иполучать ее наиболее достоверное расположение.На рисунке 2.1.7 приведен пример работы алгоритма выделения линиигоризонта на изображении, полученном с помощью камеры, работающей винфракрасном диапазоне.38Рис.

2.1.72.2 Распознавание объектов и их классификация.Распознавание типа водоплавающего объекта (малоразмерное судноглиссирующего типа, водоизмещающее судно с классическим двигателем, лодкас ручным приводом, случайный плавающий предмет, пузыри воздуха отаквалангиста с классическим аппаратом и прочее) на видеопоследовательноститребует формирование его признакового описания для эффективногораспознавания его типа по изображениям (профилю) на различных кадрах. Послепредварительной обработки видеоизображения с целью удаления фона (воднойповерхности), с помощью различных процедур сегментирования, на кадрахвыделяются области интереса, в которых могут находиться искомые объектыпоиска.

При этом движение воднотранспортных средств и камеры,установленной в общем случае на подвижной платформе, приводит к смещениюположения объектов на кадрах, и возникает необходимость сопоставленияобластей интереса для разных изображений. Чаще всего признаковое описаниеобъектов строится на основе анализа особенностей или особых областей(блобов), присущих изображению конкретного объекта.

Дальнейшеераспознавание смещения объекта на различных кадрах видеопоследовательностисводится к сопоставлению различных пар особенностей. Обычно для этогоиспользуются различные алгоритмы, основанные на методе RANSAC [119].Важным, при этом, является устойчивость или сохранение выявленныхособенностей для различных ракурсов проекции объекта на плоскостьизображения, получаемого с помощью чувствительного элемента камеры.39Анализ устойчивости формирования признакового описания морскихобъектов на основе различных методов выявления локальных особенностей иоценка их эффективности при решении задачи классификации различного типасудов был проведен в работе [154].На рисунке 2.2.1 приведены примеры выявления локальных особенностей(блобов) при использовании ряда алгоритмов, входящих в состав библиотекиIntel OpenCV [155].Рис.

2.2.1Задача распознавания выявленных объектов (образов) состоит в том, чтобыотнести новый распознаваемый объект к какому-либо классу из заданногомножества. Правило отнесения образа к одному из классов на основе его векторапризнаков (упорядоченной совокупности дескрипторов) будем называтьклассификатором или решающим правилом классификации.В процессе построения системы распознавания приходится решатьследующие вопросы:- задачу улучшения изображения, выделения объектов на изображении иполучения признакового описания их образов;- задачу выделения и селекции наиболее информативных признаков дляклассификации выделенных объектов;- задачу выбора решающего правила и получение его параметрической оценки;- задачу получения оценки точности работы системы.В зависимости от наличия или отсутствия прецедентной информацииразличают задачи распознавания с обучением и без обучения.

Задача40распознавания на основе имеющегося множества прецедентов называетсяклассификацией с обучением или с учителем. Если имеется совокупностьвекторов признаков, полученных для некоторого набора образов, но правильнаяклассификация этих образов неизвестна, то возникает задача разделения этихобразов на классы по сходству векторов признаков. Такая задача называетсязадачей распознавания без обучения или без учителя.Обозначим через   {} - множество объектов распознавания(пространство образов), где  - объект распознавания (образ).Соответственно, через символ X  R n обозначим пространство наблюдений(пространство признаков).Пусть g () :   M , M  {1,2,...m} , индикаторная функция, разбивающаяпространство образов  на m непересекающихся классов 1 , 2 ,..., m .

Приэтом индикаторная функция не доступна наблюдателю. Обозначим, черезx() :   X функцию, которая ставит в соответствие каждому объекту точку x( ) в пространстве признаков. Таким образом, в пространстве признаковбудут определены множества точек Ki {x() : i }, i  1,2,..., m ,соответствующие образам одного класса.Пусть также xk  x(k ); gk  g (k ), k  1,2,..., N - доступная наблюдателюинформация о значения признаков и принадлежности N образам (объектам).Тогда ( xk , gk ), k  1,2,..., N - есть множество прецедентов. В этом случае решениезадачи классификации заключается в построении такой оценки решающегоправила gˆ ( x()) , чтобы распознавание проводилось с минимальным числомошибок.

Если множество объектов  наделяется некоторой вероятностноймерой, то тогда задачу можно записать в виде [9]:min P{gˆ ( x())  g ()} .При построении правил классификации делаются более или менее сильныепредположения о распределениях признаков, или о каких – либо особенностяхклассов, о типе разделяющей (дискриминантной) функции, виде функционала,характеризующего качество правила классификации. Чем сильнее41предположение, тем лучше работает алгоритм при его выполнении, тем меньшеобъем необходимой обучающей выборки. Но, с другой стороны, тем уже областьприменения, разработанного таким образом правила классификации, темчувствительнее оно к невыполнению заданных условий.Однако, обычно, построение различных классификаторов по одной и тойже обучающей выборке общего типа позволяет получать одинаковые ошибкиклассификации, что свидетельствует об определенной эквивалентностиподходов.Наиболее известным способом классификации является метод опорныхвекторов или метод обобщенного портрета (SVM – Support Vector Machine),разработанный В.Н.

Вапником, который заключается в решенииминимизационных задач с кусочно-линейными функциями штрафа. Метод SVMхорошо формулируется для задач двухклассовой классификации и одномернойрегрессии. Реализация метода для этих задач получила название SVC (SupportVector Classification). В случае многоклассовой классификации ее обычно сводятк серии двухклассовых классификаций [42].Рассмотрим двухклассовую классификацию с произвольнымпространством признаков X , на котором определено ядро K : X  X  R ипространство ответов Y  {1,1} . У этого ядра есть спрямляющее пространствоH и отображение  : X  H . Рассмотрим обучение на наборе T  ( X  Y ) Nклассификатора f ( x)   w, ( x)  b , который является линейным вспрямляющем пространстве, с помощью функции штрафа следующего вида :N1|| w ||2 C   max{0,1  yi f ( xi )}  minw, b2i 1или, что эквивалентно:N1|| w ||2 C    i  min ,w, b,2i 1где yi  ( w, ( xi )  b)  1  i ; i  0; i  1,2,...,N .

С помощью такойформализации задается требование, чтобы на положительных обучающихвекторах ( yi  1 ) классификатор давал уверенно положительный ответ42( f ( xi )  1 ), а на отрицательных векторах ( yi  1) - уверенно отрицательныйответ ( f ( xi )  1 ) .Во многих практических случаях задача построения классификацииреальных объектов может не удовлетворять классическим требованиям,предъявляемым к моделям распознавания. Задача может быть нестационарной ипротиворечивой. Здесь под нестационарностью понимается эволюция, какобъектов классификации, так и их описания.

Действительно, решающие правилаформируются на основе обучающей выборки, которая получена в определенноймомент времени. Но объекты классификации могут изменяться. Например, прираспознавании изображений обучающая выборка могла быть получена приодних условиях освещения, а контрольная выборка – при других условиях. Тоесть, распознаваемый объект необходимо классифицировать уже для другихусловий освещения с помощью снимков, полученных с помощью другой камеры,которая расположена в другом месте. Достаточно часто описать объект можно спомощью различных признаков. Такая неоднозначность ведет к неоднозначнойформализации образа объекта для различных задач распознавания.