Отправить эту статью по почте АЛГОРИТМ АНАЛИЗА ДИНАМИЧЕСКИХ ТЕКСТУР
Аннотация
Постановка проблемы: Обнаружение динамических текстур на видеоизображениях в настоящее время находит все более широкое применение в системах компьютерного зрения. Например, обнаружение дыма и пламени в системах экологического мониторинга, анализ автомобильного трафика при мониторинге загруженности дорог, и в других системах. Поиск объекта интереса на динамическом фоне часто бывает затруднен за счет похожих текстурных признаков или признаков движения у фона и искомого объекта. В связи с этим возникает необходимость разработки алгоритма классификации динамических текстур для выделения объектов интереса на динамическом фоне.
Методы: распознавание образов, компьютерное зрение.
Результаты: В данной работе рассматривается обработка видеоизображений содержащих объекты с динамическим поведением на динамическом фоне, такие как вода, туман, пламя, текстиль на ветру и др. Разработан алгоритм отнесения объектов видеоизображения к одной из четырех предлагаемых категорий. Извлекаются признаки движения, цветовые особенности, фрактальности, энергетические признаки Ласа, строятся ELBP-гистограммы. В качестве классификатора использован бустинговый случайный лес.
Практическая значимость: Разработан метод, позволяющий разделить динамические текстур на категории: по типу движения (периодическое и хаотичное) и типу объектов интереса (природные и искусственные). Экспериментальные исследования подтверждают эффективность предложенного алгоритма для отнесения объектов изображения к той или иной категории. Средняя точность классификации составила 95.2%.
Ключевые слова
Полный текст:
>PDF (English)
Литература
Ravichandran A., Chaudhry R., Vidal R. Categorizing dynamic textures using a bag of dynamical systems. IEEE Transactions on Pattern Analysis and Machine Intelligence,2013, pp. 342–353.
Oliva A., Torralba A. Modeling the shape of the scene: a holistic representation of the spatial envelope. International Journal on Computer Vision, 2001, pp. 145–175.
Zhao G., Pietikainen M. Dynamic texture recognition using local binary patterns with an application to facial expressions. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, pp. 915–928.
Dubois S., Peteri R., Menard M. A Comparison of Wavelet Based Spatio-temporal Decomposition Methods for Dynamic Texture Recognition. In: The Iberian Conference on Pattern Recognition and Image Analysis, Santiago de Compostela, 2009, pp. 314–321.
Dubois S., Peteri R., Menard M. Characterization and recognition of dynamic textures based on 2D+T curvelet transform. Signal, Image and Video Processing, 2015, pp. 819–830.
Dubois S., Peteri R., Menard M. Decomposition of Dynamic Textures using Morphological Component Analysis. IEEE Transactions on Circuits and Systems for Video Technology,2012, pp. 188–201.
Yang F., Xia G.S., Liu G., Zhang L., Huang X. Dynamic texture recognition by aggregating spatial and temporal features via ensemble SVMs. Neurocomputing, 2016, pp. 1310–1321.
Favorskaya M.N., Pyataeva A.V. Convolutional recognition of dynamic textures with preliminary categorization. Photogrammetric and computer vision techniques for video Surveillance, Biometrics and Biomedicine. Moscow, May 15–17, 2017, рр. 47–54.
Xu Y., Quan Y., Zhang Z., Ling H., Ji H. Classifying dynamic textures via spatiotemporal fractal analysis. Pattern Recognition, 2015, pp. 3239–3248.
Laws K. Rapid Texture Identification. Proceedings of SPIE – Society of Photo – Optical Intrumentation Engineers – Image Processing for Missle Guardance, 1980, vol. 238, pp. 367–380.
Yakovleva E.V., Panchenko I.A. Primenenie energeticheskikh kharakteristik Lavsa dlya segmentatsii izobrazheniy [The application of the energy characteristics of Lavs for image segmentation]. Bionika intellekta [Bionics of intelligence], 2007, No 2 (67), pp. 94–98.
Ojala T., Pietikäinen M., Harwood D. A comparative study of texture measures with classification based on featured distributions. Pattern Recognit, 1996, pp. 51–59.
Habiboglu H.Y., Gunay O., Cetin E. Real-time wildfire detection using correlation descriptors. 19th European Signal Conference (EUSIPCO 2011). Barcelona, 2011, рp. 894–898.
Ko B.C., Park J.O., J.-Y. Nam. Spatiotemporal bag-of-features for early wildfire smoke detection. Image and Vision Computing, 2013, vol.31, Issue 10, рp. 786–795.
Krstinić D., Stipaničev D., Jakovčević T. Histogram – based segmentation fire detection system. Information technology and control, 2009, vol. 38, no.3, pp. 237–244.
Ojala T., Valkealahti K., Oja E., Pietikäinen M. Texture discrimination with multidimensional distributions of signed gray – level differences. Pattern Recognition, 2001, no. 34(3), pp. 727–739.
Liao W.H., Young T.J. Texture classification using uniform extended local ternary patterns. International Symposium on Multimedia, 2010, №4 (83), pp. 191–195.
Ojala T., Pietikäinen M., Maenpaa M. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. PAMI, 2002, pp. 971–987.
Pyataeva A.V., Favorskaya M.N. Model’ fona pri detektirovanii dyma po videoposledovatel’nostyam na otkrytykh prostranstvakh [Background model for video-based smoke detection in outdoor scenes]. Informatsionno-upravlyayushchie sistemy [Information and control systems], 2016, pp. 44–50.
Gim J.W, Hwang M.C., Ko B.C. Real-Time Speed-Limit Sign Detection and Recognition Using Spatial Pyramid Feature and Boosted Random Forest. 12th International Conference, ICIAR 2015, Niagara Falls, Canada, 2015, pp. 437–445.
Favorskaya M., Pyataeva A., Popov A. Spatio-temporal smoke clustering in outdoor scenes based on boosted random forests. Procedia Computer Science, 2016, vol. 96, pp. 762–771.
Renaud P., Fazekas S., Huiskes M.J. DynTex. A comprehensive database of dynamic textures. Pattern Recognition Letters, 2010, vol. 31, no. 12, pp. 1627–1632.
V-MOTE Database. http://www2.imse-cnm.csic.es/vmote/english_version/index.php (accessed 09.05.2018).
Database of Wildfilmsindia. www.wildfilmsindia.com (accessed 09.05.2018).
Bilkent dataset. http://signal.ee.bilkent.edu.tr (accessed 09.05.2018).
DOI: https://doi.org/10.12731/2227-930X-2018-2-40-57
Ссылки
- На текущий момент ссылки отсутствуют.
(c) 2018 Anna Vladimirovna Pyataeva, Ksenia Vladislavovna Raevich
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
Контент доступен под лицензией Creative Commons Attribution-NonCommercial-NoDerivs 4.0.
ISSN 2328-1391 (print), ISSN 2227-930X (online)