ЭКСПЕРИМЕНТАЛЬНОЕ СРАВНЕНИЕ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ МЕЖКАДРОВОЙ РАЗНИЦЫ И НОРМАЛЬНОГО РАСПРЕДЕЛЕНИЯ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ЧЕЛОВЕКА

АННОТАЦИЯ

В данной статье рассматривается экспериментальное сравнение эффективности использования алгоритмов межкадровой разницы и нормального распределения в задачах детектирования человека на примере системы детектирования и классификации движущихся объектов, реализованной на языке Visual C++ с использованием библиотеки OpenCV.

Ключевые слова: детектирование движения, классификация объектов, эксперимент, межкадровая разница.

Реализация алгоритма простой межкадровой разницы и нормального распределения имеют множество вариаций в программном исполнении. Обычный алгоритм основывается на вычитании матриц соседних кадров друг из друга. Но такой подход не дает ничего, кроме большого количество помех в кадре [1].

Разработанное программное обеспечение для реализации алгоритма простой межкадровой разницы реализовано в соответствии с алгоритмом комбинированного метода детектирования и классификации движущихся объектов [2]. В ходе работы программы запускается консольное приложение, из которого дополнительно появляются два дочерних окна с оригинальным и обработанным изображением.

Видеорядом для обработки и анализа была выбрана запись с камер наружного наблюдения на пересечении улиц Московской и М.Горького в Пензе [3], где имеется постоянный автомобильный и пешеходный трафик. Видеосигнал, поступающий с камеры, транслируется через сеть Internet и находится в открытом доступе. По причине слишком медленной обработки при подключении видеопотока в режиме реального времени к программе, данное видео было обработано в видеофайл типа AVI, с кодеком DIVX и частотой 15 кадров в секунду.

Программное обеспечение, реализующее эти алгоритмы, также запускается в консольном виде, в дальнейшем создавая три дочерних окна с видео. Оконный интерфейс представлен на рис.1:. В левом верхнем окне  с цветным изображением выводится оригинальное видео, в в нижнем левом окне с мелкими помехами около объектов - видео, обработанное посредством алгоритма среднеквадратичного отклонения, в правом - видео, обработанное методом кодовой книги,

Рисунок 1. Скриншот окон программы, реализующей  алгоритмы простой межкадровой разницы  и нормального распределения

На видео в нижней половине кадра появляется пешеход, который относительно кадра движется вверх. Машины, проезжающие по дороге, движутся слева направо. Поскольку машины превосходят в своих размерах и скорости движения пешехода, они гораздо лучше фиксируются детектором движения, что демонстрируется на рис.2

Рисунок 2. Детектирование человека, переходящего дорогу

В дальнейшем, на оригинальном видео, к ожидающему пешеходу с одной стороны добавляются ещё двое, начиная свое движение через проезжую часть практически одновременно. Навстречу им движется ещё один пешеход с другой стороны улицы, как показано на рис.3.

Рисунок 3. Работа детектора при движении нескольких человек

При этом, как мы видим на рисунке, двое пешеходов перекрывают друг друга, создавая один объект движения, уменьшая результативность подсчета вдвое.

Следовательно, при большом потоке людей эти алгоритмы имеют существенный недостаток: так называемое «склеивание» объектов, когда движущиеся рядом объекты воспринимаются как один большой, вызывая серьезные ошибки при подсчете посетителей.

Решение проблемы склеивания было найдено в создании комбинированного метода детектирования человека с использованием распознавания образов в области движения.

Более ярко наблюдение за отсутствием «склеивания» демонстрируется при прохождении большого потока людей, когда в кадре их более 5, как показано на рис.4:

Рисунок 4. 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].

Вывод: При прохождении 8 пешеходов детектор фиксирует 6 из них, что даёт 75% точности детектирования. Однако, не стоит забывать, что данных случай встречается гораздо реже, чем прохождение одиночных пешеходов или просто отсутствия толпы. Поэтому итоговый результат точности работы реализованного алгоритма составляет более 90%.

Список литературы:

1. 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
2. Шепелев, К.В. Комбинированный метод детектирования и классификации движущихся объектов в системах видеонаблюдения / Шашков Б.Д., Шепелев К.В. // Естественные и технические науки / 2017 / №4 // Москва, издательство «Спутник+» / 2017 // стр. 241-245
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