Д.А. Локтев – к.т.н., доцент, 

кафедра «Информационные системы и телекоммуникации», МГТУ им. Н.Э. Баумана

E-mail: loktevdan@bmstu.ru

Постановка проблемы. При анализе изображений, получаемых с помощью фото- и видеокамер, возникающее размытие образа объекта рассматривается как параметр шума, для устранения которого тратятся вычислительные мощности. При этом размытие несет в себе в том числе и полезную информацию об исследуемом объекте, которую можно использовать в информационно-измерительных системах мониторинга с помощью методов компьютерного зрения.

Цель. Построить модель размытия образа объекта на изображении, используемом в качестве первичных данных для работы автоматизированной системы мониторинга и управления подвижными и стационарными объектами.

Результаты. Определены составляющие размытия образа объекта на изображении. Учтено влияние характеристик окружающей среды, цветовых составляющих изображения объекта и фона на изображение, параметров положения в пространстве и движения объекта и детектора, настроек фото- или видеодетекторов, а также параметров обработки изображения при сохранении его в файл.

Практическая значимость. Предложенная модель позволяет представить функцию размытия изображения исследуемого объекта в качестве важного информативного критерия, который может быть использован для определения геометрических и кинематических параметров состояния и поведения объекта контроля и мониторинга.

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера. 2012. 1104 с.
2. Жигулина И.В Возможности автоматического распознавания движущихся изображений // Успехи современной радиоэлектроники. 2012. № 4. С. 43−47.
3. Фаворская М.Н., Шилов А.С. Алгоритмы реализации оценки движения в системах видеонаблюдения // Системы управления и информационные технологии. ИПУ РАН, ВГТУ. 2008. № 3.3(33). С. 408−412.
4. Robertson G., Mackinlay J., Card S. Information visualization using 3D interactive animation // Communications of the ACM. 1993. V. 36. № 4. P. 57−71.
5. Tan X., Triggs B. Enhanced local texture feature sets for face recognition under difficult lighting conditions // IEEE Transactions on image processing. June 2010. V. 19. № 6. P. 1635−1650.
6. Sun Z., Bebis G., Miller R. On-road vehicle detection using optical sensors: A review // Proc. of the IEEE International Conference on Intelligent Transportation Systems. 2004. V. 6. P. 125−137.
7. Кольцов П.П. Оценка размытия изображения // Компьютерная оптика. 2011. Т. 35. № 1. С. 95−102.
8. Lin H.-Y., Chang C.-H. Depth from motion and defocus blur // Optical Engineering. December 2006. V. 45(12). № 127201. P. 1−12.
9. Гуркина Е.Д., Кручинин И.И. Поиск полностью размытых изображений, полученных в результате движения камеры // Электронный журнал: наука, техника и образование. 2018. № 1(17). С. 83−88.
10. Loktev D.A., Loktev A.A. Determination of object location by analyzing the image blur // Contemporary Engineering Sciences. 2015. V. 8. № 9. P. 467−475.
11. 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.
12. Локтев Д.А., Алфимцев А.Н. Измерение расстояния до движущегося объекта с помощью комплексной системы видеомониторинга // Инженерный журнал: наука и инновации. 2013. № 11(23). 4 с.
13. 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.
14. Loktev D.A., Loktev A.A. Diagnostics of external defects of railway infrastructure by analysis of its images // Proc. of 2018 Global Smart Industry Conference. GloSIC 2018. P. 8570083.
15. Локтев А.А., Локтев Д.А. Оценка измерений расстояния до объекта при исследовании его графического образа // Вестник МГСУ. 2015. № 10. С. 54−65.
16. Кобелев К.С., Минин Ю.В., Лакомов Д.В., Ковалев С.В. Информационная система распознавания объектов на цифровых изображениях // Информация и безопасность. 2017. Т. 20. № 3. С. 392−401.
17. Buldakova T.I., Suyatinov S.I. Hierarchy of human operator models for digital twin // Proc. of 2019 International Russian Automation Conference. RusAutoCon 2019. P. 886760.
18. Чумаченко К.К. Проблемы интеграции алгоритмов компьютерного зрения в системы видеонаблюдения // Вестник науки и образования. 2019. № 9−2(63). С. 12−17.