Сегментация движения в создании интеллектуальных транспортных систем

Задача сегментации движения автомобилей является одной из ключевых при построении интеллектуальных транспортных систем. Ее решение зависит от технологий обработки изображений, таких как выделение фона, цифровая фильтрация, выделение контуров и т.д.. Методы, которые используются при решении задачи сегментации движения, должны соответствовать критериям робастности и быстродействия.

Робастность методов означает, что система должна успешно справляться с жесткими условиями, которые приведены внешней средой — сегментация должна проходить успешно при различной освещенности, различных погодных условиях, при наличии теней, света автомобильных фар, при движении камеры от порывов ветра и т.д..

Требования к критерию быстродействия ограничивают время выполнения алгоритмов, которые применяются.

Одним из алгоритмов, наиболее часто используется при сегментации, является алгоритм вычитания фона. Вычитание фона может происходить покадрово или попиксельно. Алгоритмы покадрового вычитания работают по принципу вычитания одного кадра с другой и сравнения полученной разницы с некоторым пороговым значением. Такого рода алгоритмы легкие в реализации и не требуют высокой вычислительной мощности. Они успешно применяются в простых системах детектирования объектов в помещениях, но в условиях нестабильной освещенности они не работают — изменение уровня освещенности будет восприниматься как движение.

Алгоритмы, работающие попиксельно, более сложные в реализации, но дают гораздо лучшие результаты. Они работают следующим образом: строится двухмерный массив, элемент которого представляет соответствующий пиксель фона. Для каждого элемента, на протяжении некоторого количества кадров, вычисляется значение фона, затем элемент сравнивается с соответствующим пикселем текущего кадра, после чего решается вопрос — принадлежит пиксель к фону или движущемуся.

Но такой подход может не сработать, когда условия освещения существенно изменяются в течение времени. Тогда можно предположить, что кадр, полученный недавно, будет иметь более достоверную информацию, чем более ранние кадры. На основе этого предположения, можно построить алгоритм с разными весами для разных по времени получения кадров. Слабой стороной таких алгоритмов является получение некорректных результатов, когда объекты движутся медленно, или не двигаются (например, если автомобили стоят в пробке). Фоновое изображение портится и сегментация становится невозможной. Решение нескольких проблем четкости фото, можно решить при помощи метода описанного в новой статье.

Более совершенными являются алгоритмы, основанные на вероятностных моделях. Они используют нормальное распределение или смесь нормальных распределений для моделирования пикселей фона и позволяют справиться со многими проблемами, такими как наличие динамического фона (например, ветви деревьев, движущихся дождь, снег), изменение освещенности и т.д.. Очевидно, что быстродействие данного алгоритма очень низкая.

Кроме вычитания фона, существует много методов, которые основаны на других принципах, например, выделение контуров, построение моделей для транспорта, нейронные сети и нечеткая логика и т.д.. Некоторые из них применяются в специфических задачах (например, подсчет количества автомобилей в снимках, полученных с помощью аэрофотосъемки), но, как правило, методы основаны на вычитании фона, наиболее употребительными.
Проведено моделирование упомянутых выше алгоритмов сегментации движения. Было обнаружено, что наиболее робастной является алгоритм вычитания фона, который использует смесь нормальных распределений. Он постепенно адаптируется к динамическому заднему плану, а также к дождю и снегу. Также алгоритм адаптируется к быстрым и медленным изменениям заднего плана. Но быстродействие этого алгоритма очень низкая и зависит от размеров изображений, которые обрабатываются. Это обусловлено необходимостью вычисления вероятностной модели для каждого пикселя.

Также, при медленном движении транспортных средств наблюдается порчи модели фона.
Несмотря на это, перспективным является использование априорной информации, специфическая для решаемой задачи (пределы дороги и отдельных полос, направления движения автомобилей и т.п.), что может позволить снизить вычислительную сложность алгоритмов.

Оставить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.