Прислать материал
Модели и методы оценки качества работы алгоритмов поиска и отслеживания объектов в видеопотоке
Оптимизация работы алгоритмов поиска и отслеживания объектов
Задачи проекта:
1) Анализ параметров существующих алгоритмов поиска и отслеживания объектов в видеопотоке
2) Создание критериев для оценки качества работы алгоритмов поиска и отслеживания объектов в видеопотоке
3) Создание инструмента для автоматизированного подбора параметров алгоритмов поиска и отслеживания
4) Создание подсистемы поиска и отслеживания объектов для АПК Mirror Bird
5) Оптимизация параметров АПК MirrorBird для различных условий внешний среды
В настоящее время задачи из области компьютерного зрения являются крайне актуальными. Например, автоматизированная система распознавания номеров автомобилей с помощью видеофиксации при движении потока, позволяет повысить безопасность движения. Существуют различные алгоритмы поиска (Виола-Джонс, Фепрари и т.д.), различные алгоритмы отслеживания (по шаблону, цвету и т.д.). У каждого алгоритма множество параметров, которые влияют на работы в различных условиях внешней среды. Кроме того, системы компьютерного зрения обычно располагаются в различных местах, что влияет на качество работы. На основании предложенного автором метода (автоматизированная система) в работе подбираются параметры для описанных выше алгоритмов.
В первую очередь рассмотрим алгоритм поиска объектов, как объект исследования. Результаты работы такого алгоритма следующие (в работе описана математическая модель):
1) объект найден успешно;
2) объект не найден;
3) объект найден ложно;
4) двойное срабатывание - один и тот же объект найден несколько раз.
На основании указанных критериев создан алгоритма оценки точности работы любого алгоритма поиска. В работе введен критерий, который учитывает все указанные критерии, а также среднее время работы системы.
Во вторую очередь рассмотрим как объект алгоритм отслеживания объектов в видеопотока. На основании исследования введено 12 показателей для оценки совокупной точности работы алгоритмов. В рамках данной работы для анализа точности использованы только 5 из введенных показателей:
1) Среднее время пребывания объекта в кадре.
2) Общая ошибка алгоритма отслеживания.
3) Двойные срабатывания.
4) Общая ошибка поиска.
5) Количество найденных объектов.
В работе введен критерий для оценки точности работы алгоритмов поиска и отслеживания на основании показателей. Сравнение проходит при наличие эталонного результата работы на выбранном видеофайле. Подбор оптимального параметра происходит различными методами (Фибонначи, простой перебор) в зависимости от того, какой получается целевая функция при визуальном анализе для выбранного видеофайла.
В рамках работы была разработана подсистема поиска и отслеживания лиц в видеопотоке для АПК показа целевого видео материала MirrorBird. АПК является зеркалом со встроеным экраном и веб-камерой, которая показывает видео материал только в присутствии человека. АПК является максимально дешевым в связи с чем, в его ядре используется малопроизводительный системный блок с процессором intel atom 1.5ГГЦ со встроенной видеокартой.
Для подбора параметров алгоритмов данной системы был создан автоматизированный инструмент оценки качества алгоритмов поиска и отслеживания.
Для тестирования инструмента было отснят тестовый видео-ролик, для которого создана эталонная разметка объектов в видеоролике.
Для алгоритма поиска лиц было применено два критерий. На основании применения первого критерия получилось найти наиболее точный алгоритм. Второй критерий учитывал не только точность, но и время работы. В итоге при сокращении точности на 3,3% получается уменьшить время работы более чем в 10 раз, что критично на малопроизводительных системах.
Для алгоритма отслеживания по шаблону, который является центральным объектом исследования в данной работе, было выбрано несколько параметров и модификаций, которые сравнивались между собой с помощью заранее определенного критерия. В результате удалось подобрать оптимальное значение параметра отсечения слаборкоррелированных объектов в алгоритме отслеживания по шаблону, а также подтвердить эффективность следующих модификаций: адаптации шаблону, цветовая проверка найденного объекта, обрезание по краям. Неэффективной признана модификация, которая удаляет объекты, проекции которых пересекаются на изображении.
По итогам - получилось увеличить точность работы алгоритма отслеживания при подобранном оптимальном значении параметров в 4,3 раза при таком же времени работы, что позволяет говорить об эффективности выбранной методики работы с алгоритмами поиска и отслеживания и подбора параметров для таких алгоритмов под различные условия внешней среды.
Аппаратно-программный комплекс MirrorBird размещен в различных заведениях города Москвы. (список представлен в полном тексте работы)
2. Datta, Ritendra; Dhiraj Joshi, Jia Li, James Z. Wang . "Image Retrieval: Ideas, Influences, and Trends of the New Age". ACM Computing Surveys 40: pp 1-60, 2008.
3. Casas D. Real time face tracking methods: Master's Thesis. / UAdB, 2009. 90 p.
4. P. Viola and M.J. Jones, «Robust real-time face detection», IJCV, vol. 57, no. 2, 2004., pp.137–154
5. Whitehill, J., Omlin, C.W., “Haar features for FACS AU recognition”, AFGR, 2006. FGR 2006. pp. 101-106.
6. Lienhart, R. and Maydt, J., "An extended set of Haar-like features for rapid object detection", ICIP02, pp. I: 900–903, 2002
7. Jin H. [and others], Face detection using improved LBP under Bayesian framework. // ICIG, 2004. P. 306-309.
8. Brunelli R. Template Matching Techniques in Computer Vision: Theory and Practice. – Wiley, 2009. 348 p.