ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 4
ВВЕДЕНИЕ 6
1 СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ 8
1.1 АЛГОРИТМ ХАФА 8
1.2 КОНТУРНЫЙ АНАЛИЗ 11
1.3 АЛГОРИТМ ВИОЛЫ-ДЖОНСА 14
1.4 АЛГОРИТМ СРАВНЕНИЯ С ШАБЛОНОМ 17
1.5 АНАЛИЗ АЛГОРИТМОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ 19
2 СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ ПРОГРАММНЫХ ПРОДУКТОВ 20
2.1 БИБЛИОТЕКА AFORGE.NET 20
2.2 БИБЛИОТЕКА BOOFCV 21
2.3 БИБЛИОТЕКА VXL 22
2.4 БИБЛИОТЕКА LTI 23
2.5 БИБЛИОТЕКА OPENCV 24
2.6 АНАЛИЗ БИБЛИОТЕК КОМПЬЮТЕРНОГО ЗРЕНИЯ 27
3 РАЗРАБОТКА ПРОГРАММНОГО МОДУЛЯ 29
3.1 ЗОНА ИНТЕРЕСА 29
3.2 ОПИСАНИЕ АЛГОРИТМА 30
3.3 ПРОГРАММНЫЙ ПРОДУКТ 31
4 ТЕСТИРОВАНИЕ И АНАЛИЗ ПРОГРАММНОГО МОДУЛЯ 43
ЗАКЛЮЧЕНИЕ 48
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 49
ПРИЛОЖЕНИЕ А 51
ПРИЛОЖЕНИЕ Б
В настоящее время все более активно применяются технологии компьютерного зрения. Востребованность в подобных системах объясняется тем, что они призваны заменить функцию человеческого зрения, при помощи которой мы получаем около 80% информации.
Назначением компьютерного зрения является решение множества задач, связанных с обработкой изображения. Обработка, в первую очередь, нужна для распознавания и отслеживания объектов с целью проверки существования какого -то конкретного объекта в изображении или видеоизображении - последовательности кадров.
Процедура определения наличия того или иного объекта активно используется в отрасли автомобилестроения с целью детектирования и распознавания интересующих зон, как например, при создании полностью автономных средств, которые способны изменить свое местоположение с течением времени без участия человеческого фактора.
Как утверждают эксперты, уже к 2020 году в нашу повседневность войдут полностью автономные автомобили. Они будут обладать функцией анализа за состоянием дорожного движения и при необходимости, принимать решения о тех или иных действиях на основе полученной информации. Как утверждают эксперты, главная проблема при создании таких машин возникает на этапе анализа видеоинформации, поэтому оптимизация данного шага является необходимым в настоящее время для создания автопилотов.
Актуальность моей дипломной работы заключается в том, чтобы уменьшить размеры анализируемого видеоизображения путем выделения зон интереса.
Предположим, что кадр из анализируемого видеоизображения имеет размерность p*n пикселей, где p и n - ширина и высота кадра соответственно. Очевидно, что при обработке видео, анализ всего кадра размерностью p*n будет занимать долгое время и будут производиться множество ненужных вычислений.
Для решения данной проблемы я предлагаю свою технологию «зоны интереса», которая позволяет «отсеивать» ненужное и оставить лишь ту часть кадра, 6
которая нас интересует в данный момент времени. Стоит подчеркнуть тот факт, что данный подход является очень эффективным на этапе анализа видеоизображения, так как приведёт к ускорению вычислений в разы. Таким образом, с помощью применения технологии «зоны интереса» к последовательности кадров, мы будет обрабатывать кадр из видео с минимальной задержкой и уменьшим вычислительную нагрузку на обрабатывающее устройство.
В настоящее время многие компании ведут разработки, которые позволяют получить высокую точность обработки без необходимости задействовать серьёзные вычислительные мощности.
Например, российские компании Cognitive Technologies и ОАО «КамАЗ» в феврале 2015 года объявили о начале совместного проекта «виртуальная тоннель». Основу данного проекта составляет компьютерная модель фовеального зрения. Она позволяет полностью автономным средствам на тратить меньше вычислительных мощностей на анализ информации о дороге, взятой из видео. Данный подход примечателен тем, что позволяет в любой момент времени видеть в высоком разрешении только те элементы дорожной сцены, которые необходимы для анализа в текущей ситуации: знаки, транспортные средства, дорожное полотно, обочина. Стоит отметить тот факт, что при использовании данного подхода важная информация обрабатывается с более высокими показателями качества и задействованные при этом вычислительные ресурсы расходуются экономно. Разработчики уверяют, что при анализе видеоизображения достаточно будет обрабатывать всего 5 — 7 процентов информации от всего кадра.
Целью данной работы является уменьшение размера анализируемого видеоизображения путем выделения зон интереса.
Согласно цели, поставим следующие задачи: провести сравнительный анализ методов компьютерного зрения, модифицировать алгоритм обработки видеоизображения с целью выделения зон интереса, разработать и протестировать программный модуль для выделения зон интереса на видеоизображении.
На основании проделанного нами исследования, можно сделать выводы о том, что алгоритмы Хафа и контурного анализа являются эффективными методами для решения задачи детектирования зон интереса на отдельных кадрах видеоизображения. При решении задачи модификации существующих алгоритмов, в работе было показано, что, взяв за основу эти алгоритмы и дополняя их своими наработками, мы добились превосходных результатов, а именно практически достоверного определения зоны интереса по сплошным линиям разметки по прямой дороге и определения дорожных знаков в 87% случаях.
Полученные результаты тестирования от программного модуля и проделанная работа позволяет сделать вывод о том, что предложенная нами технология зоны интереса позволяет уменьшить размеры анализируемого видеоизображения.
В заключении отметим, что выделение зон интереса с помощью применения компьютерного зрения в настоящее время становиться очень популярным ввиду того, что в скорейшем времени появятся полностью автономные транспортные средства - автопилоты. Они будут ездить по дороге без человеческого фактора, а люди, сидящие на нём, будут заниматься более важными делами по работе или просто отдохнуть. С помощью автопилотов мы вступим в новую эпоху, в котором снизиться количество аварий в разы, исчезнут проблемы с парковкой, не будет пробок и заторов, измениться дизайн автомобилей, так как механизм рулевого управления будет излишним.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
