Методы видеонаблюдения, сегментации и сопровождения движущихся объектов

получают найденные вектора при идентификации параметров модели.

Шаг 3: Расчет по модели значений векторов скорости для каждого из блоков.

Масштабирование модели выполняют один раз после обнаружения начала движения объекта. Обновления параметров модели и расчет по модели оценок векторов движения проводят в течение всего времени формирования панорамы, через заданное число кадров, определяемое средней скоростью движения объекта.

На основе введенного пространственного среза скоростей, временной фильтрации и регрессионной предсказывающей модели разработана процедура определения скорости протяженного движущегося объекта. Согласно экспериментальным данным средняя ошибка при оценке скорости 2,7 % , уровень достоверности 0,999985.

Полученные показатели обеспечивают все заявленные выше характеристики формируемого панорамного изображения и позволяют реализовать основные функциональные особенности интеллектуальной системы видеонаблюдения.

Четвертая глава посвящена разработке методов анализа видеоданных, обеспечивающих функциональные особенности интеллектуальных систем сегментации и сопровождения; предложена процедура предварительной классификации изображения на основе признака детальности; разработан метод сегментации объектов интереса по совокупности признаков на основе нечеткой кластеризации при незаданном числе кластеров; введена обобщенная модель формы объекта в виде эллипсов рассеивания Гаусса; предложен метод сопровождения объектов интереса, основанный на введении гауссовой модели объекта с обновляемыми параметрами.

Функциональные особенности интеллектуальной ТВ системы сегментации и сопровождения определяют совокупность требований к применяемым в них методам обработки видеоданных: необходимо обеспечить минимальную ошибку сегментации, сегментацию изображений объектов, находящихся в непосредственной близости друг к другу и на сложном фоне; на этапе сопровождения разрешить ситуации окклюзии, слияния и разделения объектов интереса.

Для реализации перечисленных задач предложен метод сегментации и сопровождения неточечных объектов с жестким движением (неподвижные объекты рассматриваются как частный случай: движение с нулевой скоростью), основанный на совокупности признаков с использованием методов нечеткой логики.

Использование математического аппарата нечеткой логики обусловлено отсутствием априорной информации об объектах интереса: количество объектов, данные об их форме и размерах неизвестны.

Как наиболее информативные выделены признаки: детальность, движение и форма.

Признаки детальности, движения и пространственной связности используют для первоначальной сегментации объектов интереса, на этапе сопровождения дополнительно применяют признак формы.

На основании признака детальности, под которым понимают уровень высокочастотной энергии в фрагменте изображения заданного размера (2) выполняют предварительную классификацию.

Процедура предварительной классификации включает: предобработку изображения с целью подчеркивания высокочастотной составляющей; оценку уровня детальности блоков изображения; пороговую обработку.

Для предобработки изображения применяют многомасштабный морфологический градиент

(6)

где и - морфологические операции наращивания и эрозии; - квадратная группа структурных элементов. Размер равен (2i + 1)(2i + 1) пикселей для . В соответствии с выражением (6) значения градиентов рассчитывают трижды с использованием структурных элементов различной размерности, а затем результаты складывают.

Данные экспериментов показывают, что применение многомасштабного морфологического градиента обеспечивает максимальную эффективность по сравнению с такими методами предобработки, как пространственное дифференцирование, оператор Превитта и вейвлет фильтр Добеши. Критерии оценки эффективности: - степень выделения объектов интереса; - степень выделения фона, - результативность анализа и - инвариантность к свойствам изображения.

Распределение оценок детальности блоков изображения в кадре имеет зависимость Релея. Бинарный характер проводимой классификации и известный закон распределения оценок детальности позволяет реализовать пороговое ограничение.

В результате предварительной классификации выделяют множество блоков с высоким уровнем детальности для дальнейшего анализа. Для каждого блока этого множества определяют трехкомпонентный вектор движения

где - составляющие -го вектора движения по направлениям и , - оценка его достоверности

Вектор признаков

сопоставленный каждому блоку множества , позволяет выделить объекты интереса (принять решение к какому объекту принадлежит k-ый блок с вектором признаков ).

Предложено сегментировать объекты, объединяя блоки в группы на основе схожести признаков для блоков одной группы и отличий между группами. Этот подход в аппарате нечеткой логики называется кластеризацией. В терминах нечеткой логики блоки - это элементы, подлежащие кластеризации (объединению), объекты интереса - кластеры.

Задачу сегментации объектов интереса при отсутствии априорной информации следует рассматривать как нечеткую кластеризацию при неизвестном числе кластеров.

Исходной информацией для кластеризации является матрица наблюдений:

,

каждая строка которой представляет собой значения n признаков одного из M элементов кластеризации.

Нечеткие кластеры описывают матрицей возможностного нечеткого разбиения:

в которой k-ая строка содержит степени принадлежности элемента k к кластерам. При нечетком разбиении степень принадлежности объекта к кластеру принимает значения из интервала [0, 1].

Матрица возможностного нечеткого разбиения должна обладать следующими свойствами

Для определения центров потенциальных кластеров применен алгоритм горной кластеризации.

Потенциал центров кластеров определен выражением:

где - вектор признаков потенциального центра h-го кластера, ; - положительная константа; - расстояние между вектором признаков потенциального центра кластера и вектором признаков элемента кластеризации .

Расстояние между вектором признаков потенциального центра и элемента кластеризации:

где - координаты левого верхнего угла, и - найденный вектор движения и его достоверность для блока, являющегося потенциальным центром кластера; - координаты левого верхнего угла, и - найденный вектор движения и его достоверность для блока, являющегося элементом кластеризации.

В качестве центров кластеров выбирают точки с максимальным потенциалом («горные вершины»). Центром первого кластера назначают точку с наибольшим потенциалом. При выборе следующего центра кластера исключают влияние найденного кластера. Для этого значения потенциала оставшихся возможных центров кластеров пересчитывают:

где - потенциал на 1-й итерации; - потенциал на 2-й итерации; - вектор признаков первого найденного кластера: ; - положительная константа.

Центр второго кластера определяется по максимальному значению обновленного потенциала:

После определения центров кластеров формируют матрицу нечеткого разбиения. Значение элементов матрицы определены степенью принадлежности элемента (блока) кластеру (объекту), которое задано расстоянием между вектором признаков блока и вектором признаков центра кластера.

При сегментации объектов учитывают признак пространственной связности - блоки должны образовывать связную группу и иметь схожие вектора движения. Первым признаком принадлежности блока к кластеру является минимальное расстояние до одного из ранее включенных в кластер блоков (на первом шаге к центру кластера).

Вторым признаком является взвешенная норма разностного вектора , где - наиболее вероятный вектор движения для данного кластера, а - оценка достоверности вектора движения .

Для -го блока формируют обобщенный признак в виде нормы вектора , составленного из взвешенных значений частных признаков

где матрица переменных весовых коэффициентов учитывает динамику свойств объектов интереса и окружающей обстановки.

Для определения степени принадлежности блока кластеру введена экспоненциальная функция на основании обобщенного признака :

где - масштабный коэффициент.

Сопровождение объектов интереса реализовано на основе обобщенной модели формы Гаусса и с использованием теории нечетких множеств. Анализируют соответствие вектора признаков фрагмента изображения (блока) векторам признаков объектов, сегментированных на предыдущем шаге.

Представление в виде эллипсов рассевания Гаусса является наиболее общим и несет информацию о центре тяжести объекта (центр эллипса), его линейных размерах L₁, L₂ (длины полуосей эллипса), коэффициенте элонгации , угле наклона , мере несимметрии объекта .

Построение модели формы и движения для каждого сегментированного объекта позволяет использовать для решения задачи сопровождения математический аппарат нечетких множеств. На множестве всех блоков кадра сформированы нечеткие множества объектов , где G - число объектов, сегментированных в предыдущем кадре t. Функция принадлежности нечеткого множества получена на основе t-нормы вероятностного пересечения нечетких множеств и .

где - функция принадлежности нечеткого множества блоков, соответствующих модели формы объекта g; - функция принадлежности нечеткого множество блоков, соответствующих модели движения объекта g

; ;

где b - блок с координатами ; - значения дисперсии и ковариации, полученные в кадре t при определении параметров модели формы объекта в виде эллипсов рассеивания Гаусса; - оценка координат центра тяжести объекта в кадре t+1 на основе координат центра тяжести в кадре t.

где - вектор движения объекта, найденный согласно модели движения объекта , - весовой коэффициент, учитывающий выраженность признака движения и особенности окружающей обстановки.

При сопровождении нескольких близко расположенных объектов функция принадлежности имеет вид

Сопровождение объектов выполняют выявлением принадлежности блоков кадра t + 1, сформированным нечетким множествам кадра t. Для однозначного определения объектов введены -сечения каждого из множеств.

В случае длительного исчезновения объекта необходимо отождествить потерянный объект с одним из вновь захваченных объектов. Операцию отождествления выполняют по критерию минимума расстояния между векторами взвешенных параметров потерянного объекта и одного из вновь захваченных объектов

где - вектор параметров потерянного объекта , G - число объектов, сегментированных в кадре t; , - центр тяжести, - линейные размеры, - угол поворота, - коэффициент элонгации, и - вектора скорости и ускорения объекта интереса; - вектор параметров найденного объекта; , K - число вновь захваченных объектов в кадре t+1; - весовая матрица, в общем случае отличная от диагональной.

Как показали экспериментальные исследования, предложенный метод позволяет реализовать автоматический захват до 50 объектов интереса на сложном фоне и обеспечивает устойчивое сопровождение объектов интереса при существенной динамике их свойств и окружающей обстановки, а также при взаимодействии изображений объектов с фоном и друг с другом.

В пятой главе приведены результаты экспериментального исследования предложенных методов представления и обработки видеоданных в контексте их практической реализации; рассмотрены: - многоцелевой телевизионно-компьютерный комплекс видеомониторинга железнодорожных составов; - многофункциональный оптико-электронный комплекс сегментации и сопровождения неточечных объектов; - видеокомпьютерная система контроля запуска космических аппаратов.

Рис. 4 Вид экрана монитора

Многоцелевой телевизионно-компьютерный комплекс видеомониторинга железнодорожных составов предназначен для обеспечения осмотра и выявления негабаритных грузов движущегося товарного состава с последующим сбором, обработкой, хранением и документированием информации о коммерческом состоянии вагонов и грузов, а также передачей ее в автоматизированную систему управления перевозками.

В состав системы входят сенсоры, электронная система ввода видеоизображений в компьютер, персональный компьютер, программное обеспечение. Сенсорами системы являются три видеокамеры, дающие изображения левого и правого по ходу поезда бортов вагонов, а также вид сверху; габаритные электронные ворота для выявления негабаритного груза.

Комплекс позволяет:

· На одном экране представить панорамные изображения всех трех изображений проходящих вагонов и дать дополнительную информацию о текущем времени, скорости движения состава и порядковом номере вагона (рис. 4).

· Предоставить оператору возможность самому устанавливать комфортную скорость просмотра состава с помощью движка, останавливать движение (стоп-кадр) и возвращаться назад.

· Записать синтезированные изображения в архив с высоким коэффициентом сжатия без потери информации об объекте интереса.

Экспериментальное исследование и результаты, полученные в процессе апробации комплекса, показывают:

1. Синтезированное панорамное изображение обеспечивает эффективную коррекцию пространственных искажений (рис. 5):

нелинейные искажения третьего порядка:

исходный уровень 120%; уровень после коррекции менее 5%;

искажения типа «бочка/подушка»:

исходный уровень 20%; уровень после коррекции менее 1%.

2. Полученный размер панорамы одного вагона позволяет разместить ее целиком на экране монитора.

3. При движении протяженного объекта со скоростью от 20 до 60 км/ час и стандартной ширине кадра 768 пикселей по горизонтали достигаемый коэффициент сжатия от 80 до 25 раз, соответственно.

4. Средняя ошибка нарушения геометрического подобия (соответствия с определенным масштабным коэффициентом размеров объекта интереса на созданной панораме размерам реального объекта) составляет 2,7%. Достигнутая точность обеспечивает восприятие оператором синтезированного изображения, как изображения без искажений. Искажения менее 5% не воспринимаются зрительным анализатором человека.

5. Информация о скорости движения протяженного объекта при построении панорамного изображения, одновременно с синтезом изображения объекта интереса, позволяет зафиксировать момент начала и окончания движения железнодорожного состава, определить направление и скорость движения, реализовать счет вагонов и выполнить идентификацию типа вагона.



Рис. 5 a) Исходное изображение. Коэффициент нелинейных искажений 109% ( ;). b) Синтезированное изображение. Ширина фрагментов (пиксели) Ф1=67, Ф2 =68, Ф3=70, Ф4=67. Коэффициент нелинейных искажений 4.3% ().

Полученные результаты показывают, что синтезированное панорамное изображение позволяет реализовать основные функциональные особенности интеллектуальной системы видеонаблюдения протяженных объектов.

В многофункциональном оптико-электронном комплексе решены задачи автоматизированного захвата и автоматического сопровождения неточечных объектов интереса. Размеры объектов от 4*4 до 100*100 пикселей. Скорость движения от 0 до 10 пикселей за кадр. Движение объектов произвольное, возможно исчезновение длительностью до 10 сек. Число главных объектов интереса от одного до четырех. Число второстепенных объектов неограниченно. Эффективное отношение сигнал/шум (отношение превышение сигнала цели над фоном к СКО шума) не менее 6 дБ. Автоматизированный захват выполняет оператор.

Система решает следующие задачи:

1. Один из главных объектов (по выбору оператора) всегда удерживают в центре растра с ошибкой, не превышающей 1 пиксель по каждой координате.

2. Остальные объекты сопровождают стробом. Реализуют непрерывную (с частотой кадров) подстройку стробов под изменяющиеся размеры и ракурсы для всех четырех объектов интереса.

3. Выполняют разрешение ситуации окклюзии и временного (до 10 сек) исчезновения объектов интереса.

Экспериментальное исследование показывает:

1. Предложенный метод обеспечивает систематическую ошибку сегментации 16% от площади объекта интереса. Указанное значение в 3 раза ниже средней ошибки при сегментации объекта прямоугольным стробом. Случайная ошибка зависит от размеров объекта интереса: для объектов размером до 5 блоков она составляет 15-20%, для объектов большего размера 3-5%.

2. При сопровождении объектов статичной камерой ошибка при определении центра тяжести не превышает 1 пиксель.

3. Разрешение ситуации окклюзии во всех экспериментах было выполнено корректно и не привело к ложному изменению размеров стробов объектов интереса.

Видеокомпьютерная система контроля запуска космических аппаратов предназначена для дистанционного видеонаблюдения и сопровождения космических аппаратов во время их запуска, оценивания их экранных координат и архивирования видеоданных.

В состав системы входят видеокамера; электронная система ввода видеоизображений в компьютер; поворотный стол; персональный компьютер; программное обеспечение.

В автоматизированном режиме выполняют захват объекта интереса: оператор формирует строб вокруг объекта, подлежащего дальнейшему сопровождению. В автоматическом режиме система реализует удерживание в центре кадра объекта, выделенного оператором. Скорость перемещения объекта интереса в экранной плоскости до 5 пикселей за кадр. Возможно исчезновение объекта интереса длительностью до 3 секунд.

Экспериментальные исследования показывают:

1. Средняя ошибка слежения, определяемая предложенным методом (без влияния инерционности поворотного стола), составляет 1,5 пикселя.

2. Момент начала движения объекта интереса был зафиксирован на всех тестовых сюжетах.

Полученные показатели и качественные характеристики показывают, что предложенные в диссертационной работе методы представления и обработки видеоданных, позволяют реализовать основные функциональные особенности интеллектуальной системы видеонаблюдения за протяженными объектами и систем сегментации и сопровождения неточечных объектов интереса с жестким движением.

Основные выводы

В заключении сформулированы основные результаты, полученные в диссертационной работе:

1. Выявлены функциональные особенности интеллектуальных систем видеонаблюдения, сегментации и сопровождения, обеспечивающие существенное повышение их эффективности.

2. Предложены принципы обработки и представления видеоданных, обеспечивающие реализацию функциональных особенностей интеллектуальных прикладных ТВ систем.

3. Введен критерий оценки эффективности методов и алгоритмов определения векторов движения в интеллектуальных системах видеонаблюдения, сегментации и сопровождения - уровень достоверности. Проведены экспериментальные исследования существующих методов и алгоритмов, и у них выявлен низкий уровень достоверности 0,58.

4. Для оценки векторов движения в интеллектуальных прикладных системах разработаны специальные методы:

· Метод оценки векторов движения с учетом их априорных оценок достоверности и значимости, который позволяет задавать необходимый уровень достоверности и снижает вычислительные затраты по определению поля векторов движения в 10-20 раз. Метод дает возможность найти трехкомпонентные вектора движения. Третьей компонентой является вероятность правильного определения вектора движения (оценка достоверности), имеющая самостоятельную ценность при дальнейшей обработке.

· Метод субпиксельной оценки векторов движения на основе многмасштабной межкадровой разности, позволяющий определить вектора движения с точностью до 0,07 пикселя и одновременно повышающий уровень достоверности на 20%.

5. Показана низкая эффективность цифровой коррекции пространственных искажений в изображениях, полученных с помощью сверхширокоугольных объективов. Изображения после коррекции имеют существенные потери разрешения: на краях растра до 70%, в центре до 40%.

6. Разработан метод синтеза изображения протяженного движущегося объекта интереса путем построения панорамы, позволяющий компенсировать пространственные искажения без потерь разрешения, присущих методам цифровой коррекции, и обеспечивающий комфортные условия анализа видеоданных, а также существенное сжатие без потери информации об объекте интереса.

7. Предложен алгоритм оценки видимой скорости движения протяженного объекта на основе временной фильтрации и фильтрации по предсказывающей регрессионной модели. Средняя ошибка при оценке скорости 2,7%, уровень достоверности 0,999985.

8. Построена обобщенная модель формы объекта на основе эллипсов рассеивания Гаусса.

9. С учетом сложных условий видеонаблюдения и специфики объектов интереса предложено заменить текстурный признак признаком детальности. Введена оценка детальности фрагмента изображения. Разработана процедура предварительной классификации изображения на основе признака детальности, позволяющая исключить из дальнейшего анализа до 80% блоков изображения.

10. Разработан метод сегментации объектов интереса по совокупности признаков с использованием математического аппарата нечеткой логики, позволяющий одновременно выделить изображения нескольких объектов на сложном фоне.

11. Разработан метод сопровождения объектов на основе гауссовой модели формы с обновляемыми параметрами, позволяющий разрешать ситуации окклюзии, слияния и разделения объектов интереса, а также сопровождать объекты при существенной динамике их свойств и окружающей обстановки.

12. На основе разработанных методов реализованы многоцелевая видеокомпьютерная система коммерческого осмотра поездов и вагонов, многофункциональный оптико-электронный комплекс сегментации и сопровождения неточечных объектов, видеокомпьютерная система контроля запуска космических аппаратов.

Совокупность проведенных исследований, полученных новых научных и практических результатов показывает, что поставленная в диссертационной работе проблема повышения эффективности прикладных ТВ систем, путем придания им интеллектуальных свойств решена.

Опубликованные работы по теме диссертации

1. Обухова, Н.А. Система для автоматического оценивания и минимизации растровых искажений ТВ приемников и ВКУ./ Н.А Обухова // К Дню радио: материалы 49-й науч. -техн. конф. «НТОРЭС им. А. С. Попова», г. C.-Петербург, 1994 г. - CПб., 1994. - С. 47.

2. Обухова, Н.А. Система автоматической настройки и контроля качества ТВ приемников./ Н.А Обухова // К Дню радио: материалы 50-й науч. -техн. конф. «НТОРЭС им. А. С. Попова», г. C.-Петербург, 1995 г. - CПб., 1995. - С. 34.

3. Oboukhova, N. Signal processing in TV-parameters estimation [ Обработка сигналов при оценке показателей качества ТВ приемников] / N. Oboukhova // Control Systems and Computer Science: Proc. of 10th Int. Conf., Bucharest, Romania, 24 - 26 may 1995.- Bucharest, 1995. - P. 154-156.

4. Обухова, Н.А. Автоматическое оценивание растровых параметров ТВ приемников / Н.А. Обухова // Телевидение. Видеотехника. Теория и практика: Сб. науч. тр. / CПб ГААП (ГУАП) - СПб., 1996. - С. 86-91.

5. Oboukhova, N. Sisteme teleiformatice pentru controlul automat al traficului urban [Автоматическая телевизионная система контроля городских магистралей]/ N. Oboukhova, B. Timofeev, A Tertisco // Informatica Economica (Румыния) - 1998- № 6 (vol II). - P. 63-67.

6. Oboukhova, N. Prelucrarea videosemnalelor si etalonarea sistemelor informatice de control tv al traficului urban [Обработка видеосигналов для калибровки (привязки к местности) ТВ системы контроля городских магистралей] / N. Oboukhova, A Tertisco // Revista Romana de Informatica si Automatica (Румыния) - 1998 - № 3 (vol.8) - P. 47-53.

7. Обухова, Н.А. ТВ системы экологического мониторинга / Н.А Обухова, Б.C. Тимофеев // Новейшие достижения в области телевидения, аудио и видеотехники: сборник докл. I науч. - техн. конф., г. C.-Петербург, 24-25 июня 1999 г. - CПб., 1999. - С. 15-16.

8. Обухова, Н.А. Телевизионная система оперативного оценивания параметров загрязнения акватории/ Н.А. Обухова // Телевидение: передача и обработка изображений: материалы I Междунар. науч. конф., г. C.-Петербург, 20-22 июня 2000 г. - CПб., 2000. - С. 106-107.

9. Обухова, Н.А. Алгоритмы оценки параметров загрязнения акватории / Н.А. Обухова // Радиотехнические и телевизионные системы: Сб. науч. тр / CПб ГУАП.- СПб, 2000. - С. 28-34.

10. Обухова, Н.А. Оценка параметров модели искажающих сигналов ТВ приемника при неопределенности предиктора / Н.А. Обухова // Радиотехнические и телевизионные системы: Сб. науч. тр / CПб ГУАП.- СПб, 2000. - С. 82-88.

11. Обухова, Н.А. Цифровая обработка изображений в ТВ системах контроля водной поверхности./ Н.А. Обухова // Цифровая обработка сигналов и ее применение материалы III Междунар. науч. конф., г. Москва, 2000 г. - М., 2000. - С. 48-50.

12. Астратов, О.C. Автоматический контроль транспортных потоков с помощью телевизионных систем /О.C. Астратов, Н.А.Обухова, Б.C. Тимофеев // Радиотехнические и телевизионные системы: Сб. науч. тр / CПб ГУАП.- СПб., 2000. - С. 61-68.

13. Обухова, Н.А. Алгоритмы обнаружения и идентификации транспортных средств в телевизионных системах мониторинга городских магистралей. / Н.А. Обухова // Телевидение: передача и обработка изображений: материалы II Междунар. науч. конф., г. C.-Петербург, 21-22 мая 2002 г. - CПб., 2002. - С. 48-50.

14. Обухова, Н.А. Особенности применения метода сопоставления блоков для обнаружения и сегментирования медленно движущихся объектов / Н.А. Обухова // Телевидение: передача и обработка изображений: материалы III Междунар. науч. конф., г. C.-Петербург, 5-6 июня 2003 г. - CПб., 2003. - С. 25-27.

15. Обухова, Н.А. Особенности цифровой обработки изображений в задачах обнаружения и оценивания параметров нефтяных разливов на водной поверхности / Н.А Обухова.; М-во науки и образования Рос. Федерации. СПб ГУАП. - СПб., 2003 - 15c.- Деп. в ВИНИТИ 30.05.03, № 1064-В2003.

16. Обухова, Н.А. Цифровая обработка изображений для оценки характеристик транспортных потоков в ТВ системе экологического мониторинга воздушной среды города / Н.А Обухова.; М-во науки и образования Рос. Федерации. СПб ГУАП. - СПб., 2003 - 12c. - Деп. в ВИНИТИ 30.05.03, № 1065-В2003.

17. Обухова, Н.А. Метод видеонаблюдения за медленно движущимися малоразмерными объектами / Н.А. Обухова // Известия высших учебных заведений России. Сер. Радиоэлектроника. - 2003 - №4. -C. 44-52.

18. Обухова, Н.А. Системы видеобнаружения и сопровождения подвижных объектов / Н.А. Обухова, Б.C. Тимофеев //Телекоммуникации.- 2003- №12- C.36-44.

19. Обухова, Н.А. Программа исследования на ЭВМ алгоритмов сегментации и сопровождения движущихся объектов методом сопоставления блоков: свид-во об отраслевой регистрации разработки № 2805 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2003 - № 50200300802.

20. Обухова, Н.А. Программа исследования на ЭВМ алгоритмов сегментации движущихся объектов на основе энергии движения: свид-во об отраслевой регистрации разработки № 2806 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2003 - № 50200300803.

21. Обухова, Н.А. Программа сегментации нефтяного разлива и оценивания его параметров: свид-во об отраслевой регистрации разработки № 2807 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2003 - № 50200300804.

22. Обухова Н.А. Программа коррекции геометрических искажений в видеоданных полученных ТВ камерой с короткофокусным объективом: свид-во об отраслевой регистрации разработки № 2808 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2003 - № 50200300805.

23. Обухова Н.А. Программа исследования на ЭВМ алгоритмов сегментации и сопровождения медленно движущихся малоразмерных объектов: свид-во об отраслевой регистрации разработки № 2809 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2003 - № 50200300806.

24. Обухова, Н.А. Обнаружение и сопровождение объектов движущихся объектов методом сопоставления блоков/ Н.А. Обухова // Информационно- управляющие системы. - 2004 - № 1. - C. 30-37.

25. Обухова, Н.А. Процедура определения скорости движения протяженного объекта для построения его панорамного изображения: свид-во об отраслевой регистрации разработки № 3894 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2004 - № 50200401170.

26. Oboukhova, N. Features of optical flow defination and processing for moving object segmentation [Особенности определения и обработки оптического потока при сегментации движущихся объектов]/ N. Oboukhova, B. Timofeev // Radio - That Connects Time. 110 Anniversary of Radio Invention: Proc. of Int. Conf., St. Petersburg, Russia, May 18 - 21, 2005. - SPb., 2005. - P. 64-68.

27. Обухова, Н.А. Сегментация и сопровождение объектов на основе анализа видеопоследовательности / Н.А. Обухова, Б.C. Тимофеев // Телевидение: передача и обработка изображений: материалы IV Междунар. науч. конф., г. C.-Петербург, 24-26 мая 2005 г. - CПб., 2005. - С. 87-89.

28. Обухова, Н.А., Тимофеев Б.C. Методы повышения эффективности систем видеонаблюдения/ Н.А. Обухова, Б.C. Тимофеев // Телевидение: передача и обработка изображений: материалы IV Междунар. науч. конф., г. C.-Петербург, 24-26 мая 2005 г. - CПб., 2005. - С. 85-86.

29. Обухова, Н.А. Анализ параметров движения в системе видеонаблюдения железнодорожных составов/ Н.А.Обухова, Б.C. Тимофеев // Известия высших учебных заведений России. Сер. Радиоэлектроника. - 2005- №3.-C. 42-50.

30. Обухова, Н.А. Захват и сопровождение объектов в автоматизированной системе./ Н.А. Обухова, Б.C. Тимофеев // Электронные средства и системы управления: материалы IV Междунар. науч. - прак. конф., г. Томск, 12-14 октябрь 2005 г. - Томск, 2005. - С. 277-280.

31. Обухова, Н.А. Предварительный анализ изображения при сегментации по совокупности признаков/ Н.А.Обухова // Известия высших учебных заведений России. Сер. Радиоэлектроника. - 2006- №1.-C. 35-41.

32. Обухова, Н.А. Векторы оптического потока в задачах сегментации и сопровождения подвижных объектов/ Н.А.Обухова //Известия высших учебных заведений России. Сер. Радиоэлектроника. - 2006- №2.- C. 42-51.

33. Обухова, Н.А. Априорная оценка достоверности векторов оптического потока (векторов движения) /Н.А.Обухова // Известия высших учебных заведений России. Сер. Радиоэлектроника. - 2006- №3.- C. 30-36.

34. Обухова, Н.А. Алгоритм сегментации объектов в последовательности видеокадров методами нечеткой логики / Н.А.Обухова, Б.С. Тимофеев // Информационно- управляющие системы. - 2006 - № 3. - C. 12-18.

35. Oboukhova, N. Automatic segmentation and tracking of objects in videocomputer systems [Автоматическая сегментация и сопровождение объектов в видеокомпьютерных системах]/ N. Oboukhova// IEEE Consumer Electronics (ISCE 2006): Proc. of 10th Int. Symp., St. Petersburg, Russia, June 28 - July 1, 2006. - SPb., 2006. - P. 111-114.

36. Oboukhova, N. Calculation and application optical flow vectors with the preliminary estimation of their reliability [ Вычисление и применение векторов оптического потока с учетом априорной оценки их достоверности] / N. Oboukhova, B. Timofeev // IEEE Consumer Electronics (ISCE 2006): Proc. of 10th Int. Symp., St. Petersburg, Russia, June 28 - July 1, 2006. - SPb., 2006. - P. 203-207.

37. Обухова, Н.А. Программа исследования на ЭВМ алгоритмов субпиксельной оценки векторов движения: свид-во об отраслевой регистрации разработки № 7412 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2007 - № 50200700029.

38. Обухова, Н.А. Программа исследования на ЭВМ метода сегментации и сопровождения объектов интереса по совокупности признаков: свид-во об отраслевой регистрации разработки № 7413 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2007 - № 50200700030.

39. Обухова, Н.А. Программа исследования на ЭВМ метода предварительного анализа изображения на основе признака детальности: свид-во об отраслевой регистрации разработки № 7414 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2007 - № 50200700031.

40. Обухова, Н.А. Программа исследования на ЭВМ метода определения векторов движения с учетом априорной оценки их достоверности и значимости: свид-во об отраслевой регистрации разработки № 7411 / Н.А. Обухова; СПб ГУАП.- М.: ВНИТЦ, 2007 - № 50200700028.

41. Обухова, Н.А. Предварительная классификация изображения в задачах сегментации объектов / Н.А. Обухова // Информационно- управляющие системы. - 2007 - № 2.- C.22-28.

42. Обухова, Н.А. Сегментация объектов интереса на основе признака движения в видеокомпьютерных системах / Н.А.Обухова // Инфокоммуникационные технологии. - 2007 - №1 - C.77-85.

43. Обухова, Н.А. Метод определения векторов движения с учетом априорной оценки их достоверности и значимости. / Н.А Обухова. // Современное телевидение: труды 15-й Всеросс. науч. - техн. конф., г. Москва, 20- 21 марта 2007 г. - М., 2007. -C.156-157.

44. Амирханов, С.Г Сегментация и сопровождение объектов по совокупности признаков в прикладных ТВ системах / С.Г. Амирханов, Н.А. Обухова // Материалы 59-й науч. - техн. конф. профессорско- преподавательского состава, научных сотрудников и аспирантов СПбГУТ им. Бонч-Бруевича, г. C.-Петербург, 22-26 января 2007 г. - CПб., 2007. - С.94.

45. Обухова, Н.А. Интеллектуальные видеосистемы/ Н.А. Обухова, Б.C. Тимофеев // Телевидение: передача и обработка изображений: материалы V Междунар. науч. конф., г. C.-Петербург, 19-20 июня 2007 г. - CПб., 2007. - С. 3-4.

46. Обухова, Н.А. Субпиксельная оценка векторов движения / Н.А.Обухова // Известия высших учебных заведений России. Сер. Радиоэлектроника. - 2007- №1. - C. 18-23.

47. Обухова, Н.А. Метод автоматической сегментации и сопровождения объектов интереса на основе математического аппарата нечеткой логики/ Н.А.Обухова // Известия высших учебных заведений России. Сер. Радиоэлектроника. - 2007- №3. - C. 53-63.

48. Обухова, Н.А. Интеллектуальные системы видеонаблюдения железнодорожных составов / Н.А. Обухова, Б.C. Тимофеев // Вопросы радиоэлектроники. Сер. Техника телевидения.- 2007- №1. - C 10-23.

Размещено на Allbest.ru

...