Рассмотрим теперь вопрос об определении порога чувствительности алгоритма детектирования яркостных изменений на изображениях. На рис. 9. показана форма кратнорегрессионного псевдоспектра для случая менее продолжительного по времени изменения интенсивности, когда задний фронт пиксельного сигнала находится близко к переднему.

Рис.9. Динамическая поправка порога детектирования сигнала по псевдоспектру.

Как видно, при меньшей длительности сигнала низкочастотные составляющие псевдоспектра начинают движение в отрицательную сторону с более высоких исходных значений (после реакции на прохождение переднего фронта сигнала) и вследствие этого достигают соответствующего экстремума (в данном случае минимума) при значениях, меньших по модулю, чем заданный порог, основанный на ожидаемой оценке перепада (14). На рисунке это хорошо видно на примере составляющей, представленной  линией 5(наиболее низкочастотная из представленных составляющих псевдоспектра). Однако эта проблема может быть решена, если совместно рассмотреть пару последовательных составляющих псевдоспектра.

Рассмотрим предыдущую по отношению к данной составляющую псевдоспектра (линия 4 на рис.9). Поскольку ее реакция на изменения входного сигнала является существенно более быстрой, она гораздо раньше пересекает нулевую ось, реагируя на приход обратного фронта сигнала. В этот момент значение текущей составляющей еще существенно больше нуля. Это значение (значение текущей составляющей псевдоспектра в момент пересечения нуля предыдущей составляющей) предлагается для каждого пикселя запоминать и затем использовать для внесения динамической поправки в порог регистрации яркостных изменений. Как показано на рис. 9, детектирование обратного фронта сигнала при помощи порога с динамической поправкой оказывается успешным даже в случае анализа входного сигнала, существенно непродолжительного по сравнению с характерным временем накопления данной составляющей псевдоспектра.

НЕ нашли? Не то? Что вы ищете?

Анализ предложенных кратнорегрессионных псевдоспектров является особенно полезным именно в случае анализа изображений с целью выявления движущихся объектов или вновь появившихся/пропавших предметов. Поскольку, с одной стороны, движение объекта относительно фона за счет эффекта загораживания (замещения) яркости пикселей изображения порождает в каждом отдельном пикселе временной сигнал типа «меандр», имеющий ярко выраженные передний и задний фронты (яркостные перепады во времени). С другой стороны, возможность анализа сигнала с опорой на разности накопленных сумм с кратной памятью позволяет существенно экономить вычислительные ресурсы системы машинного зрения. Так как оценки характеристик временного сигнала необходимо получать независимо для каждого пиксля изображения, в случае использования более сложных статистик, чем накопленные суммы, необходимость вычисления соответствующих оценок параметров временного сигнала сразу приводит к резкому росту либо времени вычислений, либо используемых программой объемов памяти.

Заключение

Данное исследование посвящено изучению поведения авторегрессионных фильтров в задаче выделения и анализа движения на цифровых видеопоследовательностях.

В задаче оценки параметров видимого движения и размеров объектов рассмотрены три варианта фильтрации с применением модели авторегрессии первого порядка:

    авторегрессионная фильтрация измерений с фиксированным параметром; авторегрессионная фильтрация измерений с оптимальным выбором параметра; повторная сглаживающая авторегрессионная фильтрация.

Как показали эксперименты на большом объеме реальных данных видеонаблюдения, наиболее приемлемым способом фильтрации измерений скорости объекта оказался способ авторегрессионной фильтрации с оптимальным выбором параметра, а наиболее приемлемым способом для фильтрации размеров объекта – способ повторной сглаживающей авторегрессионной фильтрации.

Для задачи анализа оптических потоков предложен способ исследования пиксельного временного сигнала на базе вычисления кратнорегрессионных псевдоспектров. Представлена схема кратного авторегрессионного разложения временного сигнала, позволяющая для входного сигнала типа «меандр» получать регулярным образом достоверные оценки его амплитуды и длительности.

ЛИТЕРАТУРА


, ,   Выделение и межкадровое прослеживание движущихся объектов при регистрации изображений сложных пространственных сцен произвольно движущимися двумерными сенсорами // Вестник компьютерных и информационных технологий.  2006. № 3. С. 34-38. , , Использование модифицированного метода оптических потоков в задаче обнаружения и межкадрового прослеживания движущихся объектов // Вестник компьютерных и информационных технологий. 2007. № 5. С. 2 – 8. Barron J. L., Fleet D. J., Beauchemin S. S. Performance of optical flow techniques // Internat. Jour. of Computer Vision. 1994. 12(1). Р. 43–77. , Анализ данных на компьютере. М.: ИНФРА-М, 2003. 544 с. Бокс Дж., нализ временных рядов. Прогноз и Управление. М.: Мир, 1974. 608 с.

1         Работа выполнена при поддержке РФФИ, проект 05-08-18234-а.

Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4