К.Г. Денисов, Л.Р. Пантелеева

Казанский национальный исследовательский технический университет

им. А.Н. Туполева – КАИ, Россия,

Университет управления «ТИСБИ», Россия

Метод определения границ объектов на видеофрагментах

В настоящее время задача обнаружения движения объектов по видеофрагментам успешно решена для целей обеспечения безопасности и охранной сигнализации. Но часто, при анализе видеопоследовательностей допускается, что скорость перемещения объектов в кадре сравнительно мала относительно частоты кадров. Слишком быстро движущийся объект может быть принят алгоритмом за «шум» в кадре. С другой стороны, задача определения скорости быстро перемещающихся объектов также решена в специальных устройствах видеофиксации, которые успешно используются ГИБДД. Однако данные устройства имеют сложную аппаратную часть и высокую стоимость.

Авторами разработан быстрый алгоритм поиска одних и тех же объектов на разных кадрах и определения их реальной скорости перемещения. В качестве альтернативных методов применения настоящего алгоритма можно назвать учет трафика движения, поиск определенного транспортного средства среди множества. Перспективным направлением также является доработка системы безопасности автомобилей, позволяющей распознавать движущиеся рядом объекты, рассчитывать их скорость и прогнозировать вероятность столкновения.

В работе приводится описание метода определения границ объектов, что лежит в основе обнаружения и идентификации объекта – одного из важных этапов разработанного алгоритма.

Под модулем определения границ мы будем полагать фильтр, оптимальный по критериям выделения локализации и минимизации нескольких откликов одного края. По сути, задачей фильтра является поиск полос изменения яркостной составляющей сигнала. Полосы должны быть непрерывными, тонкими и неповторяющимися. Под такой полосой мы будем понимать пиксели, в которых достигается локальный максимум в направлении вектора градиента изменения величины яркости. Нахождение таких границ позволит нам, во-первых, выделить существенные характеристики изображения и, во-вторых, сильно сократить объем информации для последующего анализа. В качестве фильтра мы будем использовать адаптированный алгоритм Кэнни (John F. Canny; 1953 г.). Последовательно, к полученному кадру применим операции по очистке изображения от шумов, расчету градиента изменения яркости по всему изображению, утоньшения краев и связке краев в контуры.

Детектор использует фильтр на основе первой производной от гауссианы. Однако, этот метод восприимчив к шумам в изображении, поэтому, сначала выполняем операцию свертки гауссовым фильтром исходного изображения.

Границы на изображении могут находиться в различных направлениях, поэтому алгоритм Кэнни использует четыре фильтра для выявления горизонтальных, вертикальных и диагональных границ [1]. Далее, используя оператор Собеля [2], мы вычисляем значения первых производных по яркости в вертикальном (G_y) и горизонтальном направлениях (G_x). Другими словами, ищем направление наибольшего увеличения яркости и величину её изменения в этом направлении. Таким образом, для каждой точки получаем величину, насколько «резко» или «плавно» меняется яркость изображения в ней, и, следовательно, вероятность того, можно ли считать эту точку граничной и ориентацию границы. В точке, лежащей на границе областей различной яркости, значением оператора Собеля будет ненулевой вектор, пересекающий границу в направлении увеличения яркости и нулевые вектора во всех других случаях.

Тогда угол направления границы вычислится по формуле: .

Для упрощения дальнейших расчетов, без существенного ущерба в точности, угол направления границы округляем до одного из четырех углов, представляющих вертикаль (0°), горизонталь (90°) и две диагонали (45° и 135°), и затем проверяем, достигает ли величина градиента локального максимума в соответствующем направлении.

Однако, после применения оператора Собеля, мы получаем множество несвязанных точек, из которых необходимо получить контур изображения. Прежде всего, следует уменьшить число точек кривой, аппроксимированной большей серией точек. Для этой цели был выбран алгоритм приближения Дугласа-Пекера [3]. В контуре границы оставляем только те точки, которые доставляют максимум градиенту яркости, все остальные, лежащие рядом – удаляются. Однако здесь существует риск удаления "лишних" точек, что приведет к разрыву самой границы. Для того чтобы избежать этого, необходимо смотреть на направление границы и удалять только те точки, которые находятся рядом. Затем с помощью двух порогов удаляются слабые границы. Фрагмент границы при этом обрабатывается как целое. Если значение градиента где-нибудь на прослеживаемом фрагменте превысит верхний порог, то этот фрагмент остается также «допустимой» границей и в тех местах, где значение градиента падает ниже этого порога, до тех пор пока она не станет ниже нижнего порога. Если же на всем фрагменте нет ни одной точки со значением большим верхнего порога, то он удаляется. Такой гистерезис позволяет снизить число разрывов в выходных границах.

Исходное изображение и изображение с границами после применения алгоритмов Кэнни и оператора Собеля представлены на рис. 1.

Рис 1. Исходное изображение и монохромное изображение, содержащее контуры объектов

Литература:

1. Гребенников Р. В. Решение задачи об оптимальном поведении толпы с использованием метода оптимизации роя частиц, Вестник ВГУ: Системный анализ и информационные технологии 2/2009, Воронеж: ВГУ, 2009, C. 107—111.

2. Canny J.F. Finding edges and lines in images. / Master’s thesis, MIT, Cambridge, USA, 1983.

3. Прэтт У. Цифровая обработка изображений. Кн.2./ М.: Мир, 1982. – 784 с.