Тип работы:
Предмет:
Язык работы:


Создание приложения «Определение атипичных движений»

Работа №46813

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы43
Год сдачи2018
Стоимость4355 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
187
Не подходит работа?

Узнай цену на написание


Введение
Глава 1. Теоретические и методологические основы
изучения проблемы
1.1. Анализ методов распознавания нехарактерных движений
1.2. Применение метода главных компонент
Глава 2. Описание математических моделей, методов и средств,
используемых для принятия решения по анализу атипичных движений
2.1. Описание алгоритма определения наличия нехарактерного
движения, основанного на методе главных компонент
2.2. Синтаксис операторов Mathematica 9, используемых для
создания приложения «Определение атипичных движений»
Глава 3. Создание приложения для принятия решения об
атипичности движений в видеопотоке
3.1. Постановка задачи об обнаружении нехарактерного поведения
на видеоизображении
3.2. Алгоритм программы в Mathematica 9 для создания приложения
«Определение атипичных движений»
3.3. Программирования главной формы приложения «Определение
атипичных движений»
3.4. Демонстрация работы созданного приложения «Определение
атипичных движений»
Заключение
Список литературы
Приложения


Современный мир развивается с неимоверно высокой скоростью: города разрастаются, появляется всё большее количество дорог и магистралей, улиц и дорожных развязок, жилые кварталы также увеличивают своё количество с каждым годом. Вследствие чего возрастает вероятность повышения уровня преступности, наличия большого количества аварий на дорогах, происходящих по причине различных погодных условий, нетрезвых водителей. Таким образом, происходит множество неблагоприятных для человека ситуаций и обстоятельств, угрожающих его жизни и здоровью непосредственно.
Проведя анализ современной инфраструктуры и предложенных алгоритмов в изучаемой области, можно сделать вывод о том, что современная структура анализа видеоизображений является недостаточно оптимизированной и автоматизированной. Видим, что автоматизация данного процесса принятия решения является достаточно актуальной задачей, поскольку способна повысить оперативность деятельности экстренных служб, что поможет спасти немалое количество жизней. С развитием компьютерных технологий и программ задача быстрой передачи информации о нехарактерных движениях на наблюдаемой территории стала выполнимой.
В настоящее время активизировалась научная работа по разработке методов и алгоритмов для анализа видео -потока, а в частности и по определению нехарактерных движений [9].
Однако большинство ныне предложенных методов по данному направлению предназначены для анализа видео -потока при строго установленных правилах и условиях, а также с определёнными типами анализируемых аномальных движений. Поэтому в условиях жизни современного города актуальным является разработка и тестирование новых
методов анализа, так как на наблюдаемой территории могут возникать нехарактерные движения разных типов при различных условиях.
В настоящей работе создано приложение «Определение атипичных движений», базой знаний которого является метод главных компонент [9]. Применение этого метода для анализа нехарактерного поведения в видеопотоке было предложено в 2017 году [9] в журнале «Компьютерная оптика».
Приложение написано в системе компьютерной алгебры Wolfram Mathematica. В этом приложении нехарактерность движения анализируется как для видео, получаемых с камеры, так и для заранее отснятых видео-файлов в формате «.avi».
Созданное приложение является обучаемой системой, то есть в зависимости от того, за какой территорией ведется наблюдение, пользователь может ставить пороги для критерия оптимальности, в пределах которых на наблюдаемой территории движение считается характерным. Далее система в режиме реального времени определяет наличие нехарактерных движений на наблюдаемой территории в зависимости от установленных порогов, то есть сообщает о наличии аномального движения, если значение критерия выходит за рамки заданных пользователем порогов.
В первой главе изложены теоретические и методологические основы изучения проблемы распознавания нехарактерных движений.
Во второй главе описываются математические модели, методы и средства, используемые для принятия решения по анализу атипичных движений.
В третьей главе приводится постановка задачи об обнаружении нехарактерного поведения в видео-потоке, описывается создание и демонстрация работы приложения «Определение атипичных движений».
Цель работы. В пакете Mathematica 9 создать приложение «Определение атипичных движений», математической моделью которого является предложенное в 2017 году [9] в журнале «Компьютерная оптика» применение метода главных компонент.
Предмет изучения настоящей работы - атипичность поведения объектов на видеоизображении.
Объект изучения работы - видеоизображение, полученное с закрепленной камеры.
Требования к проектируемой системе:
- наглядность представления имеющейся информации,
- быстрота выполнения расчётов на ЭВМ,
- динамичность,
- интерактивность.
Фундаментальные разделы математики, используемые в работе:
- математическая статистика,
- аналитическая геометрия,
- линейная алгебра.
Основные методы, используемые в работе:
- Метод главных компонент.
Основные средства:
- Mathematica 9.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В данной работе с помощью системы компьютерной алгебры Mathematica 9 создано приложение «Определение атипичных движений». В этом приложении, основываясь на методе главных компонент, даны оценки нехарактерности движений, снятых непосредственно с видеокамеры или же загруженных из файла.
Это приложение работает в интерактивном динамичном режиме. Оно определяет нетипичность движения объектов в кадре и визуализирует результат в виде полученного значения и вывода о наличии либо отсутствии нехарактерного поведения в видео -потоке. С помощью созданного приложения можно автоматизировать процесс анализа изображения на наличие нехарактерных ситуаций.
Характеристики программы и технические требования к операционной системе:
- Операционная система - Windows 7, 8, 10;
- Объем памяти - 159 КБ;
- Тип файла - Mathematica Notebook (.nb);
- Открывается из Mathematica 8, 9.



1. Stringa E, Regazzoni CS. Real-time video-shot detection for scene surveillance applications. IEEE Transactions on Image Processing, 2000, 9(1): 69-79.
2. Nasution AH, Emmanuel S. Intelligent video surveillance for monitoring elderly in home environments. In: Proceedings of IFEE 9th Workshop on Multimedia Signal Processing, 2007, p. 203-206. DOI: 10.1109/MMSP.2007.4412853.
3. Lavee G, Rivlin E, Rudzsky M. Understanding video events: a survey of methods for automatic interpretation of semantic occurrences in video. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 2009, 39(5): 489-504.
4. Chandola V, Banerjee A, Kumar V. Anomaly detection: A survey. ACM Computing Surveys (CSUR) 2009; 41(3): 15. DOI: 10.1145/1541880.1541882.
5. Denisova AYu, Myasnikov VV. Anomaly detection for hyperspectral imaginary. Computer Optics 2014; 38(2): 287-296.
6. Jolliffe IT. Principal component analysis. 2nd ed. NY, Berlin, Heidelberg: Springer-Verlag; 2002. ISBN: 0-387-95442-2.
7. Yu TH, Moon YS. Unsupervised abnormal behavior detection for real-time surveillance using observed history. In: Proceedings of MVA2009 IAPR Conference on Machine Vision Applications, Yokohama, Japan, 2009: 166-169.
8. Kim J, Grauman K. Observe locally, infer globally: A space-time MRF for detecting abnormal activities with incremental updates. In: Proc IEEE CVPR 2009: 2921-2928. DOI: 10.1109/CVPR.2009.5206569.
9. Обнаружение нехарактерного поведения в задачах видеонаблюдения / Р.А. Шаталин, В.Р. Фидельман, П.Е. Овчинников // Компьютерная оптика. - 2017. -Т. 41, № 1. - С. 37-45. - DOI: 0.18287/2412-6179-2017-41-1-37-45.
10. Antonakaki P, Kosmopoulos D, Perantonis S. detecting abnormal human behavior using multiple cameras. Signal Proccesing 2009, 89(9):1723-1738. DOI: 10.1016/j.sigpro.2009.03.016.
11. Fleet DJ, Weiss Y. Optical flow estimation. In Book: Paragios N, Chen Y, Faugeras O, eds. Handbook of mathematical models in computer vision. Chapter IV. US: Springer; 2009: 239-258. ISBN: 978-0-387-26371-7. DOI: 10.1007/0-387- 28831-7_15.
12. Bouguet JY. Pyramidal implementation of the lucas kanade feature tracker, Intel Corporation, Microprocessor Research Labs; 2000.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ