Распознавание движущихся человеческих фигур на видеопоследовательности с использованием дисковой карты толщин

Авторы

Сидякин С. В.^*, Егоров А. И.^**, Малин И. К.^***

Государственный научно-исследовательский институт авиационных систем, ГосНИИАС, ул. Викторенко, 7, Москва, 125319, Россия

*e-mail: sersid@bk.ru
**e-mail: dohxehapo@gmail.com
***e-mail: imalin@gosniias.ru

Аннотация

Рассматриваемая задача распознавания движущихся человеческих фигур решается с использованием так называемых «покрытий» для описания двумерной формы движущихся объектов. При этом, в отличие от предыдущих известных методов, используются непрерывные морфологические модели (скелеты), которые позволяют строить морфологические карты толщин объектов (покрытия) существенно эффективнее и уже не для прямоугольного, а для дискового структурирующего элемента, обладающего инвариантностью к сдвигу и повороту. На основе дисковых карт толщин движущихся человеческих фигур вычисляются векторы признаков. Анализ получаемых признаковых описаний производится на основе экстремальных случайных деревьев. Предложенный в данной работе «дисковый» подход к детектированию движущихся человеческих фигур является более робастным и существенно превосходит по быстродействию известный ранее метод, основанный на прямоугольных покрытиях.

Ключевые слова

математическая морфология, карты толщин, покрытия, непрерывные скелеты, видеонаблюдение, детектор людей

Библиографический список

1. Dollar P., Wojek C., Schiele B., Perona P. Pedestrian Detection: An Evaluation of the State of the Art, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, pp. 743-761.
2. Lowe David G. Object recognition from local scaleinvariant features, Proceedings of the International Conference on Computer Vision, 1999, pp. 1150-1157.
3. Bay H., Ess A., Tuytelaars T, Van Gool L. Speeded-Up Robust Features (SURF), Computer Vision and Image Understanding, 2008, vol. 110, no. 3, pp. 346-359.
4. Barnich O., Jodogne S., Van Droogenbroeck M. Robust Analysis of Silhouettes by Morphological Size Distributions, Advanced Concepts for Intelligent Vision Systems, 2006, proceedings. vol. 4179, pp. 734-745.
5. Местецкий Л.М. Непрерывная морфология бинарных изображений. Фигуры. Скелеты. Циркуляры. - М.: Физматлит, 2009. - 688 с.
6. Сидякин С.В. Разработка алгоритмов построения морфологических спектров для анализа цифровых изображений и видеопоследовательностей: Дис. ... канд. техн. наук. - М.: ВЦ РАН, 2013. - 163 с.
7. Визильтер Ю.В., Сидякин С.В. Вычисление морфологических спектров плоских фигур с использованием непрерывных скелетных представлений // Сборник докладов 15-й Всероссийской конференции «Математические методы распознавания образов». - М.: МАКС Пресс, 2011. - С. 416-419.
8. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees, Machine Learning Journal, 2006, vol. 63, issue 1, pp. 3 — 42.
9. Maree R., Geurts P., Piater J., Wehenkel L. Random subwindows for robust image classification,IEEE Conference on Computer Vision and Pattern Recognition, 2005, vol. 1, pp. 34-40.
10. KadewTraKuPong P., Bowden R. An improved adaptive background mixture model for real-time tracking with shadow detection, Video-Based Surveillance Systems, 2002, pp 135-144.
11. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2006. С. 1072.
12. Serra J. Image Analysis and Mathematical Morphology, London: Academic Press, 1982, 610 p.
13. Nene S., Nayar S., Murase H. Columbia object library, available at: www.cs.columbia.edu/CAVE/software/softlib/coil-100.php, 1996.
14. ETISEO, «Video Understanding Evaluation project», available at:http://www-sop.inria.fr/orion/ETISEO/, 2014