350 руб
Журнал «Динамика сложных систем - XXI век» №2 за 2020 г.
Статья в номере:
Представление функции размытия изображения в виде информативного параметра состояния и поведения анализируемого объекта
DOI: 10.18127/j19997493-202002-02
УДК: 004.93, 537.75, 623.618
Авторы:

Д.А. Локтев – к.т.н., доцент,  кафедра «Информационные системы и телекоммуникации»,  МГТУ им. Н.Э. Баумана

E-mail: loktevdan@bmstu.ru

В.А. Кочнев – соискатель, кафедра «Транспортное строительство», Российский университет транспорта (Москва)

E-mail: nttmag@mail.ru

А.А. Локтев – д.ф.-м.н., профессор, зав. кафедрой «Транспортное строительство», Российский университет транспорта (Москва)

E-mail: aaloktev@yandex.ru

Аннотация:

Постановка проблемы. Современное развитие отраслей народного хозяйства связано с повышением производительности труда и эффективности отдельных технологических процессов и всех производственных цепочек в целом. Одним из возможных путей достижения этого является автоматизация получения первичной информации, ее обработки, процессов принятия решения, мониторинга и контроля.

Цель. Разработать модель функции размытия образа объекта на изображении, представляющем первичную информацию для обработки в автоматизированной системе мониторинга и контроля для обнаружения, распознавания и детектирования параметров подвижных и неподвижных объектов. 

Результаты. Предложена математическая модель функции размытия образа объекта на изображении, которая учитывает семь основных факторов: 1) параметры среды от системы мониторинга до исследуемого объекта; 2) зависимость размытия от цвета; 3) особенности движения элементов системы детектирования; состояние фона; 4) настройки средств детектирования; 5) первичная обработка образа объекта; 6) состояние объекта исследования; 7) поведение объекта исследования. Показано, что в основу разработанной модели заложены два различных аспекта, представляющих природу появления и влияния на отображаемые образы нечеткости их контуров. Учтено, что размытие может как ограничивать возможности систем мониторинга и контроля, вызывая различные ошибки при обнаружении и распознавании объекта, так и предоставлять возможность определения параметров его состояния и поведения. 

Практическая значимость. Предложенная модель функции размытия образа позволит разработать математическое и алгоритмическое обеспечение, позволяющее увеличить вероятность обнаружения, распознавания и детектирования параметров объектов контроля в системах удаленного мониторинга, необходимые для работы в автоматизированной системе удаленного мониторинга и контроля в реальных условиях с учетом внешних факторов и характера поведения объекта диагностики. 

Страницы: 16-27
Список источников
  1. Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера. 2012. 1104 с.
  2. Бойко И.А., Гурьянов Р.А. Распознавание объектов на основе видеосигнала, полученного с камеры, установленной на подвижной платформе // Молодой ученый. 2013. № 6. С. 34−36.
  3. Tan X., Triggs B. Enhanced Local Texture Feature Sets for Face Recognition Under Difficult Lighting Conditions // IEEE Transactions on image processing. 2010. V. 19. № 6. P. 1635−1650.
  4. Sun Z., Bebis G., and Miller R. On-road vehicle detection using optical sensors: A review // Proceeding of the IEEE International Conference on Intelligent Transportation Systems, 2004. V. 6. P. 125−137.
  5. Wiedemann M., Sauer M., Driewer F., Schilling K. Analysis and characterization of the PMD camera for application in mobile robotics // Proceedings of the 17th World Congress The International Federation of Automatic Control. Seoul, Korea. July 6-11, 2008. P. 46−51.
  6. Фаворская М.Н., Шилов А.С. Алгоритмы реализации оценки движения в системах видеонаблюдения // Системы управления и информационные технологии. М.-Воронеж: ИПУ РАН, ВГТУ. 2008. № 3.3(33). C. 408–412.
  7. Robertson G., Mackinlay J., Card S. Information visualization using 3D interactive animation // Communications of the ACM. 1993. V. 36. № 4. P. 57−71.
  8. Lelegard L., Vallet B., Bredif M. Multiscale Haar transform for blur estimation from a set of images // International Archives of Photogrammetry, Remote Sensing and Spatial Information Science. Munich, Germany. October 5−7, 2011. P. 65−70.
  9. Lindner M., Kolb A. Calibration of the intensity-related distance error of the Pmd Tof-camera // In Proceedings of Spie, Intelligent Robots and Computer Vision. Boston, MA, USA. 2007. V. 6764. P. 56−64.
  10. Кольцов П.П. Оценка размытия изображения // Компьютерная оптика. 2011. Т. 35. № 1. С. 95−102.
  11. Браславская О.Б., Гендрина И.Ю., Квач А.С. Сравнение двух методов расчета функции размытия точки и оптической передаточной функции // Известия ВУЗов. Сер. Физика. 2013. Т. 56. № 9−2. С. 215−216.
  12. Григорьев А.В., Трусов В.А., Баннов В.Я., Андреев П.Г., Таньков Г.В. Моделирование следа размытия изображения круглой метки при ее компланарном и ортогональном виброперемещениях // Сб. трудов Междунар. симпозиума «Надежность и качество». 2015. Т. 1. С. 107−109.
  13. Локтев А.А., Локтев Д.А. Метод определения расстояния до объекта путем анализа размытия его изображения // Вестник МГСУ. 2015. № 6. С. 140−151.
  14. Локтев А.А., Алфимцев А.Н., Локтев Д.А. Алгоритм размещения видеокамер и его программная реализация // Вестник МГСУ. 2012. № 5. С. 167−175.
  15. Шлей М.Д., Рогов А.А., Борисов А.Ю. Методы и алгоритмы распознавания объектов сельских поселений на цифровой карте // Математические методы распознавания образов. 2011. Т. 15. № 1. С. 571−574.
  16. Локтев А.А., Сычева А.В., Запольнова Е.В., Сычев В.П., Дмитриев В.Г. Исследование особенностей динамической реакции верхнего строения железнодорожного пути от подвижного состава на основе модели трансверсально-изотропной пластины на деформируемом основании // Проблемы машиностроения и автоматизации. 2018. № 2. С. 55−65.
  17. Вытовтов А.В., Шумилин В.В., Калач А.В. Распознавание области горения на черно-белом статическом изображении, полученном с борта беспилотного воздушного судна // Техносферная безопасность. 2018. № 2 (19). С. 12−24.
  18. Loktev D.A., Loktev A.A. Determination of object location by analyzing the image blur // Contemporary Engineering Sciences. 2015.  Т. 8. № 9. С. 467−475.
  19. Loktev D.A., Loktev A.A. Development of a user interface for an integrated system of video monitoring based on ontologies // Contemporary Engineering Sciences. 2015. V. 8. № 20. P. 789−797.
  20. Локтев А.А., Сычев В.П., Локтев Д.А. К задаче проектирования модуля визуального распознавания элементов верхнего строения пути на высокоскоростных магистралях // Транспорт Российской Федерации. 2017. № 1 (68). С. 22−26.
  21. Локтев Д.А., Алфимцев А.Н. Измерение расстояния до движущегося объекта с помощью комплексной системы видеомониторинга // Инженерный журнал: наука и инновации. 2013. № 11 (23). С. 4.
  22. Локтев Д.А., Быков Ю.А., Коваленко Н.И. Использование метода анализа размытия изображения для определения внешних дефектов железнодорожного пути // Наука и техника транспорта. 2016. № 1. С. 69−75.
  23. Локтев Д.А. Определение параметров объекта по серии его изображений в комплексной системе мониторинга // Путь и путевое хозяйство. 2015. № 2. С. 31−33.
  24. Локтев А.А., Локтев Д.А. Выявление и детектирование внешних дефектов верхнего строения пути агрегированным методом на основе стереозрения и анализа размытия образа // Внедрение современных конструкций и передовых технологий в путевое хозяйство. 2017. Т. 11. № 11(11). С. 96−100.
  25. Loktev D.A., Loktev A.A. Diagnostics of external defects of railway infrastructure by analysis of its images // Proceedings − 2018 Global Smart Industry Conference «GloSIC-2018». 2018. С. 8570083.
  26. Локтев А.А., Локтев Д.А. Оценка измерений расстояния до объекта при исследовании его графического образа // Вестник МГСУ. 2015. № 10. С. 54−65.
  27. Локтев А.А., Локтев Д.А. Составление расчетной модели реконструируемых транспортных объектов историкоархитектурного наследия // Наука и техника транспорта. 2017. № 4. С. 71−77.
Дата поступления: 5 мая 2020 г.