СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ
ISSN (печатн.): 2782-2001
ISSN (онлайн): 2782-215X
Актуальность представленной работы определяется потребностью в создании автоматических охранных систем в местах скопления людей, обнаруживающих подозрительное поведение человека, которое проявляется в резких движениях. Это необходимо в целях предупреждения потенциальной опасности и принятия впоследствии соответствующих мер. Разработаны две программы по слежению за объектами (примером объектов в данной статье являются люди), изменяющими свое положение в кадре, с выделением их в обрамляющие прямоугольники. Описаны алгоритм сравнения двух кадров из видеопотока и обрамление в прямоугольник людей, изменивших свое положение в кадре. Созданный алгоритм позволяет обрабатывать вплоть до 17 пар кадров в секунду, что означает применимость алгоритма в задачах реального времени. Установлено, что задание минимальной высоты объекта для определения именно человека как объекта, который будет обрамлен прямоугольником, является необходимой частью алгоритма для исключения выделения шумов как подвижных объектов. Показан высокий результат по точности и времени выделения объектов в задачах реального времени при использовании предложенного алгоритма.
Лошаков Константин Павлович
1. Prasad P.B. Machine vision systems and image processing with applications // Journal of Innovation in Computer Science and Engineering. – 2013. – Vol. 2 (2). – P. 1–4.
2. Luvizon D.C., Nassu B.T., Minetto R. Vehicle speed estimation by license plate detection and tracking [Electronic resource] // 2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). – Florence, Italy, 2014. – P. 6563–6567. – URL: https://www.researchgate.net/publication/262067228_Vehicle_speed_estimation_by_license_plate_detection_and_tracking (accessed: 15.09.2019).
3. Методы вычитания фона в системе управления технологическим процессом [Электронный ресурс] / М.П. Шлеймович, М.В. Медведев, С.А. Ляшева, А.П. Кирпичников // Вестник технологического университета. – 2015. – Т. 18, № 13. – С. 166–170. – URL: https://cyberleninka.ru/article/v/metody-vychitaniya-fona-v-sisteme-upravleniya-tehnologicheskim-protsessom (дата обращения: 15.09.2019).
4. Ke Xia, Zhengxin Weng. Workpieces sorting system based on industrial robot of machine vision // 2016 3rd International Conference on Systems and Informatics (ICSAI). – Shanghai, China, 2016. – P. 422–426.
5. Лошаков К.П. Разработка системы компьютерного зрения для сельскохозяйственной техники // Молодежь и современные информационные технологии: сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых ученых. – Томск, 2018. – С. 340–341.
6. Surface defect detection of plaster coating based on machine vision / H. Wu, H. Luo, W. Zhu, Y. Wang, Q. Zhang, B. Ma, Y. Yang, H. Fan, H. Xu // 2017 IEEE International Conference on Unmanned Systems (ICUS). – Beijing, China, 2017. – P. 277–281.
7. Govardhan P., Pati U.C. NIR image based pedestrian detection in night vision with cascade classification and validation // 2014 IEEE International Conference on Advanced Communications, Control and Computing Technologies. – Ramanathapuram, India, 2014. – P. 1435–1438.
8. Pertsau D., Uvarov A. Face detection algorithm using haar-like feature for GPU architecture // 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS). – Berlin, Germany, 2013). – P. 726–730.
9. Bradsky G., Kaehler A. Learning OpenCV. – Sebastopol, CA: O’Reilly, 2008. – ISBN 978-0-596-51613-0.
10. Localization of white blood cell images using Haar cascade classifiers [Electronic resource] / Rezha Aditya Maulana Budiman, Balza Achmad, Faridar, Agus Arif, Nopriadi, Luthfi Zharif // 2016 1st International Conference on Biomedical Engineering (IBIOMED). – Yogyakarta, Indonesia, 2016. – URL:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7869822 (accessed: 19.09.2019).
11. The structure of the XML file generated: understanding the XML file [Electronic resource]. – 2017. – URL: https://knowledge.exlibrisgroup.com/Primo/Product_Documentation/Technical_Guide/050Matching_Records_in_the_Serials_and_Non-Serials_Dedup_Algorithm/030Structure_of_the_XML_File (accessed: 15.09.2019).
12. Review and evaluation of commonly-implemented background subtraction algorithms / Y. Benezeth, P.M. Jodoin, B. Emile, H. Laurent, C. Rosenberger // 2008 19th International Conference on Pattern Recognition. – Tampa, FL, 2008. – P. 1–4.
13. Zivkovic Z. Improved adaptive Gaussian mixture model for background subtraction // Proceedings of the 17th International Conference on Pattern Recognition, ICPR 2004. – Cambridge, UK, 2004. – Vol. 2. – P. 28–31.
14. Zivkovic Z. Heijden F. Van Der. Efficient adaptive density estimation per image pixel for the task of background sub-traction // Pattern Recognition Letters. – 2006. – Vol. 27 (7). – P. 773–780.
15. Walt S. van der, Colbert S.C., Varoquaux G. The NumPy array: a structure for efficient numerical computation // Computing in Science and Engineering. – 2011. – Vol. 13 (2). – P. 22–30.
16. Vidanapathirana M. Real-time human detection in computer vision [Electronic resource]. – URL: https://medium.com/@madhawavidanapathirana/https-medium-com-madhawavidanapathirana-real-time-human-detection-in-computer-vision-part-1-2acb851f4e55 (accessed: 15.09.2019).
17. Васильева Т.Н., Мамонова Т.Е. Применение методов искусственного интеллекта // Молодежь и современные информационные технологии: сборник трудов XII Международной научно-практической конференции студентов, аспирантов и молодых ученых. – Томск, 2014. – С. 402–403.
18. Sukhadeve A. Understanding neural network [Electronic resource]. – 2017. – URL: https://www.datasciencecentral.com/profiles/blogs/understanding-neural-network-a-beginner-s-guide (accessed: 15.09.2019).
19. Seif E. What is deep learning? Who are the deep learning teachers? [Electronic resource]. – 2018. – URL: http://inservice.ascd.org/what-is-deep-learning-who-are-the-deep-learning-teachers/ (accessed: 15.09.2019).
20. Tensorflow Object Detection API [Electronic resource]. – URL: https://github.com/tensorflow/models/tree/master/research/object_detection (accessed: 15.09.2019).
21. Tensorflow detection model zoo [Electronic resource]. – URL: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md (accessed: 15.09.2019).
Лошаков К.П., Мамонова Т.Е. Алгоритм отслеживания и выделения движущихся объектов в видеопотоке // Научный вестник НГТУ. – 2019. – № 3 (76). – С. 77–86. – DOI: 10.17212/1814-1196-2019-3-77-86.
Loshakov K.P., Mamonova T.E. Algoritm otslezhivaniya i vydeleniya dvizhushchikhsya ob"ek-tov v videopotoke [An algorithm of tracking and detection of moving objects in a video stream]. Nauchnyi vestnik Novosibirskogo gosudarstvennogo tekhnicheskogo universiteta – Science bulletin of the Novosibirsk state technical university, 2019, no. 3 (76), pp. 77–86. DOI: 10.17212/1814-1196-2019-3-77-86.
