Сравнение алгоритмов распознавания объектов

DOI:

Не смотря на все возрастающую популярность автоматизации процессов, современные системы видеонаблюдения все еще требуют постоянного участия человека для установления факта опасных ситуаций. Но в настоящее время системы становятся все сложнее, это приводит к возрастанию угроз и оператору уже не представляется возможным уследить за всеми возникающими угрозами. К тому в сфере видеонаблюдения добавились задачи, которые уже не сможет проконтролировать человек, просто наблюдая за видеокамерами [1; 2]. В связи с этим требуется автоматизация этого процесса.

Методы, которые дают максимальную стабильность обнаружения при небольших движениях объекта, изменениях масштаба, повороте объекта на небольшой угол, смене освещения основываются на описании изображения по особым точкам. Особая точка – это точка, которая имеет ряд ключевых признаков,

которые выделяют ее из множества других точек изображения. Особые точки являются главными характеристиками объекта в системе видеонаблюдения. Лучшими алгоритмами распознавания объектов, которые основываются на данном принципе, являются алгоритмы SURF и SIFT. Эти алгоритмы осуществляют поиск непосредственного вхождения эталонного изображения по отношению к наблюдаемому.

В представленной таблице (см. таблицу) приведены результаты исследования автора, который в своей работе [3] провел сравнительный анализ современных алгоритмов распознавания объектов.

По результатам анализа невозможно определить лучший алгоритм. Отсюда можно заключить, что следует добавить другие критерии оценки сравнения, такие как поворот объекта, изменение его положения и размера на изображении.

Для определения наиболее эффективного алгоритма распознаваниябыл проведен ряд экспериментальных исследований.

Для проведения экспериментов были взяты 2 эталонных изображения охраняемых объектов – жесткие диски (рис. 1), с разным количеством особых точек.

Объекты на видеозаписях изменяли свое положение, угол поворота и отдаленность от камеры. Раскадровка одной из видеозаписей представлена на рисунке 2.

По результатам проведения первого эксперимента по распознаванию объекта с большим количеством ключевых точек (369 для алгоритма SURF и 626 для алгоритма SIFT) были получены следующие результаты:

График сравнения алгоритмов распознавания в отношении ложные срабатывания/ус-пешное обнаружение для объекта с большим

количеством особых точек представлен на рисунке 3. Значение 1 – объект найден в кадре, значение 0 – не найден.

Время распознавания для двух алгоритмов (в мс) представлено на рисунке 4, для алгоритма SURF среднее время распознавания составило 180.14 мс, для алгоритма SIFT 287.39 мс.

По результатам проведения второго эксперимента по распознаванию объекта с малым количеством ключевых точек (115 для алгоритма SURF и 214 для алгоритма SIFT) были получены следующие результаты:

График сравнения алгоритмов распознавания в отношении ложные срабатывания/ус-пешное обнаружение для объекта с малым количеством особых точек представлен на рисунке 5. Значение 1 – объект найден в кадре, значение 0 – не найден.

Таблица 1

Сравнительный анализ алгоритмов распознавания объектов

Рис. 1. Жесткие диски с разным количеством ключевых точек

Метод SURF SIFT	Кол-во точек 200	Качество распознавания, % 74 63	Объем требуемой памяти, Мб 0,05 0,98	Время сопоставления, сек ~ 0,5-1 ~ 0,5-1
SURF SIFT	500	76 78	0,86 0,93	~0,8-1,3 ~0,8-1,3
SURF	1000	75	1,2	~1-1,2
SIFT		78	1,2	~1-1,3

Рис. 2. Раскадровка первой видеозаписи

Рис. 3. График срабатываний для объекта 1

Рис. 4. График времени распознавания для объекта 1

Рис. 6. График времени распознавания для объекта 2

Время распознавания для двух алгоритмов (в мс) представлено на рисунке 6, для алгоритма SURF среднее время распознавания составило 161,14 мс, для алгоритмаSIFT 246,57 мс.

Экспериментальные исследования показали, что алгоритм SIFT в условиях поворота, изменения положения и размера объекта на изображении значительно превосходит по результатам алгоритм SURF, независимо от количества особых точек. Алгоритм SIFT уступает алгоритму SURF только во времени распознавания. Таким образом, можно сделать вывод, что алгоритм SIFT лучший алгоритм распознавания объектов.