Применение нечеткого эволюционного классификатора Такаги - Сугено для задач обнаружения и сопровождения объектов на видеопоследовательности


https://doi.org/10.15217/issn1684-8853.2016.5.15

Полный текст:


Аннотация

Постановка проблемы: обнаружение и сопровождение объектов на видеопоследовательности является неотъемлемой функцией систем видеонаблюдения. Несмотря на то, что объекты интереса, как правило, известны заранее, их вариативность относительно форм, местоположений, характера движения и взаимодействия с другими объектами сцены является значительной, что не позволяет применять жесткие классификационные схемы. В последнее время все большее распространение получают интеллектуальные методы, в частности, методы, основанные на нечеткой логике. Цель: построение эволюционного классификатора на основе нечеткой модели Такаги - Сугено для обнаружения и сопровождения объектов интереса в сложных условиях видеонаблюдения. Результаты: разработан нечеткий эволюционный классификатор, разделяющий блоки пикселов на фон и объекты интереса (объекты переднего плана) и предсказывающий положение движущихся объектов интереса. Эволюционный классификатор на основе нечеткой модели Такаги - Сугено применен для анализа сцен со стационарной и перемещающейся видеокамерой при наличии артефактов съемки, вызывающих нестабильность получаемых видеоматериалов. Алгоритм протестирован с использованием общедоступных данных SVW (Sports Videos for Wild), которые содержат большое число видеопоследовательностей, отснятых движущейся видеокамерой. Практическая значимость: применение нечеткой модели позволяет достичь высокой точности 80-95 % обнаружения и сопровождения объектов в сложных условиях видеонаблюдения.

Об авторах

Владимир Викторович Буряченко
Сибирский государственный аэрокосмический университет им. академика М. Ф. Решетнёва
Россия


Маргарита Николаевна Фаворская
Сибирский государственный аэрокосмический университет им. академика М. Ф. Решетнёва
Россия


Анастасия Игоревна Томилина
Сибирский государственный аэрокосмический университет им. академика М. Ф. Решетнёва
Россия


Список литературы

1. Foresti G., et al. Active Video-Based Surveillance System: the Low-Level Image and Video Processing Techniques Needed for Implementation/ G. Foresti, C. Micheloni, L. Snidaro, P. Remagnino, T. Elis // IEEE Signal Process Magazine. 2005. Vol. 22. N 2. P. 25-27.

2. Pavlidis I., et al. Urban Surveillance Systems: from the Laboratory to the Commercial World/ I. Pavlidis, V. Morellas, P. Tsiamyrtzis, S. Harp // Proc. of the IEEE. 2001. Vol. 89. N 10. P. 1478-1497.

3. Elgammal A., et al. Background and Foreground Modeling Using Non-Parametric Kernel Density Estimation for Visual Surveillance / A. Elgammal, R. Duraiswami, D. Harwood, L. Davis // Proc. of the IEEE. 2002. Vol. 90. N 7. P. 1151-1163.

4. Cheung S.-C. S., Kamath C. Robust Techniques for Background Subtraction in Urban Traffic Video // EURASIP Journal on Applied Signal Processing. 2005. Vol. 2005. P. 2330-2340.

5. Kalman R. E. A New Approach to Linear Filtering and Prediction Problem // Transactions of the ASME - Journal of Basic Engineering. 1960. Vol. 82 (Series D). P. 35-45.

6. Angelov P., Sadeghi-Tehran P., Ramezani R. An Approach to Automatic Real-Time Novelty Detection, Object Identification, and Tracking in Video Streams Based on Recursive Density Estimation and Evolving Takagi-Sugeno Fuzzy Systems // Intern. Journal of Intelligent Systems. 2010. Vol. 26. N 3. P. 189-205.

7. Cordon O., et al. Ten Years of Genetic Fuzzy Systems: Current Framework and New Trends/ O. Cordon, F. Gomide, F. Herrera, F. Hoffmann, L. Magdalena // Fuzzy Sets and Systems. 2004. Vol. 141. N 1. P. 5-31.

8. Ishibuchi H., Nakashima T., Nii M. Classification and Modeling with Linguistic Granules: Advanced Information Processing. - Berlin, Heidelberg: Springer-Verlag, 2004. - 304 p.

9. Favorskaya M. N., Buryachenko V. V. Video Stabilization of Static Scenes Based on Robust Detectors and Fuzzy Logic // Intelligent Interactive Multimedia Systems and Services: Proc. of the 6th Intern. Conf. on Intelligent Interactive Multimedia Systems and Services (IIMSS 2013); Frontiers in Artificial Intelligence and Applications/G. A. Tsihrintzis, M. Virvou, T. Watanabe, L. C. Jain, R. J. Howlett (Eds.). 2013. Vol. 254. P. 11-20.

10. Wang L.-X. Fuzzy Systems are Universal Approximators // Proc. of the IEEE Intern. Conf. on Fuzzy Systems, San Diego, CA, USA, 1992. P. 1163-1170.

11. Hopner F., Klawonn F. Obtaining Interpretable Fuzzy Models from Fuzzy Clustering and Fuzzy Regression // Proc. 4th Intern. Conf. on Knowledge-Based Intelligent Engineering Systems and Allied Technologies, Brighton, UK, 2000. Vol. 1. P. 162-165.

12. Angelov P., Xiaowei Z. Evolving Fuzzy-Rule-Based Classifiers from Data Streams // IEEE Transactions on Fuzzy Systems. 2008. Vol. 16. N 6. P. 1462-1475.

13. Angelov P., Filev D. An Approach to On-Line Identification of Takagi-Sugeno Fuzzy Models // IEEE Transactions on Systems, Man, and Cybernetics: Part B (Cybernetics). 2004. Vol. 34. N 1. P. 484-498.

14. Sugeno M. Industrial Applications of Fuzzy Control. - N. Y.: Elsevier Science Inc., 1985. - 278 p.

15. Буряченко В. В., Ткачева А. А., Томилина А. И. Разработка программного обеспечения стабилизации видеопоследовательностей в системах технического зрения // Региональные проблемы дистанционного зондирования Земли: материалы Междунар. науч. конф., Красноярск, 22-25 сентября 2015 г. Красноярск, 2015. С. 105-109.

16. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference and Prediction. 2nd ed. - Berlin, Heidelberg: Springer-Verlag, 2009. - 698 p.

17. Klawonn F., Klement P. E. Mathematical Analysis of Fuzzy Classifiers // Advances in Intelligent Data Analysis Reasoning about Data (IDA-97): Proc. of Second Intern. Symp., London, UK, Aug. 4-6, 1997/ X. Liu, P. Cohen, M. Berthold (Eds.). LNCS. 1997. Vol. 1280. P. 359-370.

18. Safdarnejad S. M., et al. Sports Videos in the Wild (SVW): A Video Dataset for Sports Analysis, Automatic Face and Gesture Recognition/ S. M. Safdarnejad, L. Xiaoming, U. Lalita, A. Brooks, J. Wood, D. Craven // Proc. 11th IEEE Intern. Conf. and Workshops on Automatic Face and Gesture Recognition (FG), Ljubljana, Slovenia, 2015. Vol. 1. P. 1-7.

19. Grundmann M., Kwatra V., Essa I. Auto-Directed Video Stabilization with Robust L1 Optimal Camera Paths // Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), Providence, RI, USA, 2011. P. 225-232.

20. Favorskaya M. N., Buryachenko V. V. Fuzzy-Based Digital Video Stabilization in Static Scenes // Intelligent Interactive Multimedia Systems and Services in Practice / G. A. Tsihrintzis, M. Virvou, L. C. Jain, R. J. Howlett, T. Watanabe (Eds.). SIST. 2015. Vol. 36. P. 63-83.

21. Favorskaya M. N., Jain L. C., Buryachenko V. V. Digital Video Stabilization in Static and Dynamic Scenes // Computer Vision in Control Systems-1: Mathematical Theory / M. N. Favorskaya, L. C. Jain (Eds.). ISRL. 2015. Vol. 73. P. 261-310.

22. Буряченко В. В., Томилина А. И. Построение плавной 3D-траектории движения камеры на основе методов структуры по движению // Цифровая обработка сигналов и ее применение: материалы


Дополнительные файлы

Для цитирования: Буряченко В.В., Фаворская М.Н., Томилина А.И. Применение нечеткого эволюционного классификатора Такаги - Сугено для задач обнаружения и сопровождения объектов на видеопоследовательности. Информационно-управляющие системы. 2016;(5):15-24. https://doi.org/10.15217/issn1684-8853.2016.5.15

For citation: Buryachenko V.V., Favorskaya M.N., Tomilina A.I. Using Fuzzy Evolutionary Classifier for Detecting and Tracking Objects in Video Sequences. Information and Control Systems. 2016;(5):15-24. (In Russ.) https://doi.org/10.15217/issn1684-8853.2016.5.15

Просмотров: 36


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)