РЕЗУЛЬТАТЫ РЕАЛИЗАЦИИ СИСТЕМЫ ДЕТЕКТИРОВАНИЯ И КЛАССИФИКАЦИИ ДВИЖУЩИХСЯ ОБЪЕКТОВ

Алгоритм детектирования движения на основе смеси нормальных распределений в своей реализации является самым совершенным для предопределенной задачи, так как выделяет именно объекты движения, отсекая шумы окружающей среды: изменения освещения, блики и чрезмерно малые движения. Метод объединения соседних «движущихся» точек позволяет с точностью выделить объекты движения, группируя пиксели по их удаленности друг от друга и концентрации в какой-либо точке. Однако, серьезным недостатком данного алгоритма является объединение двух разных объектов наблюдения в один объект движения, что серьезно мешает поставленной задачи подсчета посетителей [1].

Именно поэтому для решения поставленной задачи был использован алгоритм распознавания образов, который выделяет не движущиеся объекты, а именно среднестатистические признаки человеческой фигуры, то есть части тела или силуэт в общем. Дальнейшая модернизация разработанного программного обеспечения в целом представляла собой работу над ошибками [2]. Основная задача была в исправлении ошибки с объединением нескольких объектов в один. Для этого была подключена функция вычисления градиента движения, то есть определение вектора сдвига группы пикселов относительно последовательно идущих кадров. При работе детектора мы можем видеть вычисляемый градиент как шлейф, идущий от фигуры: чем менее насыщен синий цвет в окне детектор, тем старше кадр, на котором был зафиксирован движущийся объект.

После добавления данных опций и усовершенствования алгоритма удалось увеличить точность подсчета до 75-85%, избегая «склеивания» объектов. В качестве видеопоследовательности для эксперимента выступает та же камера наблюдения PNZ-сети [3]. В левом окне вывода видео можно увидеть оригинальное видео, а на правом – результат работы детектора движений, демонстрируемый на рисунке 1:

Рисунок 1. Работа детектора в программе Hunter, основанной на детекторе движений

Для реализации определения движущихся объектов был использован аппарат математической статистики, осуществляющий выборку с первых 25 кадров видео, когда движения не происходит, т.е. на первых кадрах изображение статично. Данные кадры берутся как последовательность для предварительного анализа с целью создания модели заднего плана с помощью нормально распределенной случайной величины яркости пикселя во временной плоскости. Предварительно из массива 25 кадров необходимо выделить пиксели, у которых значения яркости свечения на всех кадрах равны, применяя к ним равномерное распределение, основываясь на том, что плотность выпадения данного значения на конкретном интервале постоянная. Данные пиксели будут принадлежать к заднему плану, так как не изменяются, и автоматически создавать часть матрицы заднего плана.

Реализация интерфейса представлена на рисунке 2, серым обозначены движущиеся объекты, кругом обозначается объект подсчета.

Рисунок 2. Работа детектора при определении нескольких человек

Стоит отметить, что расположение камеры не выбиралось, поэтому при более крупном масштабе погрешность будет ещё меньше. Кроме того, детектор ограничен по размерам, поэтому дальние по плану пешеходы в углу кадра не воспринимаются как объекты наблюдения из-за чрезмерно малых размеров. При уменьшении предельно допустимых минимальных значений суммы высоты и ширины, объекты на переднем плане (в правом нижнем углу кадра, согласно правилам перспективы) начинают распознаваться как два объекта на одном человеке, так как их высота и ширина превышают минимальный порог вдвое.

Более ярко наблюдение за отсутствием «склеивания» демонстрируется при прохождении большого потока людей, когда в кадре их более 5, на рисунке 3.

Рисунок 3. Распознавание нескольких объектов, движущихся на предельно малом расстоянии друг от друга или группами

В качестве анализируемых данных статистики при реализации экспериментов будут использоваться данные о количестве людей, прошедших через линию детектирования в двадцатиминутный интервал, как единичное значение. Для точности анализа было проанализировано 15 экспериментов, каждый из которых представляет собой подсчет суточной активности наблюдаемого объекта, в котором содержится 40 двадцатиминутных интервалов [4].

Для примера представлены усредненные данные по посетителям для конкретно взятого дня. Анализируя таблицу, выявляется среднестатистическая точность алгоритмов.

Результат анализа в виде графика Гаусса для результатов эксперимента представлен на рисунке 4:

Рисунок 4. График нормального распределения Гаусса для результатов эксперимента реализации алгоритма детектирования движения с использованием нормального распределения

Для программы, реализующей алгоритм детектирования движения с использованием нормального распределения, точность подсчета составляет 77%.

Список  литературы:

1. Основные принципы планирования эксперимента / Хикс Ч. // М / Мир / 1967 / с.56
2. Сравнительный анализ практической реализации алгоритмов среднеквадратичного отклонения и распознавания образов в задаче подсчета посетителей / Шашков Б.Д., Шепелев К.В. // Естественные и технические науки / 2016 / №3 // Москва, издательство «Спутник+» / 2016 // стр. 242
3. Web-камеры Пензы / PenzaLife // Электронный ресурс: http://penzalife.info/webcams
4. Математическая обработка результатов измерения: учебное пособие / Вавилова Г.В. // Изд-во Томского политехнического университета / 2013 / с.16-18