ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2023. №11
Оглавление выпуска

DOI: https://doi.org/10.30898/1684-1719.2023.11.9

УДК: 004.932

Алгоритм сегментации для выделения

движущихся объектов на основе реконструкции фона

с использованием параметров шумовых характеристик

В.П. Федосов, Р.Р. Ибадов, С.Р. Ибадов

Институт радиотехнических систем и управления, Южный Федеральный Университет 347928, г. Таганрог, Некрасовский пер., 44.

Статья поступила в редакцию 5 сентября 2023 г.

Аннотация. Одной из важнейших задач для обеспечения безопасности жизни является мониторинг объектов и отслеживание поведения людей в городской инфраструктуре с беспилотного летательного аппарата (БПЛА). Трудности возникают, когда БПЛА используется для наблюдения в зонах, доступ к которым затруднен или непригоден для человека и тогда возникает риск аварийных ситуаций. Поэтому анализ, реконструкция и отслеживание объектов могут помочь в решении сложившихся случаев. Являясь критической технологией компьютерного зрения и обработки видео, сегментация видеообъектов имеет далеко идущее прагматическое значение и важность для приложений. В данной работе предлагается алгоритм сегментации видеообъектов на основе реконструкции фона для извлечения движущихся объектов из видеоряда, снятого с БПЛА. В теоретической части работы рассмотрены методы обнаружения и сегментации движущихся объектов на основе алгоритмов вычитания фона, оптического потока фильтра Калмана. Предложена точная маска обнаружения изменений с учетом оценки порога шумовых характеристик, а также алгоритм обнаружения движений. Проведен качественный анализ ошибки реконструкции фона с использованием статистического критерия. Предложен модифицированный алгоритм получения маски обнаружения изменений (МОИ) с использованием порога, оцениваемого с помощью шумовых характеристик. Показаны результаты сегментации объектов, вычисления среднеквадратической погрешности реконструкции фона для предложенного метода при извлечении движущихся объектов Разработанный метод позволяет эффективно распознавать и извлекать движущиеся объекты на видеопоследовательности. Данный алгоритм подходит для случая, когда БПЛА замирает в воздухе. После реконструкции фона есть небольшие дефекты, которые могут быть устранены с помощью морфологических операций.

Ключевые слова: сегментация, реконструкция изображений, корреляция, дисперсия, БПЛА.

Финансирование: Исследование выполнено при поддержке гранта Российского научного фонда № 22-29-01389 от 21.12.2021 г. в Южном федеральном университете.

Автор для переписки: Ибадов Рагим Рауфевич, ragim_ibadov@mail.ru

Литература

1. Wang Q., Rao Y. Visual Analysis of Human Motion: A Survey on Recent Advances and Applications. IEEE Visual Communications and Image Processing (VCIP), 2018. Pp. 1-4. doi: 10.1109/VCIP.2018.8698618.

2. Zhang, Y., Yang, S., Li, H., Xu, Z. Shadow tracking of moving target based on CNN for video SAR system. IEEE International Geoscience and Remote Sensing Symposium. 2018. Pp. 4399-4402. doi: 10.1109/IGARSS.2018.8518431.

3. Pavithra G., Jose J. J., Chandrappa T. A. Real-time color classification of objects from video streams. IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT), 2017. Pp. 1683-1686. doi: 10.1109/RTEICT.2017.8256886.

4. ShangGuan H., Mukundan R. Video based motion capture in environments with non-stationary background. IEEE International Conference on Signals and Systems (ICSigSys), 2017. Pp. 44-49. doi: 10.1109/ICSIGSYS.2017.7967067.

5. Makino, K., Shibata, T., Yachida, S., Ogawa, T., Takahashi, K. Moving-object detection method for moving cameras by merging background subtraction and optical flow methods. IEEE Global Conference on Signal and Information Processing, 2017. Pp.383-387. doi: 10.1109/GlobalSIP.2017.8308669

6. Yu, T., Yang, J., Lu, W. Dynamic background subtraction using histograms based on fuzzy c-means clustering and fuzzy nearness degree. IEEE Access. 2019. Vol. 7. Pp. 14671-14679. doi: 10.1109/ACCESS.2019.2893771.

7. Akilan, T., Wu, Q. J., Yang, Y. Fusion-based foreground enhancement for background subtraction using multivariate multi-model Gaussian distribution. Information Sciences, 2018. Vol. 430. Pp. 414-431. https://doi.org/10.1016/j.ins.2017.11.062

8. Yao, R., Lin, G., Xia, S., Zhao, J., Zhou, Y. Video object segmentation and tracking: A survey. ACM Transactions on Intelligent Systems and Technology (TIST), 2020. Vol. 4. Pp. 1-47. https://doi.org/10.1145/3391743

9. Liu, C., Wang, W., Shen, J., Shao, L. Stereo video object segmentation using stereoscopic foreground trajectories. IEEE transactions on cybernetics, 2018. Vol.49. No 10. Pp. 3665-3676. doi: 10.1109/TCYB.2018.2846361

10. Yang, C., Lamdouar, H., Lu, E., Zisserman, A., Xie, W. Self-supervised video object segmentation by motion grouping. Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021. Pp. 7177-7188. https://doi.org/10.48550/arXiv.2104.07658

11. Zhuo, T., Cheng, Z., Zhang, P., Wong, Y., Kankanhalli, M. Unsupervised online video object segmentation with motion property understanding. IEEE Transactions on Image Processing, 2019. Vol. 29. Pp. 237-249. doi: 10.1109/TIP.2019.2930152

12. Aung S. S., Kyu Z. M. Modified codebook algorithm with Kalman filter for foreground segmentation in video sequences. International Conference on Signal Processing and Communication (ICSPC), 2017. Pp. 332-336.

13. Liu, G., Wu, H. C., Xiang, W., Ye, J., Wu, Y., Pu, L. Indoor object localization and tracking using deep learning over received signal strength. IEEE International Symposium on Broadband Multimedia Systems and Broadcasting. 2020. Pp. 1-6. doi: 10.1109/BMSB49480.2020.9379587

14. Hong-qiang B. Research on video motion object segmentation for content-based application. Journal of Shanghai University (English Edition), 2006. Vol. 2. no. 10. – Pp. 142-143.

15. Fedosov, V. P., Ibadov, S. R., Ibadov, R. R., Kucheryavenko, S. V. Method For Detecting Violation at a Pedestrian Crossing Using a Convolutional Neuaral Network. IEEE Radiation and Scattering of Electromagnetic Waves (RSEMW), 2021. Pp. 451-454. doi: 10.1109/RSEMW52378.2021.9494089.

16. Fedosov V. P., Ibadov R. R., Ibadov S. R. Restoration of the Lost Area of the Underlying Surface Image Using the Saliency Map. IEEE Radiation and Scattering of Electromagnetic Waves (RSEMW), 2021. Pp. 447-450. doi: 10.1109/RSEMW52378.2021.9494112.

17. Ibadov R. R., Ibadov, R. R., Gapon, N. V., Ibadov, S. R., Kucheryavenko, S. V. Image reconstruction using the modified texture synthesis algorithm IOP Conference Series: Materials Science and Engineering, 2021. Vol. 1029. no. 1. Pp. 012117. doi: 10.1088/1757-899X/1029/1/012117

Для цитирования:

Федосов В.П., Ибадов Р.Р., Ибадов С.Р. Алгоритм сегментации для выделения движущихся объектов на основе реконструкции фона с использованием параметров шумовых характеристик. // Журнал радиоэлектроники. – 2023. – №. 11. https://doi.org/10.30898/1684-1719.2023.11.9