ВВЕДЕНИЕ
ОСНОВНАЯ ЧАСТЬ 6
1. ПОСТАНОВКА ЗАДАЧИ 6
2. ОБЗОР СОВРЕМЕННЫХ АЛГОРИТМОВ 9
2.1 Признаки изображения 9
2.1.1 Обнаружение особых точек 10
2.1.2 Выделение границ и градиента изображения 11
2.1.3 Вейвлеты 16
2.2 Методы обнаружения и локализации объектов на изображении 17
2.2.1 Методы, построенные на вычислении признаков 18
2.2.2 Методы, основанные на сопоставлении шаблонов 19
2.2.3 Методы выделения регионов движения 19
2.3 Методы, отслеживания объектов 19
2.3.1 Отслеживание особых точек 20
2.3.1.1 Алгоритм Лукаса - Канаде 21
2.3.2 Методы отслеживания на основе компонент 21
2.3.3 Методы отслеживания на основе силуэтов 21
2.4 Методы классификации 22
2.4.1 Дискриминативные модели 22
2.4.1.1 Метод опорных векторов 22
2.4.1.2 AdaBoost 23
2.5 Подавление не-максимумов (Non-Maximum Suppression) 24
2.6 Оптический поток 25
2.6.1 Алгоритм Гуннара Фарнебека 26
2.7 Обзор существующих систем 26
3. ГИСТОГРАММА НАПРВЛЕННЫХ ГРАДИЕНТОВ 29
3.1 Блоки дескрипторов 33
3.2 Имплементация и производительность 34
4. РАЗРАБОТКА СИСТЕМЫ ПОСТРОЕНИЯ КАРТЫ ИНТЕНСИВНОСТИ МАРШРУТОВ
ПЕРЕДВИЖЕНИЯ ЛЮДЕЙ В ЗАКРЫТЫХ ПОМЕЩЕНИЯХ 37
4.1 Обзор используемых компонентов 37
4.2 Описание схемы работы системы 39
4.3 Описание используемых модулей библиотеки OpenCV 42
4.4 Обучение классификатора задаче распознавания 48
4.5 Описание алгоритма обнаружения человека 54
4.6 Описание алгоритма моделирования карты интенсивности маршрутов 56
5. ЭКСПЕРИМЕНТАЛЬНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ СИСТЕМЫ
5.1 Производительность и качественная оценка работы системы 61
6. ВОЗМОЖНЫЕ УЛУЧШЕНИЯ И ДАЛЬНЕЙШИЕ ПЕРСПЕКТИВЫ РАБОТЫ
СИСТЕМЫ 63
ЗАКЛЮЧЕНИЕ 64
СПИСОК ЛИТЕРАТУРЫ 66
ПРИЛОЖЕНИЕ А 70
ПРИЛОЖЕНИЕ B 79
История развития техники фото- и видеоизображений берет свое начало в первой половине девятнадцатого века, когда человек научился фиксировать изображение на бумаге, пропитанной хлористым серебром. С тех пор прошло много времени, и люди изобрели более эффективные способы создания и хранения изображений. При помощи современных технологий человек может делать фотографии и снимать видео, получая результат непосредственно в цифровой форме, однако, за задачей создания фотографий и видеозаписей лежит более сложная задача - проблема автоматического распознавания того, что изображено на фотографии. То, что человек воспринимает, как привычное изображение на экране, для компьютера является массивом целых чисел, представляющих из себя комбинации значений интенсивности составных цветов. Таким образом, задача распознавания объектов на изображении сводится к поиску некоторой функции, способной соотнести фрагменты исходных данных к тому или иному классу объектов. Такая функция представляет собой композицию признаков, найденных в последовательности чисел, характеризующих и отличающих этот класс объектов от другого.
Компьютерное (машинное) зрение - это научная и технологическая дисциплина разработки вычислительных систем для извлечения высокоуровневой информации из изображений или видео. Компьютерное зрение представляет значительный интерес в виду широкого спектра возможных применений. Алгоритмы компьютерного зрения применяются для автоматизации различных процессов, таких как управление движением транспорта, обработки результата исследования в медицинской диагностике и многих других. Подобные системы обрабатывают потоки изображений, распознавая объекты и возникающие события, для последующего использования в процессе принятия решения. Иными словами, компьютерное зрение подразумевает собой использование вычислительных возможностей компьютера для имитации зрительного восприятия человека.
Сегодня, благодаря прорыву в технологиях (повышение мощности вычислительных устройств и развитие технологий фототехники) появилось множество новых методов и алгоритмов, позволяющих выполнять даже такую задачу, как обнаружение и отслеживание объектов на видео в реальном времени.
В настоящее время значительный рост интереса демонстрируют технологии компьютерного зрения, алгоритмы машинного обучения, а также анализ данных, доступ к которым возможен только при условии наличия автоматизированных процессов. Интеграция данных подходов и технологий дает синергический эффект и позволяет значительно расширить рынок применения технологий машинного зрения за счет таких преимуществ автоматизации процессов, как экономия времени, устранение ручного труда и повышения эффективности на каждом этапе работы системы за счет отсутствия влияния человеческих факторов.
В рамках данной работы был представлен новый метод анализа интенсивности потоков перемещения людей в помещениях, визуализируемый при помощи двух- и трехмерных тепловых карт. Ввиду трудоемкости и, в некоторых случаях, невозможности оценить интенсивность движения людей, анализ тепловых карт позволяет не только автоматизировать данный процесс, но и получить информацию нового характера, недоступную ранее.
Разработка системы включала в себя несколько подзадач. Задача предварительного обнаружения и локализации человека была решена с использованием алгоритмов HOG и SVM. Для отслеживания обнаруженных людей использовался метод вычисления плотного оптического потока, вычисляемый алгоритмом Гуннара Фарнебека. Для построения тепловой карты использовались данные, получаемые в результате взаимодействия данных алгоритмов, описанного программной логикой.
Тестирование разработанной системы производилось на основе видеозаписей, полученных при помощи камер видеонаблюдения в одном из торговых центров города Казани.
Стоит отметить, что разработанная система может иметь более широкий круг применения, помимо использования в рамках торговых центров, и потенциально может быть использована в любых областях, где может возникать необходимость оценки потоков перемещения тех или иных объектов, наблюдаемых стационарной камерой видеонаблюдения.
