Критический обзор существующих методов выделения объектов в потоке видео
Автор: Смирнов А.В., Власов Е.Е.
Рубрика: Математическое моделирование
Статья в выпуске: 3, 2023 года.
Бесплатный доступ
Выделение контуров объектов в потоке видео в интеллектуальных системах видеонаблюдения является одной из основных операций при обработке изображения для дальнейшего анализа, поскольку контур содержит всю необходимую информацию для распознавания объектов по форме. Цель данной статьи - дать критический обзор существующих методов выделения объектов в потоке видео. Также статья посвящена анализу методов распознавания изображений и поиска их в видеопотоке. Проанализирована эволюция структуры сверточных нейронных сетей, используемых в области диагностики компьютерных видеопотоков. Произведен обзор существующих методов выделения объектов в потоке видео. Распознавание всего объекта лишь по его контуру позволяет не рассматривать внутренние точки изображения и существенно сократить объем обрабатываемой информации, предоставляя возможность осуществлять анализ изображений в режиме реального времени. В данной статье даны ответы на вопросы, что представляет собой методология и методика научных исследований. Так, в статье рассмотрена проблема выделения объектов в потоке видео в задачах обнаружения тревожных событий интеллектуальными системами видеонаблюдения. В результате сделаны выводы, что перспективным направлением дальнейших исследований является разработка алгоритмов выделения контуров изображений объектов, реализующих двухмасштабную статистическую модель изображения. Практическая значимость статьи заключается в том, что с целью улучшения основных характеристик интеллектуальных систем видеонаблюдения предложены алгоритмы выделения контуров изображений объектов, необходимых для обеспечения выявления четырех типов тревожных событий: появление и нахождение объекта в зоне наблюдения, перемещение объекта в запрещенном направлении, оставление и опрокидывание предмета.
Интеллектуальные системы видеонаблюдения, видеоаналитика, поток видео, цифровая обработка изображений, обнаружение объектов, отслеживание объектов, контуры изображений объектов, контурный
Короткий адрес: https://sciup.org/148327124
IDR: 148327124 | DOI: 10.18137/RNU.V9187.23.03.P.22
Список литературы Критический обзор существующих методов выделения объектов в потоке видео
- Ainsworth T. (2002) Buyer Beware. Security Oz, 2002. № 19, Pp. 18–26.
- Сальников И.И. Критерии отнесения устройств и систем обработки информации к интеллектуальным. XXI век: результаты прошлого и проблемы настоящего плюса. Пенза: Изд-во Пензенской технологической академии, 2012. С. 11–15.
- Крючкова Л.П., Кременский М.С. Методы выявления тревожных событий в интеллектуальных системах видеонаблюдения // Современная защита информации. 2019. № 3. С. 64–69.
- Heikkila M., Pietikainen M. (2006) A Texture-based Method for Detecting Moving Objects. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, No. 28(4), Pp. 657–662. DOI: 10.5244/C.18.21
- Сакович И.О., Белов Ю.С. Обзор основных методов контурного анализа для выделения контуров движущихся объектов // Инженерный журнал: наука и инновации. 2014. № 12. URL: http://engjournal.ru/catalog/it/hidden/1280.html (дата обращения: 25.06.2023)
- Сирота А.А., Соломатин А.И. Статистические алгоритмы обнаружения границ объектов на изображениях // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2008. № 1. С. 58–64.
- Хачумов М.В. Сжатие, передача и распознавание контуров ригидных объектов, описанных цепными кодами // Современные наукоемкие технологии. 2020. № 8. С. 79–85.
- Girshick R. (2015) Fast R-CNN . 2015 IEEE International Conference on Computer Vision (ICCV ), Santiago, 2015:1440–1448. DOI: 10.1109/ICCV .2015.169
- Shih F.Y. (2010) Image processing and pattern recognition: fundamentales and techniques. IEEE Press, 2010, 537 p.
- Гонсалес Р.С., Вудс Р.Э. Цифровая обработка изображений. 3-е изд., испр. и доп. М.: Техносфера, 2012. 1104 с.
- Ren S., He K., Girshick R., Sun J. (2017) Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, No. 39(6), Pp. 1137–1149. DOI: 10.1109/TPAMI .2016.2577031
- Redmon J., Divvala S., Girshick R., Farhadi A. (2016) You Only Look Once: Unified, Real-Time Object Detection. IEEE Conference on Computer Vision and Pattern Recognition (CVP R), 2016, Pp. 779–788. DOI: 10.1109/CVP R.2016.91
- Liu W. (2016) SSD: Single Shot MultiBox Detector: Computer Vision – ECCV 2016. ECCV 2016. Lecture Notes in Computer Science, Vol. 9905. Springer, Cham. DOI: 10.1007/978-3-319-46448-0_2
- Girshick R., Donahue J., Darrell T., Malik J. (2014) Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, 2014, Pp. 580–587. DOI: 10.1109/CVP R.2014.81
- Chen C., Chen Q., Huaqi Q., Giacomo T., Jinming D., Wenjia B., Daniel R. (2020) Deep Learning for Cardiac Image Segmentation: A Review. Frontiers in Cardiovascular Medicine, 2020, 7:25. DOI: 10.3389/fcvm.2020.00025
- Эриксен К. и Хоффман Дж. Временные и пространственные характеристики выборочного кодирования с визуальных дисплеев // Восприятие и психофизика. 1972. № 12 (2B). С. 201–204.
- Трейсман А., Геладе Г. Теория интеграции функций внимания // Когнитивная психология. 1980. № 12. С. 97–136.
- Десимоне Р. и Дункан Дж. Нейронные механизмы избирательного зрительного внимания // Ежегодник. Rev. Neurosci. 1995. № 18. С. 193–222.
- Унгерляйдер Л., Мишкин М. Две кортикальные зрительные системы. Анализ визуального поведения. Кембридж, ИнМИТ Пресс, 2010. С. 549–586.
