(44-5) 09 * << * >> * Русский * English * Содержание * Все выпуски

Подходы к обнаружению и оценке параметров движущихся объектов на видеопоследовательности применительно к транспортной аналитике
Б.А. Алпатов 1, П.В. Бабаян 1, М.Д. Ершов 1

1 Рязанский государственный радиотехнический университет имени В.Ф. Уткина,
390005, Россия, г. Рязань, ул. Гагарина, д. 59

 PDF, 1212 kB

DOI: 10.18287/2412-6179-CO-701

Страницы: 746-756.

Аннотация:
Рассмотрены различные подходы к обработке изображений и видео с целью решения задач обнаружения, слежения и оценки параметров движущихся объектов. Описаны разработанные алгоритмы решения обозначенных задач применительно к области транспортной аналитики. При разработке алгоритмов внимание было уделено решению задач на внутренней платформе камер видеонаблюдения, что накладывает ограничения на вычислительную сложность. Первый алгоритм (базовый) выполняет обнаружение и оценку параметров движущихся объектов и основан на обработке двух связанных зон изображения. Данный алгоритм включает вычислительно эффективную и адаптивную процедуру оценки и обновления фоновой составляющей изображения на основе физики процесса движения объекта интереса через зону обработки. Второй алгоритм выполняет слежение за объектом на основе метода оптического потока, инициализированного особыми точками. Третий алгоритм основан на прослеживании сегментов объекта, невысокая сложность алгоритма позволяет реализовать его на внутренней платформе интеллектуальных камер. Приведены результаты экспериментальных исследований предложенных алгоритмов, также проведено сравнение с некоторыми алгоритмами, представленными в литературе. Показано, что алгоритмы слежения позволяют повысить точность обнаружения и оценки параметров движущихся объектов, а также сократить вероятность ошибок классификации по сравнению с базовым подходом.

Ключевые слова:
обнаружение объектов, слежение, оценка параметров, обработка изображений, анализ видеопотоков, транспортная аналитика.

Благодарности
Исследования выполнены при финансовой поддержке стипендии Президента Российской Федерации молодым ученым и аспирантам (СП-2578.2018.5).

Цитирование:
Алпатов, Б.А. Подходы к обнаружению и оценке параметров движущихся объектов на видеопоследовательности применительно к транспортной аналитике / Б.А. Алпатов, П.В. Бабаян, М.Д. Ершов // Компьютерная оптика. – 2020. – Т. 44, № 5. – С. 746-756. – DOI: 10.18287/2412-6179-CO-701.

Citation:
Alpatov BA, Babayan PV, Ershov MD. Approaches to moving object detection and parameter estimation in video sequence for transport analysis system. Computer Optics 2020; 44(5): 746-756. DOI: 10.18287/2412-6179-CO-701.

Литература:
  1. The future of road transport: implications of automated, connected, low-carbon and shared mobility / Joint Research Centre. – Luxembourg: Publications Office of the EU, 2019. – 148 p. – ISBN: 978-92-76-14319-2.
  2. Husain, A.A. Vehicle detection in intelligent transport system under a hazy environment: a survey / A.A. Husain, T. Maity, R.K. Yadav // IET Image Processing. – 2020. – Vol. 14, Issue 1. – 10 p. – DOI: 10.1049/iet-ipr.2018.5351.
  3. Deshpande, S.D. Max-mean and max-median filters for detection of small-targets / S.D. Deshpande, M.H. Er, V. Ronda, P. Chan // Proceedings of SPIE. – 1999. – Vol. 3809. – P. 74-83. DOI: 10.1117/12.364049.
  4. Ваниев, А.А. Метод выделения быстродвижущихся объектов при использовании цифрового оптического локатора следящего типа / А.А. Ваниев, Г.М. Емельянов // Компьютерная оптика. – 2013. – № 37(4). – С. 477-483.
  5. Копенков, В.Н. Оценка параметров транспортного потока на основе анализа данных видеорегистрации / В.Н. Копенков, В.В. Мясников // Компьютерная оптика. – 2014. – № 38(1). – С. 81-86.
  6. Subburaman, V.B. Counting people in the crowd using a generic head detector / V.B. Subburaman, A. Descamps, C. Carincotte // 2012 IEEE Ninth International Conference on Advanced Video and Signal-Based Surveillance. – 2012. – P. 470-475. – DOI: 10.1109/AVSS.2012.87.
  7. Kirchner, N. A robust people detection, tracking, and counting system / N. Kirchner, A. Alempijevic, A. Virgona, X. Dai, P.G. Ploger, R.V. Venkat // Proceedings of Australasian Conference on Robotics and Automation. – 2014. – 8 p.
  8. Han, S. Vehicle detection method using Haar-like feature on real time system / S. Han, Y. Han, H. Hahn // International Journal of Electrical and Computer Engineering. – 2009. – Vol. 3, Issue 11. – P. 1957-1961.
  9. Wang, H. A hybrid method of vehicle detection based on computer vision for intelligent transportation system / H. Wang, H. Zhang // International Journal of Multimedia and Ubiquitous Engineering. – 2014. – Vol. 9, Issue 6. – P. 105-118. – DOI: 10.14257/ijmue.2014.9.6.11.
  10. Nandashri, D. An efficient tracking of multi object visual motion using Hungarian method / D. Nandashri, P. Smitha // International Journal of Engineering Research & Technology. – 2015. – Vol. 4. – P. 1307-1310. – DOI: 10.17577/ijertv4is041410.
  11. Andriluka, M. People-tracking-by-detection and people-detection-by-tracking / M. Andriluka, S. Roth, B. Schiele // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2008. – 8 p. – DOI: 10.1109/CVPR.2008.4587583.
  12. Dehghan, A. Automatic detection and tracking of pedestrians in videos with various crowd densities / A. Dehghan, H. Idrees, A.R. Zamir, M. Shah. – In: Pedestrian and evacuation dynamics / ed. by U. Weidmann, U. Kirsch, M. Schreckenberg. – Cham: Springer, 2012. – P. 3-19. – DOI: 10.1007/978-3-319-02447-9_1.
  13. Алпатов, Б.А. Выделение движущихся объектов в условиях геометрических искажений изображения / Б.А. Алпатов, П.В. Бабаян // Цифровая обработка сигналов. – 2004. – № 4. – С. 9-14.
  14. Трифонов, А.П. Обнаружение движущегося с произвольной скоростью объекта при неизвестных интенсивностях изображения и фона / А.П. Трифонов, Р.В. Куцов // Автометрия. – 2006. – № 4. – С. 3-16.
  15. Bouwmans, T. Traditional and recent approaches in background modeling for foreground detection: an overview / T. Bouwmans // Computer Science Review. – 2014. – Vol. 11-12. – P. 31-66. – DOI: 10.1016/j.cosrev.2014.04.001.
  16. Alpatov, B.A. Vehicle detection and counting system for real-time traffic surveillance / B.A. Alpatov, P.V. Babayan, M.D. Ershov // 2018 7th Mediterranean Conference on Embedded Computing (MECO). – 2018. – P. 120-123. – DOI: 10.1109/MECO.2018.8406017.
  17. Rublee, E. ORB: An efficient alternative to SIFT or SURF / E. Rublee, V. Rabaud, K. Konolige, G.R. Bradski // International Conference on Computer Vision. – 2011. – P. 2564-2571. – DOI: 10.1109/ICCV.2011.6126544.
  18. Babayan, P.V. Real-time pyramidal Lukas-Kanade tracker performance estimation / P.V. Babayan, S.A. Buiko, L.A. Vdovkin, M.D. Ershov, V.S. Muraviev, A.V. Sirenko, S.A. Smirnov // Proceedings of SPIE. – 2019. – Vol. 10996. – 10996OL. – DOI: 10.1117/12.2519274.
  19. Guerrero-Gomez-Olmedo, R. Vehicle tracking by simultaneous detection and viewpoint estimation / R. Guerrero-Gomez-Olmedo, R.J. Lopez-Sastre, S. Maldonado-Bascon, A. Fernandez-Caballero. – In: Natural and artificial computation in engineering and medical applications (IWINAC 2013) / ed. by V.J.M. Ferrández, J.R. Álvarez Sánchez, F. de la Paz López, F.J. Toledo Moreo. – 2013. – Vol. 7931. – P. 306-316. – DOI: 10.1007/978-3-642-38622-0_32.
  20. Wang, Y. CDnet 2014: an expanded change detection benchmark dataset / Y. Wang, P.-M. Jodoin, F. Porikli, J. Konrad, Y. Benezeth, P. Ishwar // 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops. – 2014. – P. 393-400. – DOI: 10.1109/CVPRW.2014.126.
  21. Yang, H. Real-time vehicle detection and counting in complex traffic scenes using background subtraction model with low-rank decomposition / H. Yang, S. Qu // IET Intelligent Transport Systems. – 2018. – Vol. 12, Issue 1. – P. 75-85. – DOI: 10.1049/iet-its.2017.0047.
  22. Stauffer, C. Adaptive background mixture models for real-time tracking / C. Stauffer, W. Grimson // Proceedings of the 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 1999. – Vol. 2. – P. 246-252. – DOI: 10.1109/CVPR.1999.784637.
  23. Zhou, T. GoDec: Randomized low-rank and sparse matrix decomposition in noisy case / T. Zhou, D. Tao // Proceedings of the 28th International Conference on Machine Learning. – 2011. – P. 33-40.
  24. Zhou, X. Moving object detection by detecting contiguous outliers in the low-rank representation / X. Zhou, C. Yang, W. Yu // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2013. – Vol. 35, Issue 3. – P. 597-610. – DOI: 10.1109/TPAMI.2012.132.
  25. Shakeri, M. COROLA: A sequential solution to moving object detection using low-rank approximation / M. Shakeri, H. Zhang // Computer Vision and Image Understanding. – 2016. – Vol. 146. – P. 27-39. – DOI: 10.1016/j.cviu.2016.02.009.
  26. Rodriguez, P. Incremental principal component pursuit for video background modeling / P. Rodriguez, B. Wohlberg // Journal of Mathematical Imaging and Vision. – 2016. – Vol. 55. – 18 p. – DOI: 10.1007/s10851-015-0610-z.
  27. Quesada, J. Automatic vehicle counting method based on principal component pursuit background modeling / J. Quesada, P. Rodriguez // 2016 IEEE International Conference on Image Processing (ICIP). – 2016. – P. 3822-3826. – DOI: 10.1109/ICIP.2016.7533075.
  28. Bouvie, C. Tracking and counting vehicles in traffic video sequences using particle filtering / C. Bouvie, J. Scharcanski, P. Barcellos // 2013 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). – 2013. – P. 812-815. – DOI: 10.1109/I2MTC.2013.6555527.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20