Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и анализ информационных алгоритмов повышения эффективности визуализации и достоверности автоматической регистрации динамических объектов компьютерными видеосистемами

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработанные в диссертации теоретические расчёты, способы и алгоритмы используются в семействе компьютерных видеосистем «Оте112к». Программно-аппаратный комплекс «Оте112к» был применён при строительстве ограждения с видеонаблюдением территории 1-го пускового комплекса II очереди особой экономической зоны ППТ «Липецк» в Грязин-ском районе Липецкой области (проект Система видеонаблюдения СПО… Читать ещё >

Разработка и анализ информационных алгоритмов повышения эффективности визуализации и достоверности автоматической регистрации динамических объектов компьютерными видеосистемами (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Современные методы повышения эффективности анализа видеоизображений статических и динамических объектов
    • 1. 1. Приборы и методы представления и восприятия видеоизображений. Модели цифровых сигналов
    • 1. 2. Анализ и классификация современных алгоритмов обнаружения движения
    • 1. 3. Применение теории графов для обнаружения движущихся объектов
    • 1. 4. Основные показатели достоверности обнаружения динамических объектов
    • 1. 5. Методы стабилизации параметров видеоизображений
    • 1. 6. Анализ достоинств и недостатков существующих методов выделения динамических объектов
    • 1. 7. Цели и задачи диссертационной работы
  • Выводы
  • 2. Исследование, разработка и анализ быстрых алгоритмов выделения движения
    • 2. 1. Вывод соотношений, определяющих допустимые значения линейного коэффициента порога в методе вычитания фона при обнаружении движения
    • 2. 2. Исследование влияния фоновых шумов на достоверность обнаружения динамических объектов и разработка алгоритма пороговой компенсации
    • 2. 3. Параллельно-конвейерный алгоритм обнаружения движения и выделения соответствующих областей в последовательности видеоизображений
    • 2. 4. Градиентный анализ границ областей движения при визуализации объектов, покидающих зону наблюдения
    • 2. 5. Обнаружение движения под действием гравитационных сил с учетом пропуска кадров
    • 2. 6. Алгоритм распознавания остановки объекта в системе видеонаблюдения с детектором движения
    • 2. 7. Метод распознавания объектов, движущихся в запрещённых направлениях
  • Выводы
  • 3. Разработка методик и алгоритмов повышения достоверности обнаружения динамических объектов
    • 3. 1. Анализ пространственных перемещений на основе принципа однозначного назначения
    • 3. 2. Анализ пространственных траекторий на основе принципа множественного назначения
    • 3. 3. Ограниченная задача о максимальном взвешенном паросо-четании (ОЗМВП)
    • 3. 4. Жадные приближённые алгоритмы решения ограниченной задачи о максимальном взвешенном паросочетании
    • 3. 5. Точное решение ОЗМВП для небольших размеров входных данных
    • 3. 6. Быстрый алгоритм выравнивания локальной яркости видеоизображений в условиях переменного освещения
    • 3. 7. Разработка алгоритма стабилизации изображения с учётом движения объектов в кадре
  • Выводы
  • 4. Описание приборов, алгоритмов и экспериментов. Результаты внедрения и методики оценки достоверности результатов
    • 4. 1. Функциональная схема и основные параметры компьютерных систем видеонаблюдения
    • 4. 2. Описание схем построения производственных образцов аппаратуры
    • 4. 3. Экспериментальные результаты проверки обнаружения динамических объектов
    • 4. 4. Методика оценки достоверности обнаружения динамических объектов
    • 4. 5. Внедрение результатов разработки алгоритмов повышения эффективности визуализации динамических объектов
  • Выводы

Актуальность проблемы. Одним из наиболее эффективных средств сбора информации являются компьютерные системы видеонаблюдения. Почти до конца XX века все существующие системы были ориентированы на работу оператора, который не только принимает решения, но и обязан внимательно следить за происходящим в поле зрение видеокамер. С увеличением числа видеодатчиков, число операторов таких систем растёт пропорционально.

Обработка поступающих потоков информации требует высокой квалификации оператора. Однако использование специализированных интеллектуальных систем позволяет значительно снизить рутинную нагрузку на человека по сбору, предварительной обработке и группировке информации, и даёт возможность аналитику сосредоточиться на решении основных задач анализа, построении и проверке гипотез.

Система видеонаблюдения, соответствующая современным требованиям, обязана быть более автоматизированной. В процессе поиска система должна выбрать из всего имеющего объёма информации наиболее интересные для аналитика данные и представить их в удобном для дальнейшего анализа виде. Для удобства пользователя представление результатов должно быть интуитивно понятным, а качество результатов достаточным для работы аналитика. Такая система должна обладать интеллектуальными функциями анализа изображений, распознавания объектов и ситуаций.

Алгоритмы обнаружения объектов по видеоизображениям стали разрабатываться ещё в конце 70-х годов прошлого столетия, но применение на практике было затруднено из-за высоких требований по производительности ЭВМ и других вычислительных ресурсов (объём оперативной и постоянной памяти, скорости обмена данными и т. п.). Достигнутый техническим прогрессом к началу XXI века уровень производительности ЭВМ существенно оживил область интеллектуальной обработки видеоинформации компьютерными системами.

Большой вклад в область информационной обработки, классификации и распознавания видеосигналов внесли известные учёные, работающие в России и за рубежом: Ю. И. Журавлев, В. Н. Вапник, А. И. Галушкин, JI. П. Ярославский, В. D. Lukas, Т. Kanade, В. К. P. Horn, В. G. Schunck, R. Collins, A. Lipton, С. Stauffer, W. Е. L. Grimson и другие.

В последнее время актуальной является задача автоматического выделения динамических объектов в режиме реального времени на видеопоследовательностях, получаемых компьютерными видеосистемами. Кроме того, из-за большого количества информации, получаемой видеосистемами, важной является задача обнаружения динамических объектов определённого типа, обладающих некоторыми признаками, или проявляющих определённое поведение.

Большинство существующих на данный момент алгоритмов, позволяющих выявлять различные нерегулярности на изображении, являются эвристическими и зачастую недостаточно хорошо теоретически обоснованными. Широкое распространение методов распознавания объясняется тем, что для их применения требуется значительно меньшая точность описания исследуемых явлений, чем при применении других математических методов. ЭВМ позволяют математикам проводить экспериментальные исследования. Сначала изучается реальная задача распознавания, выдвигается гипотеза и затем проводится эксперимент, который подтверждает или опровергает гипотезу. Строгие математические обоснования в таких случаях часто не проводятся. Это привело к построению большого числа экспериментальных (эвристических) алгоритмов распознавания, не достаточно обоснованных, но дающих в некоторых ситуациях удовлетворительный результат. Теоретическое обоснование алгоритмов позволит улучшить их показатели, что непосредственно повлияет на эффективность визуализации динамических объектов, и поэтому исследования и разработки в этом направлении являются актуальными.

Цель работы. Цель диссертационной работы — повышение эффективности визуализации и достоверности автоматической регистрации динамических объектов в компьютерных аналитических видеосистемах за счёт разработки алгоритмов анализа видеоизображений для выделения нерегу-лярностей определённых типов и их классификации, а также разработка алгоритмов распознавания ситуационного поведения динамических объектов.

Задачи работы. Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести теоретический анализ метода вычитания фона и влияиия коэффициентов этого метода на ошибки первого и второго рода, установить предельные значения указанных коэффициентов.

2. Разработать эффективный алгоритм, позволяющий осуществлять выбор коэффициентов метода вычитания фона в автоматическом режиме для минимизации ошибок первого и второго рода.

3. Разработать алгоритмы для выявления ситуационного поведения динамических объектов: обнаружение движения в поле сил тяготения по параболе с учётом пропуска кадров, распознавание остановки объекта, распознавание траекторий объектов, движущихся в запрещённых направлениях.

4. Обобщить задачу о максимальном взвешенном паросочетании в двудольном графе на случай множественного назначения и разработать эффективный алгоритм сопоставления объектов на различных кадрах при условии разделения некоторых объектов на части.

5. Исследовать зависимость результатов работы алгоритмов компенсации дрожания камеры от плотности движения в сцене наблюдения и разработать устойчивый алгоритм стабилизации изображения с учётом движения объектов в кадре.

6. Разработать быстрый алгоритм выравнивания яркости в случае локального изменении освещённости наблюдаемой сцены.

Методы исследования. Для теоретического и практического решения поставленных задач использовались теория и алгоритмы цифровой обработки сигналов, теория графов и алгоритмы на графах, теория вероятности и математическая статистика, теория численных методов, теория алгоритмов, теория алгоритмической сложности, математическое моделирование вычислительных систем, теория и методы оптимизации, дифференциальное и интегральное исчисление, теория рядов и сходимости, комбинаторика, теория производящих функций.

Научная новизна состоит в разработке, анализе и применении в компьютерных видеосистемах алгоритмов повышения эффективности визуализации и достоверности автоматической регистрации динамических объектов. При выполнении диссертационной работы получены следующие новые научные результаты:

1. Впервые теоретически получены предельные значения коэффициента обновления в методе вычитания фона. Для повышения достоверности автоматической регистрации динамических объектов предложен модифицированный алгоритм вычитания фона, который использует два различных коэффициента (коэффициент обновления и коэффициент порога) вместо одного.

2. Разработан алгоритм пороговой компенсации, выбирающий коэффициент обновления в методе вычитания фона таким образом, чтобы ошибка первого рода (ложные срабатывания), обусловленная шумами изображения (квантовыми, дробовыми, теневыми шумами, током смещения, шумом считывания, дискретизацией) была не выше 0,003% в час, а также минимизирующий ошибку второго рода (пропуск объектов) при фиксированной ошибке первого рода.

3. Предложен параллельно-конвейерный алгоритм обнаружения движения, который сокращает время обработки одного кадра в 3−4 раза и при этом не уменьшает достоверности обнаружения динамических объектов.

4. Для повышения эффективности визуализации разработаны алгоритмы выявления ситуационного поведения динамических объектов: обнаружение динамических объектов, двигающихся в поле сил тяготенияраспознавание остановки объектараспознавание траекторий объектов, движущихся в запрещённых направлениях.

5. Для повышения эффективности визуализации при решении задачи о сопоставлении объектов между кадрами предложено использовать множественное назначение. Обобщена задача о максимальном взвешенном па-росочетании в двудольном графе на случай ограниченного взвешенного паросочетания, к которому сведена задача о множественном назначении. Разработан алгоритм сопоставления объектов на различных кадрах при' условии разделения некоторых объектов на части.

6. Разработан устойчивый алгоритм стабилизации изображения с учётом движения объектов в кадре.

7. Разработан быстрый алгоритм выравнивания яркости в случае локального изменении освещённости.

Практическая значимость. Разработанные в диссертации теоретические расчёты, способы и алгоритмы используются в семействе компьютерных видеосистем:

1) системы видеонаблюдения с компьютерным зрением «Orwell2k» (патенты РФ на полезные модели № 36 315 от 07.08.2003 и № 36 912 от 23.06.2003, патенты РФ № 2 265 531 от 07.08.2003 и № 2 268 497 от 23.06.2003);

2) видеодетектор предметов «Orwell2k-Barrier», распознающий динамические объекты при движении в поле сил тяжести;

3) система подсчета зрителей в кинозалах «Orwell2k-Cinema» (патент РФ на полезную модель № 47 546 и на изобретение № 2 296 434).

Все указанные системы были разработаны при непосредственном участии автора на предприятии ГУП НПЦ «ЭЛВИС». Основные программные средства видеосистем официально зарегистрированы (свидетельство № 2 003 612 604 от 28.11.2003).

Используемый в системах «Orwell2k» и «Orwell2k-Cinema» параллельно-конвейерный алгоритм позволил сократить время обработки одного кадра в 3−4 раза, что, в свою очередь, позволило сократить число используемых в системе серверов в 3 раза. Для ЭВМ с процессором Intel Core 2 Duo, 2,66 ГГц, сокращение составило с 8мс до 2−3 мс на кадр размера 352×288. Указанное улучшение производительности распространяется на ЭВМ любой конфигурации.

Алгоритм пороговой компенсации снижает ошибку первого рода (ложные срабатывания), обусловленную шумами яркости изображения (квантовыми, дробовыми, теневыми шумами, током смещения, шумом считывания, дискретизацией) до значения не выше 0,003% в час, а также минимизирует ошибку второго рода (пропуск объектов) при фиксированной ошибке первого рода.

За счёт использования разработанного в диссертации алгоритма обнаружения динамических объектов, которые появляются в зоне обзора камеры и двигаются под действием только гравитационных сил, видеодетектор «Оте112к-Вагпег» позволяет своевременно предупредить факты хищений, контрабанды, преднамеренных попыток переброса взрывчатых веществ на охраняемые объекты, незаконной передачи предметов.

Разработанный алгоритм обнаружения динамических объектов, двигающихся в запрещённых направлениях, позволяет автоматизировать фиксацию нарушений и контроль за дорожной обстановкой.

Достоверность результатов обусловлена применением общепринятых математических методов, и подтверждается хорошей сходимостью теоретических оценок с результатами экспериментальных исследований и испытаний.

Внедрение результатов. Результаты диссертационной работы внедрены в компьютерной видеосистеме «Оте112к». Система введена в эксплуатацию на периметре и в зоне авиационной деятельности центра деловой авиации аэропорта Домодедово (система РАЯЖ 46 652.001−0С.ПЗ), при строительстве ограждения с видеонаблюдением территории 1-го пускового комплекса II очереди особой экономической зоны ППТ «Липецк» в Гря-зинском районе Липецкой области (проект Система видеонаблюдения СПО 105-КТСа-СТН, РАЯЖ 46 352.003) и на других объектах. Применение систем подтверждено актами о внедрении.

Личный вклад. Все выносимые на защиту научные положения, проведённые в рамках диссертационной работы, теоретические и экспериментальные исследования, разработка и внедрение выполнены автором лично или при его непосредственном участии.

На защиту выносятся:

1. Вывод предельных значений коэффициента обновления в методе вычитания фона.

2. Алгоритм пороговой компенсации, выбирающий коэффициент обновления в методе вычитания фона таким образом, чтобы ошибка первого рода (ложные срабатывания), обусловленная шумами яркости изображения была пе выше 0,003% в час, а также минимизирующий ошибку второго рода (пропуск объектов) при фиксированной ошибке первого рода.

3. Параллельно-конвейерный алгоритм обнаружения движения, сокращающий время обработки одного кадра в 3−4 раза.

4. Алгоритмы распознавания ситуационного поведения динамических объектов: обнаружение динамических объектов, двигающихся в поле сил тяготенияраспознавание остановки объектараспознавание траекторий объектов, движущихся в запрещённых направлениях.

5. Модифицированный алгоритм Хатчинсона для генерации коллекции ограниченно растущих строк аа2 •. .ап, позволяющий пробегать лишь по ограниченным разбиениям.

6. Сведение задачи сопоставления объектов на различных кадрах при условии разделения некоторых объектов на части, к ограниченной задаче о максимальном взвешенном паросочетании (ОЗМВП). Алгоритм решения ОЗМВП для случая небольших входных данных, использующий модифицированный алгоритм Хатчинсона. Три приближенных алгоритма решения ОЗМВП для общего случая.

7. Алгоритм стабилизации изображения с учётом движения объектов в кадре.

8. Алгоритм выравнивания яркости при локальном изменении освещённости.

Апробация работы. Результаты диссертационной работы докладывались на XLVII и XLVIII научной конференции Московского физико-технического института, а также на XV, XVI и XVII конференциях молодых учёных, аспирантов и студентов по современным проблемам машиноведения в институте машиноведения им. A.A. Благонравова РАН.

Компьютерные видеосистемы семейства «Orwell2k», в которых внедрены результаты работы, демонстрировались на 13 выставках.

Публикации. Основное содержание диссертации отражено в 23 опубликованных работах, в том числе 5 статьях в журналах, входящих в перечень, утверждённый ВАК. Без соавторов опубликовано 9 статей. В соавторстве получены 2 патента на изобретения, 3 свидетельства на полезную модель и 1 свидетельство о регистрации программы.

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка основных обозначений, списка литературы и приложений. Работа содержит 240 страниц, из них 177 страниц основного текста, 43 рисунка и 13 таблиц на 27 страницах, список литературы из 107 наименований и приложения на 16 страницах.

Выводы.

1. Проведён анализ функциональной схемы и основных параметров компьютерных систем видеонаблюдения.

2. На примере проекта Система видеонаблюдения СПО Ю5-КТСО-СТН, РАЯЖ 46 352.003, была описана схем построения производственных образцов аппаратуры.

3. Экспериментально проверены алгоритмы обнаружения динамических объектов. Подтверждены зависимости между шириной зоны наблюдения и размерами обнаруживаемых объектов.

4. Результаты диссертационной работы внедрены в компьютерной видеосистеме «0гуе112к». Система введена в эксплуатацию на периметре и в зоне авиационной деятельности центра деловой авиации аэропорта Домодедово (система РАЯЖ 46 652.001 -0С.ПЗ), при строительстве ограждения с видеонаблюдением территории 1-го пускового комплекса II очереди особой экономической зоны ППТ «Липецк» в Грязинском районе Липецкой области (проект Система видеонаблюдения СПО 105-КТС0-СТН, РАЯЖ 46 352.003) и на других объектах.

Заключение

.

При выполнении диссертационной работы достигнуты следующие результаты.

1. Получены предельные значения коэффициента обновления в методе вычитания фона. Для повышения достоверности автоматической регистрации динамических объектов предложен модифицированный алгоритм вычитания фона, который использует два различных коэффициента (коэффициент обновления и коэффициент порога) вместо одного.

2. Разработан алгоритм пороговой компенсации, выбирающий коэффициент обновления в методе вычитания фона таким образом, чтобы ошибка первого рода (ложные срабатывания), обусловленная шумами яркости изображения (квантовыми, дробовыми, теневыми шумами, током смещения, шумом считывания, дискретизацией) была не выше 0,003% в час, а также минимизирующий ошибку второго рода (пропуск объектов) при фиксированной ошибке первого рода.

3. Предложен параллельно-конвейерный алгоритм обнаружения' движения, который сокращает время обработки одного кадра в 3−4 раза и при этом не уменьшает достоверности обнаружения динамических объектов.

4. Для повышения эффективности визуализации разработан способ распознавания покидающих зону наблюдения динамических объектов для решения проблемы «дыр» в методе вычитания фона.

5. Для повышения эффективности визуализации разработаны алгоритмы для распознавания ситуационного поведения динамических объектов: обнаружение динамических объектов, двигающихся в поле сил тяготенияраспознавание остановки объектараспознавание траекторий объектов, движущихся в запрещённых направлениях.

6. Для решении задачи о сопоставлении объектов между кадрами предложено использовать множественное назначение. Обобщена задача о максимальном взвешенном паросочетании в двудольном графе на случай ограниченного взвешенного паросочетания, к которому сведена задача о множественном назначении. Для повышения эффективности визуализации разработан алгоритм сопоставления объектов на различных кадрах при условии разделения некоторых объектов на части.

7. Разработан устойчивый алгоритм стабилизации изображения с учётом движения объектов в кадре.

8. Разработан линейный по времени алгоритм выравнивания яркости в случае локального изменении освещённости.

9. Результаты диссертационной работы применены в программно-аппаратных комплексах «Огуе112к», разработанных при непосредственном участии автора (свидетельство о регистрации программы № 2 003 612 604 от 28.11.2003, патенты РФ № 36 315 от 07.08.2003, № 36 912 от 23.06.2003, № 2 265 531 от 07.08.2003, № 2 268 497 от 23.06.2003).

10. Разработанные в диссертации теоретические расчёты, способы и алгоритмы используются в семействе компьютерных видеосистем «Оте112к». Программно-аппаратный комплекс «Оте112к» был применён при строительстве ограждения с видеонаблюдением территории 1-го пускового комплекса II очереди особой экономической зоны ППТ «Липецк» в Грязин-ском районе Липецкой области (проект Система видеонаблюдения СПО Ю5-КТСО-СТН, РАЯЖ 46 352.003, см. приложение 1), для обеспечения охраны территории и видеонаблюдения зоны авиационной деятельности центра деловой авиации аэропорта Домодедово (система РАЯЖ 46 652.001-ОС.ПЗ).

Показать весь текст

Список литературы

  1. Физическая Энциклопедия / Гл. ред. А. М. Прохоров. Ред. кол. Д. М. Алексеев, А. М. Балдип, А. М. Бонч-Бруевич, А. С. Боровик-Романов и др. — М.: Большая Российская Энциклопедия, т. 5, 1998.
  2. В. К. Телевидение // УФЫ, 1934, т. 14
  3. W. S., Smith G. Е. Charge coupled semiconductor devices. // Bell Systems Technical Journal, vol. 49, pp. 587−593, April 1970.
  4. Boyle W. S., Smith G. E. The Inception of Charge-Coupled Devices // IEEE Transactions on electron devices, vol. ED-23, No. 7, July 1976.
  5. В. В. Исследование слабых астрономических объектов методами телевизионной электроники. // УФН, 1979, т. 127, вып. 3.
  6. Oppenheim А. V., Schafer R. W., Stockham Т. G., Nonlinear Filtering of Multiplied and Convolved Signals, Proceedings of the IEEE, vol. 56, No. 8, August 1968.
  7. P., Вудс P. Цифровая обработка изображений — M.: Техносфера, 2005.
  8. Л. Шапиро, Дж. Стокман Компьютерное зрение — М.: Бином. Лаборатория знаний, 2006.
  9. Форсайт, ДэвидА., Понс, Жан. Компьютерное зрение. Современный подход.: Пер. с англ. — М.: Издательский дом «Вильяме», 2004.
  10. G. Е., Kondepudy R. Radiometric CCD camera calibration and noise estimation // IEEE Pattern analysis and machine intelligence, vol. 16, No. 3, pp. 267−276, 1994.
  11. C. Anderson, Peter Burt, and G. van der Wal. Change detection and tracking using pyramid transformation techniques. In Proceedings of SPIE
  12. Intelligent Robots and Computer Vision, volume 579, pages 72−78, 1985.
  13. P. L. Rosin and T. Ellis, «Image difference threshold strategies and shadow detection,» in Proc. British Machine Vision Conf., pp. 347−356, 1995.
  14. J. Barron, D. Fleet, and S. Beauchemin. Performance of optical flow techniques. International Journal of Computer Vision, 12 (1), 42−77, 1994.
  15. Lukas B. D. and Kanade T. «An iterative image registration technique with an application to stereo vision». In Proceedings of the International Joint Conference on Artificial Intelligence, pp. 674−679, 1981.
  16. Horn B. K. P. and Schunck B. G. «Determining optical flow.» Artificial Intelligence, vol. 17, pp. 185−203, 1981.
  17. B. D. «Generalized Image Matching by the Method of Differences», PhD Dissertation, Dept. of Computer Science Carnegie-Mellon University.
  18. Eero Simoncelli, Edward H. Adelson, David J. Hecgcr, «Probability Distributions of Optical Flow», Proc. Conf. on Computer Vision and Pattern Recognition, pp. 310−315.
  19. Andres Bruhn, Joachim Weickert, Christoph Schnorr. Lucas/Kanade meets Horn/Schunck: Combining Local and Global Optic Flow Methods. International Journal of Computer Vision 61 (3): 211−231, 2005.
  20. Tomasi C. and Kanade T. «Detection and Tracking of Point Features,» Tech. Rept. CMU-CS-91 132, Carnegie Mellon University, April 1991.
  21. Shi J. and Tomasi C. Good Features to track. IEEE Conference on Computer Vision and Pattern Recognition (CVPR'94), pp. 593−600, June 1994.
  22. H.P. Moravec. Towards automatic visual obstacle avoidance. In Proceedings of the 5th International Joint Conference on Artificial Intelligence, Cambridge, Massachusetts, USA, page 584, 1977.
  23. S.M. Smith and J.M. Brady. Asset-2: Real-time motion segmentation and shape tracking. Transactions of the IEEE on Pattern Matching and Machine Intelligence, 1995, vol. 17, number 8, pp. 814−820.
  24. C. Harris and M. Stephens. A combined corner and edge detector. In Alvey Vision Conference, pages 147−151, 1988.
  25. Schmid, Mohr, Bauckhage. «Evaluation of Interest Point Detectors», International Journal of Computer Vision, vol. 37, No. 2, p. 151−172, 2000.
  26. H. Asada and M. Brady. The curvature primal sketch, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(1), pp. 2−14, 1986.
  27. S. Baker, S. Nayar, and H. Murase. Parametric feature detection. International Journal of Computer Vision, 27(l):27−50, 1998.
  28. T. Lindeberg. «Edge detection and ridge detection with automatic scale selection». International Journal of Computer Vision 30 (2), pp. 117−154, 1998.
  29. T. Lindeberg. «Detecting Salient Blob-Like Image Structures and Their Scales with a Scale-Space Primal Sketch: A Method for Focus-of-Attention». International Journal of Computer Vision 11 (3), pp. 283−318, 1993.
  30. T. Lindeberg. «Feature detection with automatic scale selection». International Journal of Computer Vision 30 (2), pp. 77−116, 1998.
  31. Y. Cheng, V. Wu, R. Collins, A. Hanson and E. Riseman. «Maximum-Weight Bipartite Matching Technique and Its Application in Image Feature Matching,» 1996, Proc. SPIE Visual Comm. and Image Processing, 1. Orlando, FL.
  32. K. Sha&que, M. Shah, A Noniterative Greedy Algorithm for Multiframe Point Correspondence, Transactions of the IEEE on Pattern Matching and Machine Intelligence, 2005, vol. 27, number 1.
  33. K. Toyama, J. Krumm, B. Brumitt, and B. Meyers, «Wallflower: Principles and practice of background maintenance,» in Proc. Int. Conf. Computer Vision, Corfu, Greece, 1999, pp. 255−261.
  34. P. «Measuring Visual Motion from Image Sequences», Doctoral Dissertation, Computer Science Department, University of Massachusetts, 1987.
  35. Burt P. J. and Adelson E. H. «The Laplacian pyramid as a compact image code», IEEE Trans, on Communications 31, pp. 532−540.
  36. J.J. Little and A. Verri. «Analysis of differential and matching methods for optical flow», Proc. Workshop on Visual Motion pp. 173−180, 1989.
  37. C.D. Kuglin and D.C. Hines, «The phase correlation image alignment method,» in IEEE International Conference on Systems, Man and Cybernetics, September 1975, pp. 163−165.
  38. E. De Castro and C. Morandi «Registration of Translated and Rotated Images Using Finite Fourier Transforms», IEEE Transactions on Pattern analysis and machine intelligence, Sept. 1987.
  39. Eric Grimson and Paul Viola. A forest of sensors. In Proceedings of DARP — VSAM workshop II, November 1997.
  40. I. Haritaoglu, D. Harwood, and L. S. Davis, «W4: Real-time surveillance of people and their activities,» IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, pp. 809−830, Aug. 2000.
  41. C. Stauffer and W. E. L. Grimson, «Learning patterns of activity using real-time tracking,» IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, pp. 747−757, Aug. 2000.
  42. C. Stauffer and W. E. L. Grimson, «Adaptive background mixture models for real-time tracking,» in IEEE Computer Vision and Pattern Recognition, 1999, pp. 11:246−252.
  43. C. R. Wren, A. Azarbayejani, T. J. Darrell, and A. P. Pentland, «Pfinder: Real-time tracking of the human body,» IEEE Trans. Pattern Anal. Mach. Intell., vol. 19, pp. 780−785, July 1997.
  44. M. Cristani, M. Bicegi, and V. Murino, «Integrated Region- and Pixel-based Approach to Background Modeling», Proceedings of the MOTION, 2002.
  45. Y. Tian, M. Lu, and A. Hampapur. Robust and effcient foreground analysis for real-time video surviellance. In IEEE Conference on Computer Vision and Pattern Recognition, 2005, Volume 1, pp. 1182−1187
  46. T. Kanade, R. Collins, A. Lipton, P. Anandan, and P. Burt. Cooperative multisensor video surveillance. In Proceedings of the 1997 DARPA Image Understanding Workshop, volume 1, pp. 3−10, May 1997.
  47. T. Kanade, R. Collins, A. Lipton, P. Burt, and L. Wixson, «Advances in cooperative multi-sensor video surveillance,» in Proc. 1998 DARPA Image Understanding Workshop, vol. 1, Monterey, CA, Nov. 1998, pp. 3−24.
  48. R. Collins, A. Lipton, T. Kanade, H. Fujiyoshi, D. Duggins, Y. Tsin, D. Tolliver, N. Enomoto, and O. Hasegawa, «A system for video surveillance and monitoring: VSAM final report,» Robotics Inst., CMU-RI-TR-00−12,
  49. Ю. И., Гуревич И. Б. Распознавание образов и распознавание изображений, Распознавание, классификация, прогноз. — 1989. — т. 2.
  50. Ю. И. Избранные научные труды. — М. Издательство Магистр, 1998.
  51. АсановМ.О., Баранский В. А., Расин В. В. Дискретная математика: графы, матроиды, алгоритмы. — Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001.
  52. Р. Введение в теорию графов. — М.: Мир, 1977.
  53. Н. Теория графов. Алгоритмический подход. — М.: Мир, 1978.
  54. Kuhn Н. W. The Hungarian Method for the Assignment Problem, Naval Res. Legist. Quart., vol. 2, pp. 83−97, 1955.
  55. Hopcroft J.E., Karp R. M. An n5//2 algorithm for maximum matchings in bipartite graphs, Proceedings of the 12th Annual Symposium on Switching and Automata Theory (East Lansing, 1971), IEEE Computer Society Press, New York, 1971, 122−125 54, 201.
  56. Hopcroft J. E., KarpR.M. An n5/2 algorithm for maximum matching in bipartite graphs //J. SIAM Comput, 1973. vol. 2. — pp. 225−231.
  57. Gabow H. N. Implementation of algorithms for maximum matching on nonbipartite graphs, Ph. D. Thesis, Stanford University, 1973.
  58. Gabow H. N. An efficient implementation of Edmonds algorithm for maximum matching on graphs //J. ACM. — 1976.- Vol. 23. P. 221−234.
  59. Lawler E. L. Combinatorial Optimization: Networks and Matroids, Holt, Rine-hart, and Winston, New York, 1976.
  60. Galil Z. Efficient algorithms for finding maximal matching on graphs // Lect. Notes Comput. Sci, 1983. Vol. 159. — pp. 90−113.
  61. Galil Z., Micali S., Gabow II. An 0(EV logV) algorithm for finding a maximal weighted matching in general graphs, SI AM Journal on Computing, v.15 n. l, p.120−130, Feb. 1986
  62. H. N. «Data structures for weighted matching and nearest common ancestors with linking», in: Proceedings of the First Annual ACM-SIAM Symposium on Discrete Algorithms, Association for Computing Machinery, New York, 1990, pages 434−443.
  63. M., Тхуласираман К. Графы, сети и алгоритмы. —- М.: Мир, 1984.
  64. Micali S., Vazirani AV. V. An 0{/VE) algorithm for finding maximum matching in general graphs // Proc. 21st Ann. Symp. on the Foundations of Сотр. Sci., Long Beach, California: IEEE. 1980. — P. 17−27.
  65. Э. Алгоритмы оптимизации па сетях и графах. — М.: Мир, 1981.
  66. X., СтайглицК. Комбинаторная оптимизация: Алгоритмы и сложность. — М.: Мир, 1985.
  67. Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ / Пер. с англ. под. ред. А. Шеня. — М.: МЦНМО: БИНОМ. Лабораториязнаний, 2004. — 2-е изд.
  68. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. — М.: Мир, 1979.
  69. Ахо А., Хопкрофт Дж., Ульман Дж. Структуры данных и алгоритмы. — М.: Издательский дом «Вильяме», 2000.
  70. Стенли, Ричард. Перечислительная комбинаторика. — М.: Мир, 1990.
  71. Стенли, Ричард. Перечислительная комбинаторика: Деревья, производящие функции и симметрические функции. — М.: Мир, 2005.
  72. Е. С. Теория вероятностей. — М.: Издательство «Наука», 1969
  73. А. Н. Основные понятия теории вероятностей. — М.: Издательство «Наука», 1974
  74. Н. Н. Численные методы. — М.: Наука, 1978.
  75. М. И. Итерации вещественных функций и функциональные уравнения. — Новосибирск, 1997.
  76. Н. С., Жидков Н. П., Кобельков Г. М. Численные методы, 3-е изд., перераб. и доп. — М.: БИНОМ, Лаборатория знаний, 2003.
  77. Д. Э. Искусство программирования, том 1. Основные алгоритмы, 3-е изд.: Пер. с англ. — М.: Издательский дом «Вильяме», 2002.
  78. Д. Э. Искусство программирования, том 4, выпуск 3: генерация всех сочетаний и разбиений.: Пер. с англ. — М.: Издательский дом «Вильяме», 2007.
  79. А. С. «Расчёт допустимых значений линейного коэффициента порога в методе вычитания фона при обнаружении движения», М.: из-во «Компания Спутник-)-«, научно-технический журнал «Актуальные проблемы современной науки», № 6, 2007, с. 165−168.
  80. А. С. «Алгоритм пороговой компенсации влияния фоновых шумов на качество изображения», М.: из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», № 5, 2007, с. 191−192.
  81. А. С. «Параллельно-конвеерный алгоритм обнаружения движения и выделения соответствующих областей в последовательности видеоизображений», М.: из-во «Компания Спутник+», научно-технический журнал «Техника и технология», № 5, 2007, с. 29−30.
  82. А. С. «Градиентный анализ границ областей движения в методе вычитания фона при решении проблемы покидающих зону наблюдения объектов», М.: из-во «Компания Спутник+», научно-технический журнал «Техника и технология», № 5, 2007, с. 191−192.
  83. А. С. «Быстрое выравнивание локальной яркости видеоизображений в условиях переменной облачности», М.: из-во «Компания Спутник+», научно-технический журнал «Техника и технология», 5, 2007, с. 26−27.
  84. А. С. «Алгоритмы стабилизации изображения с учётом движения объектов в кадре», М.: из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», № 5, 2007, с. 193−194.
  85. А. С. «Обнаружение движения по параболе с учётом пропуска кадров в системе видеонаблюдения реального времени», М.: из-во «Компания Спутник+», научно-технический журнал «Естественные и технические науки», № 5, 2007, с. 195−196.
  86. А. С. «Алгоритм распознавания остановки объекта в системе видеонаблюдения с детектором движения», М.: из-во «Компания Спутник+», научно-технический журнал «Актуальные проблемы современной науки», № 6, 2007, с. 164−165.
  87. А. С. «Алгоритм анализа траекторий движущихся па видеопоследовательности объектов с помощью потенциалов», М.: из-во «Компания Спутник-)-«, научно-технический журнал «Актуальные проблемы современной науки», № 6, 2007, с. 162−163.
  88. А. С. Малистов, A.A. Солохин, A.B. Хамухин, «Слежение за целями в мультисенсорных системах видеонаблюдения с компьютерным зрением», труды XLVIII научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук», Москва, 2005.
  89. С.Т. Иванченко, И. А. Канн, К. В. Лунин, А. С. Малистов, Я.Я. Пет-ричкович, A.A. Солохин, В. П. Сомиков, A.B. Хамухин, «Система обеспечения безопасности и мониторинга мобильных объектов». //Патент РФ на полезную модель № 36 315, бюл. № 7, 2004.
  90. С.Т. Иванченко, И. А. Канн, К. В. Лунин, А. С. Малистов, Я.Я. Пет-ричкович, A.A. Солохин, В. П. Сомиков, A.B. Хамухин, «Система обеспечения безопасности и мониторинга мобильных объектов». //Патент РФ № 2265 531, бюл. № 34, 2005.
  91. И.А. Кан, К. В. Лунин, А. С. Малистов, Я. Я. Петричкович, A.A. Солохин, В. П. Сомиков, A.B. Хамухин, «Система и способ автоматизированного видеонаблюдения и распознавания объектов и ситуаций». //Патент РФ на полезную модель № 36 912, бюл. № 9, 2004.
  92. И.А. Кан, К. В. Лунин, А. С. Малистов, Я. Я. Петричкович, A.A. Солохин, В. П. Сомиков, A.B. Хамухин, «Система и способ автоматизированного видеонаблюдения и распознавания объектов и ситуаций». //Патент РФ № 2 268 497, бюл. № 02, 2006.
Заполнить форму текущей работой