Метод, модели и алгоритмы обработки сложноформализуемых видеоданных в локальных информационных системах

• Автор: Скрипкина, Анна Андреевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Курск
• Количество страниц: 136 с. : ил.

ОГЛАВЛЕНИЕ
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
ВВЕДЕНИЕ
1 АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ И УСТРОЙСТВ ЦИФРОВОЙ ОБРАБОТКИ ВИДЕОИНФОРМАЦИИ ПРИ РАСПОЗНАВАНИИ ОББЕКТОВ В РЕАЛЬНОМ МАСШТАБЕ ВРЕМЕНИ
1Л Цели и задачи цифрового анализа и обработки видеоинформации
1.2. Основные принципы и этапы анализа видеоизображений в реальном масштабе времени
1.3 Выделение и формирование признаков распознавания движущихся объектов в существующих системах цифровой обработки видеоинформации
1.4 Выводы и постановка задачи исследования
2 МОДЕЛИРОВАНИЕ ОСНОВНЫХ ПРОЦЕССОВ ДЛЯ ВЫДЕЛЕНИЯ ИНФОРМАТИВНЫХ ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ, ИДЕНТИФИКАЦИИ И ОТСЛЕЖИВАНИЯ ДВИЖУЩИХСЯ ЛЮДЕЙ ПО ОСОБЕННОСТЯМ ИХ ПОХОДКИ
2.1 Построение системной модели выделения прямых и косвенных биометрических признаков (основных и дополнительных) движения людей в пространственно-временном базисе
2.2 Динамические модели состояний и наблюдений для анализируемой текущей видеопоследовательности
2.3 Отображение системной модели в операторных уравнениях. Этапы динамического выделения признаков и формирования рабочего словаря.
2.4 Предварительная обработка видеоинформации для выделения информативных признаков походки человека
2.5 Выводы ко 2-й главе

3 Разработка метода формирования рабочего словаря прямых (основных) и косвенных (дополнительных) признаков для разложения описания алфавита классов и эталонов людей по особенностям их походки
3.1 Выбор и обоснование модели сегментации переднего плана
3.2 Математические субмодели элементов отслеживания траекторий движения человека, как вложений его эллипсной модели
3.3 Формирование косвенных и гибридных информативных признаков движения человека
3.4 Применение преобразования Фурье для получения значений прямых и косвенных признаков рабочего словаря
3.5 Выводы к третьей главе
4 ПОСТРОЕНИЕ ФУНКЦИОНАЛЬНО-СТРУКТУРНОЙ ОРГАНИЗАЦИИ (ФСО) СИСТЕМЫ РАСПОЗНАВАНИЯ ДИНАМИЧЕСКИХ ОБЪЕКТОВ (ДВИЖУЩИХСЯ ЛЮДЕЙ) ПО БИОМЕТРИЧЕСКИМ ПРИЗНАКАМ ПОХОДКИ. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
4.1 Функциональная и структурная организация системы распознавания движущихся людей по биометрическим характеристикам походки
4.2 Алгоритмическая организация системы распознавания
4.3 Экспериментальные исследования работоспособности алгоритмов функционирования системы распознавания
4.4 Выводы к 4 главе
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
БПФ - блок Фурье-преобразования;
ДЗУ - динамическое запоминающее устройство;
ДСКП - динамическая субмодель селекции косвенных признаков; ДСН - динамическая субмодель наблюдений;
ДСПП - динамическая субмодель выделения прямых признаков; ДСС - динамическая субмодель состояний;
ДСТ — динамическая субмодель отслеживания траекторий;
СКО - среднее квадратичное отклонение;
ФСО - функционально-структурная организация.

Реализация алгоритма предполагает в дальнейшем выделение контуров фигуры человека, причем контуры восстанавливаются на уровне всех слоев ограниченной области, заключающей в себе фигуру человека.
Полученные контуры используются для формирования одной из приемлемых форм модели человека, например, скелетной, по которой на следующем этапе происходит идентификация.
В первом приближении принимаются следующие допущения:
- камера - стационарного типа (не двигается);
- относительно постоянная скорость движения;
- движения человека осуществляются параллельно фронтальной плоскости относительно видеокамеры (видеодатчика);
- человек ничего не держит в руках.
Структурная схема процесса функционирования рассматриваемого алгоритма приведена на рисунке 12.
Этапами блочного алгоритмы при этом являются:
1) обнаружение походки; построение грубой модели - детекции движения;
2) выделение контура фигуры человека, ограниченной прямоугольником типа «отличие фрагмента от фона, выделение переднего плана»;
3) получение точной модели контура движущейся фигуры, моделирование походки на основе шаблона, например, скелетной модели, если результат не соответствует шаблону, значит, это не человек;
4) если сигнальные признаки соответствуют шаблону, то имеем два сигнала: с х-координатой левой ноги и с х-координатой правой ноги;
5) этап распознавания может быть выполнен по критерию к-ближайших соседей: используется мера евклидова расстояния, т.е. для классификации конкретной последовательности изображений с полученными векторами походки Ух,У2,—,Ут на основе ранее записанных в хранилище эталонов походки ^Э,^э2,-Лэ„ каждый вектор У классифицируется независимо; при этом