Аннотация 6
ВВЕДЕНИЕ 5
1 АНАЛИЗ СОСТОЯНИЯ ВОПРОСА 7
2 РАЗРАБОТКА АЛГОРИТМА ЛОКАЛИЗАЦИИ ДВИЖУЩИХСЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ 15
2.1 Описание алгоритма 15
2.2 Подготовка изображения к анализу 17
2.3 Субтрактор фона 20
2.4 Детектор границ объектов 22
2.5 Анализ контуров объектов 27
3 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРЕДЛОЖЕННЫХ РЕШЕНИЙ 28
3.1 Описание программного обеспечения 28
3.2 Тестирование алгоритма 30
ЗАКЛЮЧЕНИЕ 35
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 37
Разработка систем компьютерного зрения часто связана с решением задач локализации движущихся объектов на изображении. Например, при контроле за обстановкой на дороге необходимо отслеживать перемещение пешеходов и находящихся транспортных средств, в охранных системах контроль может осуществляться путем наблюдения за отсутствием движущихся объектов на охраняемой территории.
В настоящее время проблемами разработки алгоритмов для локализации движущихся объектов на изображении занимаются такие ученые как Cedric Demonceaux, Djemaa Kachi-Akkouche, Bin Nong Sang, Yuehuan Wang, Qingqing Zheng, Xiaotao Zhu, Qian Huang, Feng Ye, Fan Liu, Shufang Xu, Yanfang Wang, Horst Wildenauer, Philipp Blauensteiner, Allan Hanbury, Martin Kampel, Zhao-Yi Wei, Dah-Jye Lee, David Jilk, Robert Schoenberger и др [1-20].
В настоящее время существуют алгоритмы, позволяющие отделять движущиеся объекты на изображении от заднего фона. Такие алгоритмы называются субтракторами фона. Наиболее известные субтракторы - это MOG, MOG2, GNG.
Их использование для решение практических задач ограниченно из-за следующих недостатков в работе алгоритмов:
• Алгоритмы не различают движущиеся объекты друг от друга. Т.е. не реализована возможность раздельной локализации движущихся объектов.
• В алгоритмах реализована возможность адаптивного расчёта модели фона. Это означает, что если движущийся объект на некоторое время остановится, то он будет считаться фоном, и не будет отображаться в маске переднего плана. Т.е. в данных алгоритмах не реализована возможность отслеживания объектов, на короткое время приостановивших своё движение.
Исследования, проведенные в рамках данной бакалаврской работы, направлены на преодоление этих недостатков. Поэтому целью работы является - разработка алгоритма для локализации движущихся объектов на изображении.
Для преодоления этих недостатков в работе предложен свой алгоритм для локализации движущихся объектов на изображении. Принцип его работы следующий. С веб-камеры считывается изображение, которое затем подготавливается к анализу, путем сглаживания цифровых шумов и снижения размера признакового пространства путем конвертации цветовой модели из RGB в Gray. Затем производится расчет маски движущихся объектов на основе данных текущего кадра и изображения фона. Для того, чтобы отделить одни движущиеся объекты от других к маске применяется детектор границ объектов (детектор Canny). Полученные контуры объектов фильтруются для отбрасывания, чтобы не учитывать контуры, полученные от помех. Полученные контуры локализуются с помощью прямоугольной рамки на изображении.
Для апробации данного алгоритма на языке программирования Python было разработано приложение, реализующее на практике предложенные решения.
При подготовке бакалаврской работы была опубликована статья по теме интеллектуального анализа данных. Результаты работы были доложены на V Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук».
В ходе выполнения бакалаврской работы были сделаны следующие выводы:
1. Анализ литературных источников показал, что при разработке систем компьютерного зрения разработчикам часто требуется решать задачу обнаружения и трассировки движущихся объектов на изображении. Поэтому развитие алгоритмов локализации движущихся объектов на изображении является актуальной задачей.
2. Анализ литературных источников показал, что наиболее распространенными алгоритмами локализации движущихся объектов являют MOG, MOG2 и GNG. Но обладают недостатками - невозможность раздельной локализации движущихся объектов на одном изображении и не возможность учета локализации объектов, приостановивших свое движение.
3. Для преодоления этих недостатков разработан свой алгоритм локализации движущихся объектов, который основан на подготовке изображения к анализу путем преобразования цветовой модели изображения из RGB в Gray, сглаживание цифровых шумов за счет применения фильтра Гаусса, вычисление маски переднего плана путем попиксельного вычитания яркостей изображения текущего кадра и изображения фона и сравнение результата с пороговым значением, применения к маске переднего плана детектора границ Канни для обнаружения контуров движущихся объектов, анализ всех найденных контуров для фильтрации контуров связанных с шумами и дефектами и локализация объектов, путем ограничения контуров рамками.
4. Для апробации данного алгоритма на языке программирования Python было разработано приложение, реализующее на практике предложенные решения.
5. Предложенное программное обеспечение было протестировано на данных видеоряда, получаемого с веб камеры ноутбука. Подробно результаты тестирования рассматриваются в третьей главе. Результаты тестирования на практике подтверждают состоятельность предложенных решений.
6. При подготовке бакалаврской работы была опубликована статья по теме интеллектуального анализа данных. Результаты работы были доложены на V Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук».
