Название: Поиск и анализ движущихся объектов по серии изображений
Вид работы: статья
Рубрика: Информатика и программирование
Размер файла: 612.16 Kb
Скачать файл: referat.me-135864.docx
Краткое описание работы: Задачи компьютерного зрения. Анализ, разработка и реализация алгоритмов поиска и определения движения объекта, его свойств и характеристик. Алгоритмы поиска и обработки найденных областей движения. Метод коррекции. Нахождение объекта по цветовому диапазон
Поиск и анализ движущихся объектов по серии изображений
В задачах компьютерного зрения возникает проблема определения и анализа движущихся объектов по последовательности изображений, полученных с малыми интервалами времени. Для распознавания подобных объектов на достаточно сложном, но неподвижном фоне необходимо определить области, в которых предположительно происходит движение. В результате исследований найденных областей, их можно изменить до размеров объектов (т.е. найти сами объекты) и определить параметры их движения. При этом количество и размеры объектов на изображениях могут изменяться в широких пределах.
Цели и задачи: анализ, разработка и реализация алгоритмов поиска и определения движения объекта, его свойств и характеристик.
Методы исследования: Теоретические методы исследований основывались на методах цифровой обработки изображений и распознавания образов. Экспериментальная часть исследования базировалась на обработке и анализе цифровых изображений с помощью ЭВМ с дальнейшей визуализаций результатов. Для программной реализации алгоритмов использовалась библиотека для обработки изображений Open Source Computer Vision Library.
1.Алгоритмы поиска областей движения
1.1 Сравнение двух последующих изображений
Определим кадр изображения, взятый в момент времени как множество
точек
, а кадр изображения, взятый в момент времени
как множество
. Пусть
- функция яркости точки изображений, определённая на множествах
и
. Один из наиболее простых подходов для определения областей движения между двумя кадрами изображения
и
основывается на сравнении соответствующих точек этих двух кадров. Для этого применяется процедура формирования так называемой разности кадров. Разностью между двумя кадрами изображения, взятыми в моменты времени
и
является следующее множество:
(1.1)
где - значение порогового уровня, выбираемое таким образом, чтобы отделить точки, в которых кадры изображения значительно отличаются друг от друга, (обусловленные движением распознаваемых объектов) от точек, в которых за время
произошли незначительные шумовые перепады яркости. Изображение
содержит предположительные области движения объектов и аддитивный шум, искажающий текущий кадр. Избавится от шума позволяют морфологические операции (операции над бинарным изображением), такие как эрозия, коррозия, а так же различные способы фильтрации и оптимальное (экспериментально подбираемое) значение порога
.
Алгоритм был реализован с помощью библиотеки для обработки изображений OpenСV. Пример его работы представлен на рис 1.1.
Изображение ![]() |
Изображение ![]() |
Разностное изображение ![]() |
Бинаризированое изображение ![]() |
Отфильтрованное изображение ![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
Рис. 1.1
Пример работы алгоритма.
1.2. Использование оптического потока.
Для определения движущихся точек и характера их движения можно воспользоваться оптическим потоком серии изображений [1]. Оптический поток определяется как видимое движение яркости изображения. Пусть яркость изображения, которое изменяется во времени, т.е. мы имеем последовательность изображений. Сделаем два важных предположения.
1. Яркость изображение зависит от координат
.
2. Яркость каждой точки движущегося или статического объекта не меняются во времени.
Пусть некоторый объект на изображении или некоторая точка, движется во времени , тогда перемещение объекта или точки может быть записано как
. Используя разложение в ряд Тейлора для функции яркости
, получим следующее выражение:
где «» - производные более высокого порядка малости.
Затем, в соответствии с выше сказанными предположениями, запишем, что
,
и .
Деление на и введение следующей замены
дают уравнение
(2.1),
обычно называемое как уравнение оптического потока, где и
являются компонентами области оптического потока в координатах
соответственно. Так как уравнение (2.1) имеет больше чем одно решение, то требуется большее количество уравнений. Используя уравнение оптического потока для областей связанных пикселей, и предполагая, что они имеют одинаковую скорость движения, задачу нахождения оптического потока можно свести к решению системы линейных уравнений. Её решение даст нам скорость передвижения связанной области пикселей.
Отметим, что найденные области на практике, как правило, не точно охватывают движущиеся объекты, что связано с погрешностью фильтрования и выбором порога бинаризации. Чтобы более точно определить области движения объектов и предположить, что эти области охватывают только искомые объекты, используются следующие алгоритмы.
2. Алгоритмы обработки найденных областей движения
2.1 Метод коррекции областей движения
Метод приводит найденные области движения к форме, более удобной для дальнейшей обработки. Он связывает отдельные элементы областей, получившихся на разностном изображении.
Пусть необходимо выделить области правильной формы, являющиеся достаточно крупными областями движения. Задачу можно формализовать следующим образом: необходимо разбить множество точек на максимально возможное число подмножеств
так, чтобы они не пересекались.
Предложим следующий алгоритм решения формализованной задачи:
1. На множестве конструируем подмножества, содержащие связанные точки
, выбранные как лежащие рядом друг с другом, в соответствии со следующим критерием
.
2. Конструируем подмножества более высокого уровня, являющиеся областями правильной формы , охватывающими подмножества более низкого уровня.
3. Повторяем пункт 2 до тех пор, пока не получим конечное количество подмножеств наивысшего уровня.
Метод был адаптирован и реализован функциями библиотеки OpenCV. Примеры его работы приведены на рис. 2.1.
![]() |
Области правильной формы | |
Круг | Прямоугольник | |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
Рис. 2.1
Пример работы алгоритма для разных областей правильной формы.
2.2. Нахождение объекта по цветовому диапазону
Метод использует гистограмму изображения исходного объекта для нахождения объекта с такими же цветовыми характеристиками на серии изображений.
Пусть необходимо построить изображение в оттенках серого цвета, содержащее необходимые нам объекты.
Введём следующие определения. Для простоты описание решения формализованной задачи, ввёдём оператор, который преобразует функцию яркости изображения в функцию количественного распределения пикселей с определенным значением яркости (гистограмму)
(где k – численное значение яркости):
Обратный оператор преобразует гистограмму в изображение в оттенках серого.
Алгоритм поставленной задачи состоит из следующих этапов:
1. Построение гистограмм искомого объекта и исходного изображения
2. Формируем новую гистограмму, как нормированное произведение и
:
3. Используя обратное преобразование , получаем функцию, которая является искомым изображением в оттенках серого:
Метод был адаптирован и реализован функциями библиотеки OpenCV. Примеры его работы приведены на рис. 2.2.
Доска | Черная фишка | Белая фишка | |
Исходное изображение | ![]() |
![]() |
![]() |
Гистограмма изображения | ![]() |
![]() |
![]() |
Исходное изображение | По гистограмме доски | По гистограмме черная фишка | По гистограмме белая фишка |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
![]() |
Рис. 2.2
Пример работы алгоритма.
3. Результаты исследований
В результате проведённых исследований были сделан вывод, что большую часть областей, получившихся в результате применения вышеописанных алгоритмов, занимают искомые объекты, и мы можем по этим областям оценить сами объекты.
Все алгоритмы были реализованы функциями библиотеки OpenCV. И на их основе была написана программа для автоматического определения выставляемых на доску фишек, описанная в [3].
Литература .
1. Open Source Computer Vision Library Reference Manual
2. О. С. Семерий. Метод максимальных площадей для выделения движущихся объектов по серии изображений
Похожие работы
-
Программное определение числовых массивов
Одномерные числовые массивы, образование элементами целочисленного массива невозрастающей последовательности. Программное нахождение суммы элементов каждой возможной строки матрицы и формирование массива из найденных сумм, вывод массива-результата.
-
Особенности реализации машинно-ориентированных алгоритмов расчета частотных характеристик канала воздействия
Рассмотрены проблемы формализованного анализа динамики сложных технологических объектов на базе топологических моделей. Приведены результаты машинной реализации алгоритмов расчета частотных характеристик.
-
Разработка модели прогнозирования поездного положения
Проведен анализ теоретических основ задачи прогнозирования поездной работы. Разработана модель, которая позволяет учитывать перемещение поездов по полигону от станции отправления к станции назначения.
-
Машинное зрение
Обзор истории развития и применения компьютерного зрения для промышленности и производства. Областью интереса машинного зрения являются цифровые устройства ввода/вывода и компьютерные сети, предназначенные для контроля производственного оборудования.
-
Определение связности графа на Лиспе
Двоичные деревья в теории информации. Двоичные кодовые деревья допускают интерпретацию в рамках теории поиска. Обоснование выбора, описание алгоритма и структур данных. Обоснование набора тестов. Построение оптимального кода. Сущность алгоритма Хаффмана.
-
Распознавание трехмерных объектов на сложном фоне по части контура
Представлено описание простого алгоритма распознавания трехмерных предметов; описан алгоритм оконтуривания проекций предметов и их частей на изобразительную плоскость; предложены методы распознавания трехмерных предметов по части контура.
-
Алгоритмы выделения контуров
Белорусский Государственный Университет Информатики и Радиоэлектроники. Контрольная работа по дисциплине «МАТИ» Выполнил студент группы 500501
-
Построение и использование компьютерных моделей
Понятие компьютерной и информационной модели. Задачи компьютерного моделирования. Дедуктивный и индуктивный принципы построения моделей, технология их построения. Этапы разработки и исследования моделей на компьютере. Метод имитационного моделирования.
-
Анализ существующих подходов к системам локализации области губ человека на изображении
Понятие визуальной системы ввода информации, ее сущность и особенности, место и роль в современном развитии интерфейсов между человеком и компьютером. Развитие технологии автоматического обнаружения и распознавания лица, контуров губ в видеопотоке.
-
Программное обеспечение системы обработки изображения в реальном времени
Общий алгоритм сравнения двух изображений. Метод максимальных площадей. Метод гистограмм. Подготовка изображения к распознаванию. Моделирование многомерной функции. Распределение векторов. Деформируемые модели. Реализация программного обеспечения.