Методы видеонаблюдения, сегментации и сопровождения движущихся объектов

• Автор: Обухова, Наталия Александровна
• Шифр специальности: 05.12.04
• Научная степень: Докторская
• Год защиты: 2008
• Место защиты: Санкт-Петербург
• Количество страниц: 580 с. : ил.

Содержание
Введение
Глава 1. Обзор современного состояния прикладных ТВ систем.
1.1. Классификация прикладных ТВ систем
1.2. Функциональные особенности интеллектуальных прикладных ТВ систем
1.2.1. Функциональные особенности интеллектуальных систем видеопаблюдения
1.2.2. Функциональные особенности интеллектуальных систем сегментации и сопровождения объектов интереса
1.3. Анализ основных методов обработки видеоданных в ТВ системах сегментации и сопровождения объектов интереса
1.3.1. Сегментация на основе признака яркости
1.3.2. Сегментация на основе признака текстуры
1.3.3. Сегментация на основе признака формы
1.3.4. Сегментация на основе признака движения
1.3.4.1. Оценка признака движения на основе
энергии движения
1.3.4.2. Оценка признака движения на основе
векторов движения
Выводы и постановка задачи
Глава 2. Оценка признака движения в интеллектуальных системах видеонаблюдения, сегментации и сопровождения подвижных объектов.
2.1. Анализ эффективности методов и алгоритмов определения
векторов движения
2.2. Априорная оценка достоверности векторов движения
2.3. Метод определения векторов движения с учетом априорных оценок их достоверности и значимости
2.4. Субпиксельная оценка векторов движения
2.4.1. Интерполяционный метод

2.4.2. Метод, основанный на многомасштабной
межкадровой разности
2.4.3. Экспериментальное исследование методов
субпиксельиой оценки
Выводы по главе
Глава 3. Обработка видеоданных в интеллектуальных системах видеонаблюдения на основе признака движения.
3.1. Анализ эффективности коррекции пространственных искажений на основе цифровой обработки изображений
3.1.1. Метод коррекции пространственных искажений на основе идентификации параметров искажающих сигналов
3.1.2. Экспериментальное исследование эффективности метода коррекции пространственных искажений на основе идентификации параметров искажающих сигналов
3.2. Синтез папорамного изображения протяженного движущегося объекта на основе оценки его видимой скорости
3.3. Определение видимой скорости движения протяженного объекта для построения его панорамного изображения
3.3.1. Особенности определения векторов движения при оценке видимой скорости протяженных объектов
3.3.2. Временная фильтрация векторов движения при определении скорости протяженного объекта
3.3.3. Регрессионная предсказывающая модель пространственного среза
скоростей
Выводы по главе

Глава 4. Сегментация и сопровождение объектов интереса на основе совокупности признаков.
4.1. Основные принципы анализа видеоданных на основе
совокупности признаков
4.2. Предварительный анализ изображения
на основе признака детальности
4.3. Сегментация объектов интереса па основе признаков движения и пространственной связности
4.4. Сопровождение объектов интереса
на основе гауссовой модели формы
Выводы по главе
Глава 5. Реализация и экспериментальное исследование интеллектуальных систем видеонаблюдения, сегментации и сопровождения движущихся объектов.
5.1. Многоцелевой телевизионно-компьютерный комплекс видеомониторинга железнодорожных составов
5.1.1. Экспериментальное исследование качественных показателей
синтезированного изображения
5.1.2. Точность оценки видимой скорости движения
протяженного объекта
5.1.3. Получение дополнительной информации об объекте интереса
5.2. Многофункциональный оптико-электронный комплекс сегментации и сопровождения неточечных объектов
5.3. Видеокомпьютерная система контроля запуска
космических аппаратов
Выводы по главе
Заключение
Литература
Приложение I
Приложение II
Приложение III

«=1 У
где Ь(х,,уj),Lэ[xj,yj) - яркость точки (пикселя) с координатами )на
сегментированном и эталонном изображении, Ы,М - число пикселей по горизонтали и вертикали соответственно.
Введенный критерий содержит обобщенную информацию о качестве сегментации. Он одновременно учитывает ошибки связанные со смещением центра тяжести, несоответствие размеров и др. На практике существенное значение имеет информация о величине площади, потерянной при сегментации объекта или отнесенной к нему ошибочно.
Определим скалярный показатель ошибки сегментации по площади:
Qs =1-(]5э-£|/£э), где £э - площадь объекта интереса на изображении (количество пикселей относящихся к объекту), 5 - площадь сегментированного объекта.
Обеспечение минимального значения обобщенного критерия сегментации в виде нормы вектора q и скалярного показателя ошибки по площади функциональная особенность интеллектуальной системы.
При одновременном сопровождении многих объектов интереса высока вероятность возникновения ситуации окклюзии - пересечения объектов интереса друг с другом или с фоном. Наиболее часто применяемое решение: если объекты пересеклись, то переход на сопровождение обоих объектов по памяти. Это увеличивает ошибку сегментации вплоть до потери объекта и делает необходимым проведение идентификации объектов после их вторичного выделения. Интеллектуальный анализ ситуации окклюзии предполагает определение, который из объектов находится на переднем плане, и использование движения по памяти только для объекта интереса на заднем плане и при условии его полного закрытия. В этом случае величина ошибки сегментации возрастает только для одного (закрытого объекта), при этом выделение и сопровождение его до полного закрытия позволяет увеличить объем информации об объекте до