МЕТОД СОПОСТАВЛЕНИЯ ОБЛАКОВ ОСОБЫХ ТОЧЕК ИЗОБРАЖЕНИЙ ДЛЯ ЗАДАЧ ТРЕКИНГА, ОСНОВАННЫЙ НА ИНТУИЦИОНИСТСКОЙ НЕЧЕТКОЙ ЛОГИКЕ

  • К.И. Морев Акционерное общество «Научно-конструкторское бюро вычислительных систем» (АО НКБ ВС);
Ключевые слова: Трекинг, сопровождение объектов, особые точки изображения, сопоставление особых точек, интуинистически нечеткая логика

Аннотация

Работа посвящена повышению качества выполнения задачи сопровождения объек-тов современными робототехническими комплексами. Рассматривается метод сопрово-ждения объектов, основанный на представлении изображений в виде облаков особых то-чек (далее - ОТ), с применением интуинистически нечеткой логики. Работа с изображе-ниями, представленными в виде облаков ОТ, обусловлена стремлением повысить скорость обработки оптической информации, а использование интуинистически нечетких мно-жеств (далее - ИНМ) призвано приблизить поведение комплекса к мышлению человечески-ми категориями. Приведен анализ современных методов выделения ОТ на изображениях, их описания и сопоставления, реализованных в библиотеке OpenCV. Даны сравнительные ха-рактеристики рассмотренных методов, выбраны наиболее подходящие для поиска и опи-сания ОТ на низкокачественных, зашумленных изображениях. Указаны недостатки рас-смотренных методов сопоставления облаков ОТ. Разработанный метод учитывает гео-метрическую структуру сопровождаемого объекта. А истинность найденных сопостав-лений особых точек изображений оценивается категориями близкими к «не совсем точно», «почти точно», «абсолютно точно». Приведены продукции, используемые для осуществле-ния нечеткого вывода. Разработанный метод сопровождения разделен на три этапа. Пер-вый – выделение особых точек на изображениях сопровождаемого объекта и окна поиска. Затем описание окрестностей найденных особых точек для создания уникальных, устой-чивых к изменениям угла поворота и масштаба описаний ОТ. И заключительный этап – сопоставление облаков ОТ для определения однозначных соответствий между ОТ изо-бражения объекта и окна поиска. Приведенные результаты экспериментов с предлагае-мым методом, а также оценки его устойчивости и скорости работы демонстрируют высокое качество выполнения задачи сопровождения объектов в видеопоследовательно-сти. Разработанный метод обладает высокими показателями устойчивости к изменениям размера объекта, угла его поворота и положения в кадре. Однако метод слабо устойчив к перспективным или проективным изменениям объекта, что компенсируется своевремен-ным обновлением шаблона объекта. В целом приведенный метод призван повысить эф-фективность применения современных робототехнических комплексов.

Литература

1. Тассов К.Л., Бекасов Д.Е. Обработка перекрытий в задачах отслеживания объектов в видеопотоке // Инженерный журнал: наука и инновации. – 2013. – № 6 (18). – С. 1-18.
2. Kaehler A., Bradski G. Learning OpenCV 3: Computer Vision in C++ with the OpenCV Li-brary // O'Reilly Media. – 2017. – 1024 с.
3. Rublee E., Rabaud V., Konolige K., Bradski G. ORB: an efficient alternative to SIFT or SURF // IEEE International Conference. – 2011. – P. 2564-2571.
4. Leutenegger S., Chli M., Siegwart R. BRISK: Binary Robust Invariant Scalable Keypoints // Computer Vision (ICCV). – 2011. – P. 2548-2555.
5. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features // 11th European Conference on Computer Vision (ECCV). – 2010. – P. 778-792.
6. David L., Object recognition from local scale-invariant features // Proceedings of the Interna-tional Conference on Computer Vision. – 1999. – P. 1150-1157.
7. Salahat E., Qasaimeh M., Recent advances in feature extraction and description algorithms: Hardware designs and algorithmic derivatives // Computer Vision: Concepts, Methodologies, Tools, and Applications. – 2018. – 33 p.
8. Bay H., Tuytelaars T., Gool L. SURF: Speeded up robust features // European Conference on Computer Vision. – 2006. – P. 404-417. 9. Bian Lin, Matsushita Yeung, Nguyen Cheng. GMS: Grid-based Motion Statistics for Fast, Ultra-Robust Feature Correspondence // CVPR. – 2017. – 10 c. 10. Yang M., Wu Y., Hua G. Context-aware visual tracking // IEEE transactions on pattern analysis and machine intelligence. – 2006. – No. 31. – P. 1195-1209. 11. Stauffer C., Grimson W. Learning patterns of activity using real-time tracking // IEEE Transac-tions on Pattern Analysis and Machine Intelligence. – 2000. – P. 747-757. 12. Sundaresan A., Chellappa R. Multi-camera tracking of articulated human motion using shape and motion cues // IEEE Transactions on Image Processing. – 2009. – P. 2114-2126. 13. Atanasov K. On intuitionistic fuzzy sets theory. – Springer, 2012. – 323 p.
14. Atanassov K. Intuitionistic fuzzy sets // Fuzzy Sets and Systems. – 1986. – No. 20 (1). – P. 87-96.
15. Atanassov K. More on intuitionistic fuzzy sets // Fuzzy Sets and Systems. – 1989. – No. 33 (1). – P. 37-45.
16. Atanassov K. Intuitionistic fuzzy sets and expert estimations // Busefal. – 1993. – No. 55. – P. 67-71.
17. Atanassov K. Remark on a property of the intuitionistic fuzzy interpretation triangle // Notes on Intuitionistic Fuzzy Sets. – 2002. – No. 8 (1). – P. 34-36.
18. Atanassov K. 25 years of intuitionistic fuzzy sets or the most interesting results and the most important mistakes of mine // Advances in Fuzzy Sets Intuitionistic Fuzzy Sets, Generalized Nets and Related Topics. – 2008. – No. 1. – P. 1-35.
19. Atanassov, K. Remark on equalities between intuitionistic fuzzy sets // Notes on Intuitionistic Fuzzy Sets. – 2010. – No. 16 (3). – P. 40-41.
20. Вражнов Д.А., Шаповалов А.В., Николаев В.В. О качестве работы алгоритмов слежения за объектами на видео // Компьютерные исследования и моделирование. – 2012. – No. 2 (4). – P. 303-313.
Опубликован
2019-05-08
Выпуск
Раздел
РАЗДЕЛ V. ТЕХНИЧЕСКОЕ ЗРЕНИЕ