О перспективности разработок в области определения направления взгляда. Если человек, не имеющий денег смотрит на банк или инкассаторскую машину, то есть вероятность, что он грабитель. Если человек, не имеющий отношения к детям, пристально смотрит на детей или на детские учреждения, то есть вероятность, что он педофил. Если мужчина или женщина пристально вглядываются в лица людей своего пола, есть вероятность, что они гомосексуалисты. Если человек смотрит на лицо противоположного пола, то по количеству взглядов на это лицо можно определять рейтинг его привлекательности. Если кто-то смотрит на предметы одежды, то по количеству взглядов можно определить насколько модная эта одежда.

РЕТРОСПЕКТИВА

 

Тема наблюдения за объектами на VI конференции «Цифровая обработка сигналов и её применение» (по материалам РНТОРЭС им. А. С. Попова) Доклады Рязанской государственной радиотехнической академии.

▪ Обнаружение и слежение за движущимися объектами в присутствии дрожания и линейных сдвигов изображения. При решении задач обнаружения и слежения за подвижными объектами в системах технического зрения (СТЗ) используются разностные алгоритмы сегментации. Разностная сегментация позволяет обнаруживать объекты в присутствии шума при неподвижном фоне. Однако, часто наблюдаются дрожание и сдвиги изображения, вызванные турбулентностью атмосферы или перемещениями датчика изображения. Проведено исследование ряда алгоритмов слежения за перемещениями фонового изображения, однако, при использовании этих алгоритмов в СТЗ выявился ряд проблем. Во-первых, слежение за фоновым изображением всегда происходит с некоторой ошибкой. Во-вторых, достаточно часто вектор сдвига точки изображения не одинаков по всей площади кадра. Это обычно вызывается турбулентностью атмосферы или присутствием, помимо сдвигов, других преобразований изображения: вращений, изменений перспективы, искажений, вызванных особенностями формирования ТВ-растра. В результате резко возрастает количество ошибочно обнаруженных точек изображения. Таким образом, необходима модификация разностного алгоритма, учитывающая присутствие случайных геометрических искажений входного изображения.

Модель наблюдаемого на кадре с номером n фонового изображения можно представить в виде формулы, через которую выражается яркость наблюдаемого фонового изображения на кадре с номером n в точке (i, j), выводимая через:

- яркость неизвестного фонового изображения в точке (i, j);

- гауссовский шум с нулевым средним и дисперсией, взятой в данной точке, некоррелированный в пространстве и во времени;

- линейные сдвиги фонового изображения на кадре с номером n;

- сдвиги фонового изображения, вызванные различными геометрическими преобразованиями изображения, исключая сдвиги; рассматриваются как случайные величины с нулевым средним.

Предлагается правило, по которому можно производить обнаружение точек, принадлежащих объектам, если есть наблюдаемое изображение, которое помимо фона содержит объекты. Испытания алгоритма, основанного на этом правиле, в СТЗ реального времени показали его высокую эффективность. При наличии случайных геометрических искажений снижается количество ложно обнаруженных точек, повышается надёжность обнаружения и сопровождения объектов.

▪ Исследования методов оценки фрактальной размерности и сегментация изображения. Важным моментом при решении задач автоматического обнаружения и сопровождения объектов является вычисление признаков. Признаки являются численной мерой однородности областей изображения, на основе которой проводится дальнейшая сегментация изображения. Опыт показывает, что при работе видеокомпьютерных систем в сложных реальных условиях простых признаков, таких, как яркость, цвет, градиент изображения, а также спектральных признаков часто недостаточно для хорошей сегментации изображения. Как показывают исследования, эффективными признаками являются характеристики изображения, полученные при помощи фрактального анализа.

Основной особенностью фрактальных характеристик является то, что изображения искусственных объектов и природных имеют сильно различающиеся фрактальные размерности. Это позволяет успешно использовать фрактальные признаки для обнаружения искусственных изменений ландшафта по фотографиям из космоса, обнаружения искусственных объектов на изображениях с телекамер и в других задачах.

Существует алгоритм сегментации изображений с использованием фрактальной размерности, оцениваемой с помощью коэффициентов вейвлет-разложения. Данный метод использует вектор признаков, составленный из оценок фрактальной размерности по трём направлениям (горизонтальное, диагональное, вертикальное) и нескольким уровням (1-3) вейвлет-разложения. Для использования фрактальной размерности как признака необходимо вычислять её для сигналов конечной длины, в частности, для цифровых изображений. Тот факт, что производится работа с дискретными сигналами, означает отсутствие бесконечного количества уровней разрешения изображения. Следовательно, имеется конечное число значений масштаба, на которых возможно произвести вычисление оценки фрактальной размерности. Таким образом, в качестве вектора признаков для исследуемого участка изображения используется последовательность значений, получаемых при разных уровнях разрешения и ориентациях.

Для каждого элемента изображения используется формула, предложенная в докладе. Вычисляемая в данной работе при помощи вейвлет-преобразования оценка фрактальной размерности по этой формуле используется для формирования многомерных признаков для байесовского сегментатора, что позволяет достаточно хорошо сегментировать объекты, созданные человеком, от природного фона на изображениях в видимом и инфракрасном диапазонах. Эксперименты с использованием видеопоследовательностей показали, что байесовская сегментация с использованием оценки фрактальной размерности в качестве одного из признаков даёт хорошие результаты. А. П. Барсуков, журнал «ТКТ», № 8, 2004 г.