4.2.5 Применение метода для видео, полученных в реальных условиях Реализованную систему можно применить в различных областях. В области метеорологии можно применить систему для нахождения скорости и направления ветра по перемещению областей на изображениях. Мощным источником информации о различных параметрах атмосферы и подстилающей поверхности (в том числе и об облачных образованиях) являются данные спутникового пассивного зондирования Земли. Одним из открытых источников является набор инструментов API Google карт. Спутниковые данные над участком с заданными координатами предоставляются с интервалом в 1 час. В этом случае по данным о перемещении облачных образований можно оценить важные метеорологические параметры: скорость и направление ветра. Эта информация необходима для метеорологических прогнозов [81]. Оценку этих параметров можно представить в виде следующей последовательности: 1. Выбор области облачного поля.
112 2. Поиск выбранного облачного поля на кадре разработанным методом. 3. Определение смещения центра найденной области. 3. Оценка скорости и направления ветра по перемещению контролируемых (кандидатов) областей на изображениях. Смещение центра найденной области определяется по координатам x и y (см. рисунок 4.10). Имея информацию о расстоянии от спутника до Земли, частоту снимков и смещение облачного поля ( , x y ), рассчитывается скорость ветра. Рисунок 4.10 – Определение смещения центра найденной области Во всех проведённых тестах слежение за выбранным облачным полем успешно осуществляется до 3 часов. После 3 часов слежения облачное поле может существенно изменять свою форму, отличительные признаки. Результаты одного из эксперимента представлены на рисунке 4.11 [82]. Объект успешно обнаруживается в течение 23 снимков, после чего объединился с другим облачным полем и приобрёл новые свойства, а, следовательно, изображение объекта стало иметь новые ключевые точки.
113 T 0 – снимок, полученный в момент времени t 0 , T3 – снимок, полученный в момент времени t 0 +3Δt, T 9 – снимок, полученный в момент времени t 0 +9Δt, T 19 – снимок, полученный в момент времени t 0 +19Δt Рисунок 4.11 – Поиск и слежение за облачным полем Разработанная система используется в Федеральном государственном бюджетном учреждении науки Институт оптики атмосферы им. В.Е. Зуева Сибирского отделения Российской академии наук (ИОА СО РАН) для вычисления скорости и направления движения крупных (50×50 км и более) облачных образований на период до 3 часов. Копия акта внедрения программно- технической системы «Object tracking PS» приведена в Приложении А. Система может быть применена в системах безопасности для нахождения предмета или живого существа в видеопотоке, который может поступать напрямую с камеры или из архивных данных. Для проведения эксперимента использованы видео контенты из открытого источника Xiph.org [49] (см. таблицы 4.6, 4.7). На каждом видеофайле выбран
114 объект для поиска. Шаги выполнения поиска изображения объекта в архивных данных могут быть представлены в следующей последовательности: 1. Загрузка изображения объекта для поиска (инициализация объекта). 2. Инициализация видео архива, на котором будет осуществляться поиск (загрузка пути до директории с видео файлами). 3. На каждом видео файле архива выполнить поиск загруженного объекта. Результатом работы описанных шагов является набор кадров с выделенными участками найденного объекта из архива с видео данными. На рисунке 4.12 представлен пример работы программы поиска объекта [83], взятого из видео контента pedestrian_area. Рисунок 4.12 – Поиск человека в видеопотоке В результате выполнения программы выделены участки кадров видеопоследовательности с найденными изображениями объекта (см. рисунок 4.12). В течение всей видео последовательности искомый объект перекрывается 5 раз другими объектами, после которых успешно локализуется [84]. Метод
115 устойчив к частичному перекрытию, к временному отсутствию объекта, к изменению общей яркости изображения. В приложении А приведена копия акта внедрения программного модуля, основанного на разработанном методе и алгоритме поиска объекта в видеопотоке, в коммерческий продукт игрового движка GameX, поставляемого компанией ООО «Универсальные терминал системы». Включение программного модуля позволило повысить скорость обработки на 5% заменой существующего функционала и добавить новую функциональность: слежение и поиск объекта в реальном масштабе времени в видео кадрах размером 640×360 с частотой поступления до 30 кадров в секунду. 4.3 Выводы 1. Использование разработанной методики, основанной на выделении ключевых точек и анализе цветовой гистограммы при идентификации объекта, позволяет обнаруживать проективно искажённый объект с вероятностью ≈ 0,9. 2. Реализованные алгоритм и на его основе программная система позволяют повысить быстродействие системы приблизительно в 8 – 10 раз по сравнению с существующими аналогами. 3. Реализованная программная система обеспечивает поиск объекта с реальной скоростью потока данных (25 кадров в секунду) на кадрах с размером до 960×540 пикселей, что позволяет применять её для практических задач в различных функциональных приложениях. 4. Результаты экспериментального исследования системы поиска объекта в видеопотоке показывают, что за счёт комбинированного поиска локальных (ключевых точек) и глобальных (цветовой гистограммы) признаков разработанный метод по скоростным характеристикам и вероятности распознавания превосходит существующие «промышленные» системы.
116 Заключение В диссертации решена задача разработки инвариантного к проективным преобразованиям и условиям съёмки алгоритма поиска заданного объекта в видеопотоке. Практическая реализация подтвердила теоретическое обоснование разработанной системы для применения в задачах с реальной скоростью потока видеопоследовательности (25 кадров в секунду). Исследование выполнено полностью: по проекту системы создан программный продукт «Object tracking PS», и на реальных задачах подтверждена его эффективность. По результатам исследования сформулированы основные результаты: 1. Предложенная методика поиска объекта в видеопотоке, основанная на анализе ключевых точек и использовании алгоритмов идентификации, инвариантных к проективным искажениям изображения, позволяет повысить вероятность нахождения объекта с ≈ 0,8 до уровня ≈ 0,9. 2. Разработанный метод поиска объекта в видеопотоке, включающий шаги вычисления дескрипторов ключевых точек по предварительно искаженному проективными преобразованиями изображению образца и оценки меры схожести дескрипторов кадра и дескрипторов объекта, позволяет повысить скорость обработки до ≈10 раз по сравнению с быстродейственным аналогом SURF. 3. Разработанный алгоритм ограничения области поиска объекта в кадре, основанный на оценке масштабов ключевых точек проективно искаженных изображений объекта, обеспечивает уменьшение времени поиска объекта до ≈ 10% по сравнению с алгоритмом RANSAC. 4. Разработанные в диссертации функциональная и структурная модели системы позволяют полностью удовлетворить основные требования, выдвигаемые к системе поиска объекта в видеопотоке, а, следовательно, существенно повысить эффективность вычислений и использования имеющихся вычислительных ресурсов. 5. Предложенный метод поиска объекта в видеопотоке в отличие от существующих позволяет осуществлять инвариантный к проективным
117 искажениям поиск объекта в режиме реальной скорости потока данных (25 кадров в секунду). 6. Разработанная программная система поиска объекта в видеопотоке позволяет использовать аппаратно-программные средства со средней загрузкой процессора на обработку видеопотока в секунду L s ≈ 1,84%. 7. Реализованная программная система поиска объекта в видеопотоке, ориентированная на использовании всех ресурсов компьютера, включая видеопроцессор, позволяет решать широкого круга задачи в различных функциональных областях. 8. Результаты испытаний программной системы «Object tracking PS», основанной на разработанной архитектуре, подтвердили эффективность заложенных алгоритмов и технологий. Рекомендации. Разработанная система может быть применена для решения широкого круга задач (слежение за объектом, обнаружение объектов, поиск дубликатов изображений, соединения кадров) в различных предметных областях (зондирование земли, системы безопасности, обработка видео). На основе разработанного алгоритма и построенной структуре создана программная система «Object tracking PS», направленная для выполнения научных вычислений и ориентированная на применение в научно-исследовательском процессе в исследовательских и конструкторских организациях. Дальнейшее развитие системы возможно с добавлением одновременного поиска нескольких объектов на одном кадре, что расширит круг потенциальных потребителей.
118 Список литературы 1. Анштедт, Т. Видеоаналитика: мифы и реальность [Текст] / Т. Анштедт, И. Келлер, Х. Лутц. – М.: Sequrity Focus, 2012 г. – 176 с. – 1500 экз. – ISBN 978-5- 9901176-5-5. 2. Guoshen, Yu. ASIFT: An Algorithm for Fully Affine Invariant Comparison, Image Processing On Line [Электронный ресурс] / Yu. Guoshen, M. Jean-Michel // Image Processing On Line. – 2011 – №1. – Электрон. текст. дан. – Режим доступа: http://www.ipol.im/pub/art/2011/my-asift/article.pdf (дата обращения: 07.07.2015). 3. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features [Текст] / P. Viola // Accepted Conference on Computer Vision and Pattern Recognition (CVPR 2001). – 2001. – С. 511–518. 4. Соколов, С. М. Система технического зрения для информационного обеспечения автоматической посадки и движения по ВПП летательных аппаратов [Текст] / С. М. Соколов, А. А. Богуславский, Н. Г. Фёдоров, П. В. Виноградов // Известия ЮФУ. Технические науки. – 2015. – № 1(162). – С. 96–109. 5. Филатов, В. И. Система обучения визуальным понятиям на основе соотнесения лексем и ключевых точек [Текст] / В. И. Филатов, А. С. Потапов // Научно-технический вестник информационных технологий, механики и оптики. – 2016. – Т. 16, № 4. – С. 689–696. 6. Roth, D. The SNoW Learning Architecture [Текст] / D. Roth // Technical Report UIUCDCS–R–99–2102, UIUC Computer Science Department. – 1999. – С. 8– 10. 7. Суворов, Д. А. Алгоритм сопровождения TLD (aka Predator) [Электронный ресурс] / Д. А. Суворов // Разработка роботов. – 2012. – Электрон. дан. – Режим доступа: http://robot-develop.org/archives/4463 (дата обращения: 15.09.2016). 8. Диязитдинов, Р. Р. Применение фильтра Калмана для оценки параметров освещённости [Текст] / Р. Р. Диязитдинов, Н. Н. Васин; под ред. С. А. Прохорова // Перспективные информационные технологии в научных исследованиях, проектировании и обучении (ПИТ 2012): труды научно–технической конференции с международным участием и элементами научной школы
119 молодёжи, посвящённой 40–летию кафедры информационных систем и технологий СГАУ. – Самара: Издательство Самарского научного центра РАН. – 2012. – С. 21–25. 9. Lowe, D. G. Distinctive Image Features from Scale-Invariant Keypoints [Текст] / D. G. Lowe // International of computer vision. – 2004. – C. 28–29. 10. Mann, S. «GlassEyes»: The Theory of EyeTap Digital Eye Glass [Электронный ресурс], / S. Mann // IEEE Technology and Society. – 2012. – Электрон. дан. – Режим доступа: http://wearcam.org/glass.pdf (дата обращения: 05.02.2016). 11. Development Edition [Электронный ресурс] / Официальный сайт Microsoft. – 2016. – Электрон. дан. – Режим доступа: https://www.microsoft.com/microsoft- hololens/en-us (дата обращения: 19.08.2013). 12. Meet Kinect for Windows [Электронный ресурс] / Официальный сайт Microsoft. – 2016. – Электрон. дан. – Режим доступа: https://dev.windows.com/en- us/kinect (дата обращения: 21.08.2013). 13. Metaio [Электронный ресурс] / Официальный сайт Metaio. – 2016. – Электрон. дан. – Режим доступа: http://www.metaio.com/ (дата обращения: 24.05.2014). 14. Vuforia 5.5 SDK [Электронный ресурс] / Vuforia Developer Portal. – 2016. – Электрон. дан. – Режим доступа: https://developer.vuforia.com/downloads/sdk (дата обращения: 12.02.2016). 15. Kudan SDK 1.2.3 version [Электронный ресурс] / Kudan Augmented Reality. – 2016. – Электрон. дан. – Режим доступа: https://www.kudan.eu/download/ (дата обращения: 17.03.2016). 16. Kenneth, D.-H. A Practical Introduction to Computer Vision with OpenCV [Текст] / D.-H. Kenneth. – Ireland: Trinity College Dublin, Ireland, 2014, – 234 c. – ISBN 978-1-118-84845-6. 17. Продукты Kipod для интеллектуального видеонаблюдения [Электронный ресурс] / Официальный сайт Синезис. Видеоаналитика. – 2015. – Электрон. дан. – Режим доступа: http://synesis.ru/products (дата обращения: 14.10.2015).
120 18. Об утверждении приоритетных направлений развития науки, технологии и техники в Российской Федерации и перечня критических технологий Российской Федерации: [Указ Президента РФ №899 от 7 июля 2011 г.] // Российская газета. – 2011. №6018. – С. 42. 19. Алпатов, Б. А. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление [Текст] / Б. А. Алпатов, П. В. Бабаян, О. Е Балашов, А. И. Степашкин, – М.: Радиотехника, 2008 г., – 176 с. – ISBN 978-5-88070-201-5. 20. Трекинг (компьютерная графика) [Электронный ресурс]: Материал из Википедии – свободной энциклопедии / Авторы Википедии // Википедия, свободная энциклопедия, – Электрон. дан. – Сан-Франциско: Фонд Викимедиа, 2014. – Режим доступа: http://ru.wikipedia.org/?oldid=67077116. 21. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика – Neural Computing. Theory and Practice [Текст] / Ф. Уоссермен – М.: Мир, 1992. – 240 с. – ISBN 5-03-002115-9. 22. Beaudet, P. Rationally Invariant Image Operations [Текст] / P. Beaudet // International Joint Conference on Pattern Recognition. – 1978. – С. 579–583. 23. Forstner, W. A feature based correspondence algorithm for image matching [Текст] / W. Forstner // International Archives of Photogrammetry and Remote Sensing. – 1986. – № 5. – 150–166. 24. Rad, A. A. Fast Circle Detection Using Gradient Pair Vectors [Текст] / A. A. Rad, K. Faez, N. Qaragozlou // Proc. VIIth Digital Image Computing: Techniques and Applications. – 2003. – С. 879–887. 25. Краснобаев, А. А. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации [Электронный ресурс] / А. А. Краснобаев // Институт прикладной математики им. М. В. Келдыша Российской академии наук. – 2005. – Электрон. текст. дан. – Режим доступа: http://www.keldysh.ru/papers/2005/prep114/prep2005_114.html (дата обращения: 17.06.2015).
121 26. Lucas, B. D. An iterative image registration technique with an application to stereo vision [Текст] / B. D. Lucas, T. Kanade // Proceedings of Imaging Understanding Workshop. – 1981. – С. 121–130. 27. Гаганов, В. А. Инвариантные алгоритмы сопоставления точечных особенностей на изображениях [Электронный ресурс] / В. А. Гаганов // Сетевой журнал - Компьютерная графика и мультимедия. – 2009. – Электрон. текст. дан. – Режим доступа: http://cgm.computergraphics.ru/issues/issue17/invariant_features (дата обращения: 17.05.2015). 28. Baumberg, A. Reliable Feature Matching Across Widely Separated Views [Текст] / A. Baumberg // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2000). – 2000. – С. 774–781. 29. Скурихин, А. В. Применение методов масштабируемого пространства в обработке сигналов [Электронный ресурс] / А. В. Скурихин // Лаборатория АНИ, СПИИРАН. – 2014. – Электрон. текст. дан. – Режим доступа: http://www.docme.ru/doc/541964/primenenie-metodov-masshtabiruemogo- prostranstva-v (дата обращения: 23.04.2016). 30. Bauhad, J. Uniqness of the Gaussian kernel for scale-space filtering [Текст] / J. Bauhad, A. P. Witkin, M. Baudin, R. O. Duda // IEEE Transactions on Pattern Analysis and Machine Inteligence. – 1986. – №1 – C. 26–33. 31. Шубин, М. А. Лекции об уравнениях математической физики [Текст]: 2-е изд., испр. / М. А. Шубин. – М.: МЦНМО, 2003. – 303 с. – ISBN 5-900916-97-9. 32. Кострикин, А. И. Линейная алгебра и геометрия [Текст] / А. И. Кострикин, Ю. И. Манин. – М.: Наука, 1986. – 304 с.: ил. 33. Bay, H. SURF: Speeded Up Robust Features [Текст] / H. Bay, A. Ess, T. Tuytelaars, L. Van Gool // Computer Vision and Image Understanding (CVIU), Vol. 110. – 2008. – № 3. – C. 346–359. 34. Mishkin, D. MODS: Fast and Robust Method for Two-View Matching [Текст] / D. Mishkin, M. Perdoch, J. Matas // Computer Vision and Image Understanding (CVIU), Vol. 141, – 2015. – C. 81–93.
122 35. Vinukonda, P. A study of the scale – invariant feature transform on a parallel pipeline [Электронный ресурс] / P. Vinukonda // B. TECH., JNTU University. – 2011. – Электрон. Текст. дан. – Режим доступа: http://etd.lsu.edu/docs/available/etd- 04272011-105721/unrestricted/Vinukonda_Phaneendra_Thesis.pdf (дата обращения: 06.04.2016). 36. Pele, O. A Linear Time Histogram Metric for Improved SIFT Matching [Текст] / O. Pele, M. Werman // Proceedings of the 10 th European conference on computer vision. – 2008. – №3 – С. 495–508. 37. Sivic, J. Efficient Visual Search for Objects in Videos [Текст] / J. Sivic, A. Zisserman // Proceedings of the IEEE, Vol. 96. – 2008. – № 4. – С. 548 – 566. 38. Золотых, Н. Ю. Обзор методов поиска и сопровождения транспортных средств на потоке видеоданных [Текст] / Н. Ю. Золотых, В. Д. Кустикова, И. Б. Мееров // Информационные технологии, Вестник Нижегородского университета им. Н. И. Лобачевского. – 2012. – №5 (2). – С. 348–358. 39. Решмин, Б. И. Имитационное моделирование и системы управления [Текст] / Б. И. Решмин. – М.: Инфра-Инженерия, 2016. – 74 с. – ISBN 978-5-9729- 0120-3. 40. Джиган, В. И. Прикладная библиотека адаптивных алгоритмов [Текст] / В. И. Джиган // ЭЛЕКТРОНИКА: Наука, Технология, Бизнес. – 2006. – № 1. – С. 60–65. 41. Вежневец, А. П. Методы классификации с обучением по прецедентам в задаче распознавания объектов на изображениях [Электронный ресурс] / А. П. Вежневец // Лаборатория Компьютерной Графики и Мультимедиа факультета ВМиК, Московский государственный университет им. М.В.Ломоносова, Москва, Россия. – 2006. – Электрон. текст. дан. – Режим доступа: http://www.graphicon.ru/2006/fr10_34_VezhnevetsA.pdf (дата обращения: 14.10.2014). 42. Гурьянов, А. В. Метод Виолы–Джонса (Viola–Jones) как основа для распознавания лиц [Электронный ресурс] / А. В. Гурьянов. – 2011. – Электрон.
123 дан. – Режим доступа: http://habrahabr.ru/post/133826/ (дата обращения: 05.07.2014). 43. Вежневец, А. П. Boosting – Усиление простых классификаторов [Электронный ресурс] / А. П. Вежневец, В. П. Вежневец // Компьютерная графика и мультимедия, Сетевой журнал. – 2006. – Электрон. текст. дан. – Режим доступа: http://cgm.computergraphics.ru/content/view/112 (дата обращения: 29.09.2015). 44. Garibotto, G. B. Object Detection and Tracking from Fixed and Mobile Platforms [Текст] / G. B. Garibotto, F. Buemi // Image Analysis and Processing ICIAP 2015: 18 th International Conference Genoa. – Springer, 2015. – Part 2. – С. 631 – 642. 45. Пастушков, А. В. Программная система слежения за объектом в видеопотоке [Текст] / А. В. Пастушков, В.Т. Калайда // Известия высших учебных заведений. Физика. – 2013. – Т. 56, №8/3. – С. 334–335. 46. Потапов, А. А. Новейшие методы обработки изображений [Текст] / А. А. Потапов, Ю. В. Гуляев, С. А. Никитов, А. А. Пахомов, В. А. Герман; под ред. А. А. Потапова. – М.: ФИЗМАТЛИТ, 2008 г. – 496 с. – ISBN 978-5-9221-0841-6. 47. Грузман, И. С. Цифровая обработка изображений в информационных системах [Текст]: учебное пособие / И. С. Грузман, В. С. Киричук, В. П. Косых, Г. И. Перетягин, А. А.Спектор. – Новосибирск: Изд-во НГТУ, 2002 г. – 352 с. – ISBN 5-7782-0330-6. 48. Пастушков, А. В. Методы и алгоритмы поиска объекта на видеопотоке [Текст] / А. В. Пастушков, В. Т. Калайда // Сборник научных трудов SWorld. – 2013. – Т. 6, № 3. – С. 38–42. 49. Xiph.org Video Test Media [derf's collection] [Электронный ресурс] / The Xiph.Org Foundation. – 2016. – Электрон. дан. – Режим доступа https://media.xiph.org/video/derf/ (дата обращения: 02.03.2016). 50. Пастушков, А. В. Метод поиска объекта на изображении [Текст] / А. В. Пастушков, В. Т. Калайда // Известия высших учебных заведений. Физика. – 2015. – Т. 58, № 10/3. – С. 117–119. 51. System Engineering Fundamentals. Department of defense [Текст]. – Systems Management College. – Defense acquisition university press, 2001. – 216 с.
124 52. Panchal, P. M. A Comparison of SIFT and SURF [Электронный ресурс] / P. M. Panchal, S. R. Panchal, S. K. Shah // International Journal of Innovative Research in Computer and Communication Engineering Vol. 1, Issue 2. – 2013. – Электрон. текст. дан. – Режим доступа: http://www.ijircce.com/upload/2013/april/21_V1204057_A%20Comparison_H.pdf (дата обращения: 01.02.2016). 53. Luo, J. A Comparison of SIFT, PCA-SIFT and SURF [Электронный ресурс] / J. Luo, G. Oubong // International Journal of Image Processing (IJIP) Volume(3), Issue(4). – 2009. – Электрон. текст. дан. – Режим доступа: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.301.7041&rep=rep1&type=p df (дата обращения: 26.10.2015). 54. Кустикова, В. Д. Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP. Учебный курс. Лекция «Отслеживание движения и алгоритмы сопровождения ключевых точек» [Электронный ресурс] / В. Д. Кустикова // Нижегородский государственный университет им. Н.И. Лобачевского. Факультет вычислительной математики и кибернетики. – 2013. – Электрон. текст. дан. – Режим доступа: http://www.hpcc.unn.ru/file.php?id=735 (дата обращения: 19.09.2016). 55. Shan, Y. Linear Model Hashing and Batch RANSAC for Rapid and Accurate Object Recognition [Электронный ресурс] / Y. Shan, B. Matei, H. S. Sawhney, R. Kumar // Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2004. – №2. – Электрон. дан. – Режим доступа: http://ri.cmu.edu/pub_files/pub4/shan_y_2004_1/shan_y_2004_1.pdf (дата обращения: 12.11.2013). 56. David, F. Multi-model Estimation in the Presence of Outliers [Электронный ресурс] / F. David // The Faculty of the Computer Science Department of Middlebury College. – 2011. – Электрон. дан. – Режим доступа: http://www.cs.cmu.edu/dfouhey/thesis/dfouhey_thesisPresentation.pdf (дата обращения: 14.05.2015).
125 57. Meng, J. Object Instance Search in Videos via Spatio-Temporal Trajectory Discovery [Текст] / J. Meng, J. Yuan, J. Yang, G. Wang, Y.–P. Tan // IEEE Transactions on multimedia, Vol. 18. – 2016. – № 1. – С. 116 – 127. 58. Верников, Б. М. Лекция 8: Алгоритмы для задач о паросочетаниях [Электронный ресурс] / Б. М. Верников, А. М. Шур // Уральский федеральный университет, Институт математики и компьютерных наук, кафедра алгебры и дискретной математики, – Электрон. дан. – Режим доступа к файлу: http://kadm.imkn.urfu.ru/files/tgr08.pdf (дата обращения: 06.08.2015). 59. Дуда, Р. Распознавание образов и анализ сцен [Текст] / Р. Дуда, П. Харт. – М.: Мир, 1976. – 511 с. 60. ГОСТ 19.701-90 (ИСО 5807-85). Единая система программной документации. Схемы алгоритмов, программ, данных и систем. Обозначения условные и правила выполнения [Текст]. – М.: Стандартинформ, 2005. – 116 с. 61. Гонсалес, Р. Цифровая обработка изображений. Издание 3-е, исправленное и дополненное [Текст] / Р. Гонсалес, Р. Вудс. – Москва: Техносфера, 2012. – 1104 с. – ISBN 978-5-94836-331-8. 62. Деврой, Л. Непараметрическое оценивание плотности. L1-подход [Текст] / Л. Деврой, Л. Дьёрфи; пер. с англ. А. Б. Цыбакова; под ред. М. Б. Малютова. – М.: Мир, 1988. – 408 с. – ISBN 5-03-000445-0. 63. Comaniciu, D. Mean Shift: A Robust Approach Toward Feature Space Analysis [Текст] / D. Comaniciu, P. Meer // IEEE Transactions on Pattern Analysis and Machine Intelligence 24 (5), 2002. – С. 603–619. 64. Конушин, А. С. Сопровождение объектов и распознавание событий / А. С. Конушин [Электронный ресурс] // Computer science club, Екатеринбург, – 2012. – Электрон. текст. дан. – Режим доступа: http://logic.pdmi.ras.ru/csclub/sites/default/files/slides/20120414_videorecognition_kon ushin_lecture04.pdf (дата обращения: 03.03.2015). 65. Пастушков, А. В. Программная система слежения за объектом в видеопотоке [Текст] / А. В. Пастушков, В. Т. Калайда // Южно-Сибирский научный вестник. – 2013. – №1. – С. 90–91.
126 66. Recommendation ITU-R BT.601-7. Studio encoding parameters of digital television for standard 4:3 and wide-screen 16:9 aspect ratios [Текст], – International Telecommunication Union, 2011 – 18 с. 67. Шапошников, А. И. Компьютерное слежение с масштабированием, основанное на градиентном спуске [Электронный ресурс] / А. И. Шапошников, Е. В. Шапошникова // 21st Internationak Conference on Computer Graphics and Vision, Moscow, Russia, September 26-30, – Электрон. версия печатн. публ. – 2011. – Режим доступа: http://www.graphicon.ru/proceedings/2011/conference/gc2011shaposhnikov.pdf (дата обращения: 14.09.2015). 68. Пастушков, А. В. Инвариантность компонент цветовых пространств к изменению естественной яркости на видеопотоке [Текст] / А. В. Пастушков, В. Т. Калайда // Сборник научных трудов SWorld. – 2014. – Т. 6, № 1. – С. 54–56. 69. Chidambaram, C. Intelligent Data Engineering and Automated Learning [Текст] / C. Chidambaram, S. M. Marlon, B. D. Leyza, V. N. Hugo, S. L. Heitor // 13 th International Conference. Natal. Brazil. – Springer, 2012. – C. 143–151. 70. Буч, Г. UML. Руководство пользователя [Текст] / Г. Буч, Д. Рамбо, А. Якобсон. – М.: ДМК пресс, 2001. – 432 с. – ISBN 5-94074-144-4. 71. Крэг, Л. Применение UML 2.0 и шаблонов проектирования. Практическое руководство. 3-е издание [Текст] / Л. Крэг; пер. с англ. А.Ю. Шелестова. – М.: ООО «И. Д. Вильямс», 2013. – 736 с. : ил. – 1000 экз. – ISBN 978-5-8459-1185-8. 72. Степанов, А. Н. Архитектура вычислительных систем и компьютерных сетей [Текст] / А. Н. Степанов. – Спб.: Питер, 2007. – 509 с.: ил. – ISBN 978-5-469- 01451-5. 73. Магда, Ю. С. Ассемблер для процессоров Intel Pentium [Текст] / Ю.С. Магда. – СПб.: Питер, 2006. – 410 с.: ил. – ISBN 5-469-00662-Х. 74. Боресков, А. В. Параллельные вычисления на GPU. Архитектура и программная модель CUDA [Текст]: учеб. пособие / А. В. Боресков, А. А. Харламов и др.; предисл.: В. А. Садовничий. – М.: МГУ, 2012. – 336 с. – ISBN 978-5-211-06340-2.
127 75. Программа слежения за объектом в видеопотоке «Object tracking PS»: свидетельство о государственной регистрации программы для ЭВМ № 2014662190 Российская Федерация / Пастушков А. В.; правообладатель – Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет» (RU). Зарегистрировано в Реестре программ для ЭВМ 25 ноября 2014 г. 76. Obuchowski, N. A. Receiver operating characteristic curves and their use in radiology [Текст] / N. A. Obuchowski // Radiology 229, 2003. – №1. – C. 3–8. 77. Пастушков, А. В. Сравнение качеств методов поиска объекта на видеопотоке [Текст] / А. В. Пастушков, В. Т. Калайда // Международный союз учёных «НАУКА. ТЕХНОЛОГИИ. ПРОИЗВОДСТВО». – 2014. – №2 / 2014. – С. 21–24. 78. Maximum marker size [Электронный ресурс] / Vuforia Developer Portal. – 2016. – Электрон. дан. – Режим доступа: https://developer.vuforia.com/forum/creating-ar-trackables/maximum-marker-size (дата обращения 07.04.2016). 79. Орлов, С. А. Технологии разработки программного обеспечения: Учебник для вузов. 4-е изд. Стандарт третьего поколения [Текст] / С. А. Орлов, Б. Я. Цилькер. – СПб.: Питер, 2012. – 608 с.: ил. – 2000 экз. – ISBN 978-5-459-01101-2. 80. Лутц, М. Программирование на Python, том II, 4-е издание [Текст] / М. Лутц; пер. с англ. А. Киселева. – СПб.: Символ-Плюс, 2011. – 992 с., ил. – ISBN 978-5-93286-211-7. 81. Пастушков, А. В. Метод поиска и слежения за облачными полями на изображении [Текст] / А. В. Пастушков, А. И. Елизаров, В. Т. Калайда // Оптика атмосферы и океана. Физика атмосферы: тезисы докладов XXI международного симпозиума. Томск, 22–26 июня 2015 г. – Томск, 2015. – С. 156–158. 82. Pastushkov, A. V. Search and tracking method of cloud fields on image / A. V. Pastushkov, V. T. Kalayda // SPIE Proceedings. – 2015. – Vol. 9680. – 96805V. – 4 р. – DOI: 10.1117/12.2205433.
128 83. Пастушков, А. В. Метод поиска человека на видеопотоке [Текст] / А. В. Пастушков, В. Т. Калайда // Мир науки и инноваций. – 2015. – Вып. 1(1), т. 3. – С. 39–42. 84. Пастушков, А. В. Программа поиска и слежения за человеком на видеопотоке [Текст] / А. В. Пастушков, В. Т. Калайда // Наука и образование в жизни современного общества: сборник научных трудов по материалам международной научно-практической конференции. Тамбов, 30 апреля 2015 г. – Тамбов, 2015. – Т. 12. – С. 108–109.
129 Приложение А (справочное) Справки и акты об использовании результатов диссертационной работы
130
131 Приложение Б (справочное) Свидетельство о регистрации программы для ЭВМ
132 Приложение В (справочное) Текст скрипта программы для вычисления значений ROC кривой import sys import subprocess import re import os def execute(params, log_file_name="") : if isinstance(params, str): params = params.split() # execute _p = subprocess.Popen(params, stdout=subprocess.PIPE, stderr=subprocess.PIPE, shell=False) # write log if log_file_name != "": _f = open(log_file_name, "w") _out, _err = _p.communicate() _f.write(str(_out)) _f.write(str(_err)) _f.close() return _p.returncode def find_result_in_file(log_file, expression): try: _file = open(log_file, 'r')
Скачать 3.84 Mb.