АЛГОРИТМ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ВИДЕОИЗОБРАЖЕНИЙ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ ОБНАРУЖЕНИЯ МАЛОРАЗМЕРНЫХ ОБРАЗОВ
Аннотация
Распознавание определенных образов в видеоизображениях, снятой камерой, осуще-
ствляется с помощью методов обучения на основе сверточных нейронных сетей. Чем
больше количество образов с множеством признаков и разнообразнее обучающая выборка
видеоизображений, тем лучше сверточные нейронные сети извлекают признаки из после-
довательности видеоизображений, которые не были включены в обучающую выборку. Это
является следствием повышения точности обнаружения визуальных образов на видеоизоб-
ражениях, содержащих признаки целевых образов. Однако, существуют ограничения в
улучшении характеристик обнаружения, когда размеры образа, который нужно обнару-
жить, значительно меньше, чем область фона или, когда образ описан малым количеством
информации. Для решения проблем подобного рода авторами статьи разработан алго-
ритм пространственно-временного комплексирования информации о движении динамиче-
ских образов. Алгоритм обрабатывает фиксированное количество видеоизображений в
определенные моменты времени и извлекает новые независимые признаки движения дина-
мических образов на основе пространственно-временной обработки видеоизображений.
Далее объединяет новые локальные признаки движения с исходными признакам видеоизоб-
ражения. Это позволяет добавить признак движения динамических образов с сохранением
исходных признаков изображения, описывающих статичные образы. Области видеоизоб-
ражения, характеризующие признак движения, отображаются «цветным» кластером.
Применение предварительной обработки направлено на повышение точности обнаруже-
ния образов при условии наличия динамических визуальных образов на статичном заднем
фоне. Если камера работает в режиме сканирования, то статичный задний фон можно
обеспечить стабилизатором видеоизображений. Экспериментальным путем получены
оценки интегральных критериев точности детекционных нейросетевых алгоритмов, пока-
зывающие увеличение в точности обнаружения визуальных образов с применением алго-
ритма пространственно-временного комплексирования информации о движении.
Литература
and Techniques to Build Intelligent Systems. O'Reilly Media, 2017, 572 p.
2. Vapnik V.N. CHervonenkis A.Ya. Teoriya raspoznavaniya obrazov (statisticheskie problemy
obucheniya) [Pattern recognition theory (statistical learning problems)]. Moscow: Nauka,
1979, 416 p.
3. Senin A.G. Raspoznavanie sluchaynykh signalov [Recognition of random signals]. Novosibirsk:
Nauka, 1974, 76 p.
4. Arkad'ev A.G., Braverman E.M. Obuchenie mashiny raspoznavaniyu obrazov [Learning a
machine for pattern recognition]. Moscow: Izd-vo «Nauka», 1964.
5. Vasil'ev V.I. Raspoznayushchie sistemy [Recognition systems]. Kiev: Naukova dumka, 1983,
422 p.
6. Verkhagen K., Deyn R., Grun F. i [dr]. Raspoznavanie obrazov. Sostoyanie i perspektivy [Pattern
Recognition. State and prospects]. Moscow: Radio i svyaz', 1985, 104 p.
7. Alpatov B.A., Babayan P.V., Balashov O.E., Stepashkin A.I. Metody avtomaticheskogo
obnaruzheniya i soprovozhdeniya ob"ektov. Obrabotka izobrazheniy i upravlenie [Methods for
automatic detection and tracking of objects. Image processing and control]. Moscow:
Radiotekhnika, 2008, 176 p.
8. Zagoruyko N.G. Klassifikatsiya zadach raspoznavaniya obrazov [Classification of pattern
recognition problems], Vychislitel'nye sistemy [Computing systems], Issue 22. Novosibirsk,
1966.
9. Gansales R., Vuds R. Tsifrovaya obrabotka izobrazheniy [Digital image processing]. Moscow:
Tekhnosfera, 2005, 1012 p.
10. Fisenko V., Fisenko T. Komp'yuternaya obrabotka i raspoznavanie izobrazheniy: ucheb.
posobie [Computer processing and image recognition: textbook]. Saint Petersburg
SPbGUITMO, 2008, 192 p.
11. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement, arXiv, 2018. Available at:
https://arxiv.org/abs/1804.02767v1.
12. Brkic K. An overview of traffic sign detection methods, Zagreb: Department of Electronics,
Microelectronics, Computer and Intelligent Systems, Faculty of Electrical Engineering and
Computing, 2010, 9 p.
13. Dumoulin V., Visin F. A guide to convolution arithmetic for deep learning, arXiv, 2018. Available
at: https://arxiv.org/abs/1603.07285v2.
14. LeCun Y., Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard W., Jackel L.D.
Backpropagation applied to handwritten zip code recognition, Neural Computation, 1989, 1:4,
pp. 541-551.
15. Rashid M., Vinu T. A Background Foreground Competitive Model for Background Subtraction
in Dynamic Background, Procedia Technology, 2016, Vol. 25, pp. 536-543.
16. Zivkovic Z. Improved adaptive gaussian mixture model for background subtraction, Proc. of
the 17th Intern. Conf. on Pattern recognition. ICPR 2004. IEEE, 2004, Vol. 2, pp. 28-31.
17. Buryachenko V. Metody stabilizatsii videoposledovatel'nostey slozhnykh staticheskikh i
dinamicheskikh stsen v sistemakh videonablyudeniya: avtoref. dis. … kand. tekh. nauk [Methods
of stabilization of video sequences of complex static and dynamic scenes in video surveillance
systems: abstract cand. of eng, sc, diss.]. Krasnoyars, 2014, pp. 23-24.
18. Van Etten A. Satellite imagery multiscale rapid detection with windowed networks, In 2019
IEEE Winter Conference on Applications of Computer Vision (WACV). IEEE, pp. 735-743.
19. Ze L., Yutong L., Yue C. Swin Transformer: Hierarchical Vision Transformer using Shifted
Windows, arXiv, 2021. Available at: https://arxiv.org/abs/2103.14030.
20. Tsung-Yi L., Michael M., Serge B. Microsoft COCO: Common Objects in Context. arXiv,
2015, Available at: https://arxiv.org/abs/1405.0312.
21. Shorten C., Khoshgoftaar T. A survey on Image Data Augmentation for Deep Learning, J Big
Data, 2019, 6: 60.
22. The Effectiveness of Data Augmentation in Image Classification using Deep Learning.
23. Wang J., Perez L. The Effectiveness of Data Augmentation in Image Classification using Deep
Learning, arXiv, 2017. Available at: https://arxiv.org/abs/1712.04621v1.
