ВЫЧИСЛЕНИЕ И АНАЛИЗ ПРИЗНАКОВ ДВИЖУЩИХСЯ ОБЪЕКТОВ ДЛЯ СОПРОВОЖДЕНИЯ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ

##plugins.themes.bootstrap3.article.sidebar##

Просмотров аннотации: 163
Загрузок PDF: 74
pdf (rus)
Опубликован: ноя 1, 2021
Ключевые слова:
video sequence, object analysis, motion features, convolutional neural network видеопоследовательность, анализ объектов, признаки движения, сверточная нейронная сеть
Выпуск
№ 4 (2021)
Раздел
Информационные технологиии

##plugins.themes.bootstrap3.article.main##

Р. П. БОГУШ
Полоцкий государственный университет
https://orcid.org/0000-0002-6609-5810
С. В. АБЛАМЕЙКО
Белорусский государственный университет, Объединенный институт проблем информатики Национальной академии наук Беларуси
https://orcid.org/0000-0001-9404-1206
И. Ю. ЗАХАРОВА
Полоцкий государственный университет

Аннотация

Рассмотрена задача формирования признаков объектов на видеопоследовательностях. Представлены основные типы движения одиночного объекта и группы. Предложена следующая классификация основных признаков, характеризующих движение объекта на видеопоследовательности: смещение, траектория, скорость и ускорение, время движения. С использованием предложенных обобщений для вычисления признаков динамических объектов описана модификация алгоритма сопровождения множества людей на видеопоследовательностях за счет использования фильтра Калмана для видеонаблюдения вне помещений. Первый этап алгоритма требует обнаружения всех людей во входных кадрах с использованием сверточной нейронной сети YOLOv4. Для сопоставления изображений людей на кадрах выполняется анализ их признаков в пространственной области кадров и во временной области на видеопоследовательности. При этом используются нейросетевые и гистограммные признаки, вычисленные для последнего правильного обнаружения человека в кадре; координаты центра выделенной области человека в кадре; смещение в текущем кадре относительно предыдущего; ширина и высота области на предыдущем кадре; траектория движения; время движения. Представлены результаты экспериментов для видеопоследовательностей, полученных с использованием стационарной и движущейся видеокамеры.

##plugins.themes.bootstrap3.article.details##

Как цитировать
БОГУШ, Р. П., АБЛАМЕЙКО, С. В., & ЗАХАРОВА, И. Ю. (2021). ВЫЧИСЛЕНИЕ И АНАЛИЗ ПРИЗНАКОВ ДВИЖУЩИХСЯ ОБЪЕКТОВ ДЛЯ СОПРОВОЖДЕНИЯ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ. Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки, (4), 2-10. извлечено от https://journals.psu.by/fundamental/article/view/851
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Биографии авторов

Р. П. БОГУШ, Полоцкий государственный университет

канд. техн. наук, доц.

С. В. АБЛАМЕЙКО, Белорусский государственный университет, Объединенный институт проблем информатики Национальной академии наук Беларуси

академик, д-р техн. наук, проф.

Библиографические ссылки

Клетте, Р. Компьютерное зрение. Теория и алгоритмы / Р. Клетте ; пер. с англ. А.А. Слинкин. – М. : ДМК Пресс, 2019. – 506 с.

Гонcалеc, Р. Цифровая обработка изображений / Р. Гонcалеc, Р. Вудс. –3-е изд. – М. : Техносфера, 2012. – 1104 с.

Sonka, M. Image Processing, Analysis, and Machine Vision / M. Sonka, V. Hlavac, R Boyle. – 4th ed. – Cengage Learning, 2015. – 930 p.

Application of Integral Optical Flow for Determining Crowd Movement from Video Images Obtained Using Video Surveillance Systems / H. Chen [et al.] // J. of Appl. Spectrosc. – 2018. – Vol. 85, iss. 1. – P. 126–133.

Histograms of oriented optical flow and Binet-Cauchy kernels on nonlinear dynamical systems for the recognition of human actions / R. Chaudhry [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2009. – 1932–1939.

Motion Maps and Their Applications for Dynamic Object Monitoring / H. Chen [et al.] // Pattern Recogn. Image Anal. – 2019. – 29. – P. 131–143.

Богуш, Р.П. Алгоритм сопровождения людей на видеопоследовательностях с использованием сверточных нейронных сетей для видеонаблюдения внутри помещений / Р.П. Богуш, И.Ю. Захарова // Компьютерная оптика. – 2020. – Т. 44, № 1. – С.109–116.

Bochkovskiy, A. YOLOv4: Optimal Speed and Accuracy of Object Detection [Electronic resource] / A. Bochkovskiy, Ch.-Y. Wang, H.-Y. M. Liao. – Mode of access: https://arxiv.org/abs/2004.10934. – Date of access: 12.08.2020.

Simon, D. Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches / D. Simon. – New Jersey : John Wiley & Sons, 2006.

MOTChallenge: The Multiple Object Tracking Benchmark [Electronic resource]. – Mode of access: https://motchallenge.net. – Date of access: 16.06.2020.

Person Re-ID (PRID) Dataset [Electronic resource]. – Mode of access: https://www.tugraz.at/institute/icg/research/team-bischof/lrs/downloads/prid11/. – Date of access: 12.04.2019.

iLIDS Video re-IDentification (iLIDS-VID) Dataset [Electronic resource]. – Mode of access: http://www.eecs.qmul.ac.uk. – Date of access: 12.04.2019.

Wojke, N. Simple online and real time tracking with a deep association metric / N. Wojke, A. Bewley, D. Paulus // IEEE International Conference on Image Processing 2017: 3645-3649. – DOI: 10.1109/ICIP.2017.8296962.

Real-time Multi-person tracker using YOLOv3 and deep_sort with tensorflow [Electronic resource]. – Mode of access: https://github.com/Qidian213/deep_sort_yolov3. – Date of access: 16.06.2019.

Рекомендуемые статьи автора (авторов)

<< < 1 2