Отображение и определение параметров протяженных объектов при телевизионном наблюдении

• Автор: Афанасенко, Арсений Сергеевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Санкт-Петербург
• Количество страниц: 163 с. : ил.

Введение
Раздел 1. Анализ современного уровня развития интеллектуальных систем телевизионного наблюдения.

1.1. Назначение и сферы применения интеллектуальных телевизионных систем

1.2. Принципы построения интеллектуальных систем наблюдения.

1.3. Основные задачи обработки информации, решаемые в рамках интеллектуальных систем наблюдения.

1.3.1. Выделение объектов

1.3.2. Оценка параметров объекта.

1.4. Особенности наблюдения за протяженными объектами.

1.5. Основные сведения о панорамных изображениях

1.5.1. Области применения панорамных изображений.

1.5.2. Панорамные проекции и их свойства

1.5.3. Технические средства, используемые для формирования панорамных
изображений
1.6. Постановка исследовательских задач.
Раздел 2. Разработка и обоснование алгоритма выделения протяженных подвижных объектов на изображении.
2.1. Специфика задачи и общий принцип ее решения
2.1.1. Существующие подходы к выделению объектов.
2.1.2. Характерные свойства объекта
2.1.3. Факторы, затрудняющие выделение протяженных объектов
2.2. Адаптивное моделирование фона
2.2.1. Применение статистического моделирования фона для выделения объектов
2.2.2. Моделирование фона авторегрессионным процессом
2.2.3. Моделирование фона гауссовой смесью.
2.3. Обнаружение объектов по разности кадров
2.3.1. Принципы обнаружения по межкадровой разности
2.3.2. Статистические свойства энергии межкадровой разности
2.3.3. Выделение объектов по порогу
2.4. Усовершенствованный алгоритм выделения объектов.
2.4.1. Моделирование фона с учетом локальной структуры изображения
2.4.2. Реализация метода главных компонент
2.4.3. Применение МГК для выделения объектов
2.5. Оценка движения объекта.
2.5.1. Уравнение оптического потока.
2.5.2. Вычисление оптического потока
2.5.3. Использование робастных алгоритмов оценки
2.5.4. Метод наименьшей медианы квадратов
2.6. Сравнение алгоритмов выделения объектов.
2.6.1. Методика построения рабочей характеристики приемника для алгоритма выделения объектов.
2.6.2. Рабочие характеристики различных алгоритмов выделения
2.7. Краткие выводы
Раздел 3. Разработка алгоритма оценки скорости протяженного подвижного объекта по телевизионному изображению
3.1. Общая постановка задачи.
3.1.1. Необходимость оценки скорости при построении панорамного изображения .
3.1.2. Условия наблюдения.
3.1.3. Специфика задачи.
3.1.4. Общая схема обработки данных.
3.2. Анализ вероятности появления аномальных результатов при измерении оптического потока различными методами.
3.2.1. Классификация результатов измерения оптического потока.
3.2.2. Вероятность появления аномальных результатов при использовании
традиционного метода сопоставления блоков.
3.2.3. Вероятность появления аномальных результатов при использовании
многомасштабного сопоставления блоков
3.2.4. Анализ вычислительной сложности иерархического алгоритма сопоставления блоков.
3.2.5. Влияние шумов на вероятность появления аномальных векторов движения
3.2.6. Способы восстановления значений векторов движения, подверженных аномальной погрешности.
3.3. Формирование устойчивой оценки скорости движения протяженного объекта
3.3.1. Методика оценки качества работы алгоритмов сглаживания
3.3.2. Оценка с помощью фильтра Калмана
3.3.3. Оценка с использованием безынерционного нелинейного преобразователя.
3.3.4. Оценка скорости на основе кластерного анализа векторов движения
3.3.5. Сравнение эффективности алгоритмов сглаживания в различных условиях.
3.4. Снижение погрешности измерения векторов движения.
3.4.1. Субпиксельная оценка смещений при использовании алгоритма сопоставления блоков.
3.4.2. Субпиксельная оценка с использованием аппроксимации функции рассогласования блоков
3.4.3. Сравнение алгоритмов субпиксельной оценки смещений.
3.4.4. Использование переменного интервала измерения векторов движения
3.5. Краткие выводы
Раздел 4. Аналитическая обработка изображений в системе дистанционного осмотра железнодорожных составов.
4.1. Описание системы дистанционного осмотра грузового подвижного состава на. железной дороге.
4.1.1. Назначение и состав системы
4.1.2. Существующие аналоги.
4.1.3. Способы расширения поля зрения телевизионных систем на железнодорожном транспорте.
4.1.4. Схема обработки данных в системе дистанционного осмочра подвижного состава.
4.2. Формирование панорамной проекции состава
4.2.1. Геометрическая модель проекции.
4.2.2. Расчет векторного поля смещений объект в различных частях растра
4.2.3. Устранение аномальной погрешности при измерении карты смещений
4.2.4. Стыковка фрагментов панорамы и восстановление построчной структуры растра
4.2.5. Коррекция геометрических искажений при построении панорамы
4.2.6. Влияние встречной засветки и неподвижных теней
4.3. Обнаружение стыков между вагонами грузового состава
4.3.1. Формулировка задачи.
4.3.2. Анализ видимого движения в центре кадра.
4.3.3. Опознавание стыка по выбросам ошибки предсказания изображения.
4.3.4. Идентификация сцепного устройства.
4.3.5. Опознавание стыка по совокупности признаков.
4.4. Краткие выводы.
Заключение
Список использованных источников


Для устойчивой работы, телевизионных камер в. Компьютерная обработка телевизионных сигналов позволяет распознавать отдельные транспортные средства, определять их скорость,а также выявлять нештатные ситуации например, остановка. Т.2. Принципы построения интеллектуальных систем наблюдения . Интеллектуальные системы транспортного мониторинга предназначены для сбораи анализа информации о перемещении транспортных средств это касается автомобильного и железнодорожного транспорта метрополитена и авиации Основное назначение системы транспортного мониторинга 3 измерить параметры транспортного потока с цслыо своевременного выявления нештатных ситуаций, скоплений транспорта, остановок транспортных средств в потенциально опасных местах. Контроль скорости движения потока и времени прохождения контрольных точек отдельными транспортными средствами позволяет более эффективно планировать маршруты движения, что влияет на расход топлива, загрязнения окружающей среды, аварийность, состояние водителя и т. В интеллектуальных системах наблюдения используется, как правило,, большое число датчиков. Система должна обеспечивать как прием и обработку информации от отдельных датчиков, так и объединение этой информации и предоставление ее оператору в удобном для восприятия виде. Датчики интеллектуальных транспортных систем могут располагаться как на оживленных участках транспортных магистралей, перекрестках, переездах и т. Для сбора информации в системах транспортного мониторинга используются различные датчики. Первыми стали применяться индуктивные датчики, реагирующие на присутствие крупных
объектов в своей непосредственной близости. Эти устройства, как правило, располагаются на каждой полосе трассы под дорожным покрытием. С распространением телевизионных систем наблюдения стало возможным сократить затраты на обслуживание систем мониторинга и сделать их более информативными. Одна телевизионная камера позволяет отслеживать состояние сразу нескольких полос движения. До появления достаточно дешевых и надежных цифровых телевизионных систем часто использовалось сочетание телевизионной камеры и отдельного датчика движения например, индуктивного. С развитием цифровых методов обработки телевизионного сигнала обнаружение и измерение параметров подвижных объектов стало возможным без применения дополнительного оборудования. Для извлечения информации из телевизионных сигналов применяется большое число методов, использующих достижения в различных областях вычислительной математики, математической статистики, теории информации, цифровой обработки сигналов и пр. Выделение объекта из фона может применяться с целью его идентификации, сопровождения, измерения параметров. Оно является частным случаем задачи обнаружения сигналов с неизвестными в общем случае параметрами на фоне шума. Телевизионный сигнал является трехмерным имеет две пространственные координаты и одну временную. Для принятия такого решения необходимо провести проверку двух простых гипотез, Н и . Н, выбрана Но. Первый и третий исходы, соответствуют правильному выбору, второй и четвертый ошибочному. Наиболее универсальным критерием принятия решения является байесовский критерий, основанный на минимизации среднего риска. Для вычисления этого критерия каждому из четырех перечисленных выше образов действия приписывается некоторая стоимость, Соо, Сю, С и i соответственно. Первая цифра подстрочного индексаобозначает выбранную гипотезу, вторая правильную. Принято считать, что Соо С0 и См С0ь то есть стоимость ошибочного решения выше, чем правильного. Но РОнОI
где Амерное пространство наблюдений, г точка в пространстве наблюдений, соответствующая текущему испытанию, Р и Р0 априорные вероятности Н и Но соответственно. Во многих случаях достоверное определение стоимостей и априорных вероятностей затруднено или невозможно, поэтому существуют другие критерии принятия решений. Наиболее распространенные из них критерий НейманаПирсона и минимаксный, которые, в действительности, являются частными случаями байесовского правила 4.