• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 33 №1

Содержание

  1. АНАЛИЗ ПРЕДПОЧТЕНИЙ ПОЛОВОГО ПАРТНЕРА У EURYDEMA ORNATA И E. OLERACEA В УСЛОВИЯХ СВОБОДНОГО ВЫБОРА
  2. ОПТИМАЛЬНАЯ АФФИННАЯ АППРОКСИМАЦИЯ ПРОЕКТИВНОГО ПРЕОБРАЗОВАНИЯ ИЗОБРАЖЕНИЙ
  3. РАСПОЗНАВАНИЕ ПРОЕКТИВНО ПРЕОБРАЗОВАННЫХ ПЛОСКИХ ФИГУР. XII. О НОВЫХ МЕТОДАХ ПРОЕКТИВНО ИНВАРИАНТНОГО ОПИСАНИЯ ОВАЛОВ В КОМПОЗИЦИИ С ЛИНЕЙНЫМ ЭЛЕМЕНТОМ ПЛОСКОСТИ
  4. СИСТЕМА ПОЗИЦИОНИРОВАНИЯ ВНУТРИ ЗДАНИЙ МОБИЛЬНОЙ РОБОТОТЕХНИЧЕСКОЙ ПЛАТФОРМЫ НА ОСНОВЕ ДЕТЕКЦИИ КРАЕВ
  5. РОБАСТНЫЙ КРИТЕРИЙ ПОИСКА ТОЧКИ СХОДА ПРОЕКЦИЙ ПРЯМОЛИНЕЙНЫХ ТРАЕКТОРИЙ ДВИЖЕНИЯ ДЕТЕКТИРОВАННЫХ В ВИДЕОПОТОКЕ ТРАНСПОРТНЫХ СРЕДСТВ
  6. СОПОСТАВЛЕНИЕ СНИМКОВ В РАДИО И ВИДИМОМ ДИАПАЗОНАХ ЧЕРЕЗ НЕЗАВИСИМУЮ ПРИВЯЗКУ К ВЕКТОРНОЙ КАРТЕ
  7. ПОВЫШЕНИЕ ВЫЧИСЛИТЕЛЬНОЙ ЭФФЕКТИВНОСТИ ПРОЕКТИВНОГО ПРЕОБРАЗОВАНИЯ ИЗОБРАЖЕНИЙ НА SIMD-АРХИТЕКТУРАХ
  8. СРАВНЕНИЕ КЛАССИФИЦИРУЮЩЕЙ И МЕТРИЧЕСКОЙ СВЁРТОЧНЫХ СЕТЕЙ НА ПРИМЕРЕ РАСПОЗНАВАНИЯ ПОЛЯ “ПОЛ” ПАСПОРТА ГРАЖДАНИНА РФ
  9. ОТРАЖЕНИЕ АКТИВНОСТИ СЕРДЦА В ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ КОШЕК В ПЕРИОДЫ МЕДЛЕННОГО СНА
  10. ПОЛИСОМНОГРАФИЧЕСКОЕ ИССЛЕДОВАНИЕ ЦЕНТРАЛЬНОГО АПНОЭ СНА У КОШЕК

РОБАСТНЫЙ КРИТЕРИЙ ПОИСКА ТОЧКИ СХОДА ПРОЕКЦИЙ ПРЯМОЛИНЕЙНЫХ ТРАЕКТОРИЙ ДВИЖЕНИЯ ДЕТЕКТИРОВАННЫХ В ВИДЕОПОТОКЕ ТРАНСПОРТНЫХ СРЕДСТВ

© 2019 г. Д. А. Бочаров1,2, К. А. Аксенов3, Ю. А. Шемякина4,5, И. А. Коноваленко1,2,4,6

1Институт проблем передачи информации им. А.А. Харкевича РАН, Москва, Россия
bocharov.mitry@gamil.computation
2ООО “Визиллект”, Москва, Россия
3Национальный исследовательский университет Высшая школа экономики – НИУ ВШЭ, Москва, Россия
4Smart Engines Ltd., Москва, Россия
5Институт системного анализа Федерального исследовательского центра “Информатика и управление” Российской академии наук – ИСА ФИЦ ИУ РАН, Москва, Россия
6Московский физико-технический институт (государственный университет) – МФТИ (ГУ), Долгопрудный, Россия

Поступила в редакцию 17.09.2018 г.

Одним из подходов к самокалибровке камер для транспортной видеоаналитики является анализ траекторий наблюдаемого движения. В данной работе рассматривается задача поиска точки схода траекторий движения автомобилей на изображении в предположении о прямолинейности и параллельности их движения. Алгоритм оценки точки схода по наблюдаемым трекам движения, предложенный Tuan Hue Thi, устойчив к наличию посторонних траекторий, однако не устойчив к выбросовому шуму точек на траекториях. В данной работе обсуждаются возможные причины возникновения такого шума и предлагается устойчивый к нему алгоритм. На данных, созданных при помощи имитационного моделирования, численно оценивается зависимость точностей референтного и предлагаемого алгоритмов в зависимости от уровня шума. Приведены примеры работы предлагаемого алгоритма на реальных данных, полученных с использованием системы распознавания автомобильных номеров в видеопотоке.

Ключевые слова: точка схода, критерий поиска точки схода, алгоритм оценки точки схода, траектории движения, RANSAC

DOI: 10.1134/S0235009219010037

Цитирование для раздела "Список литературы": Бочаров Д. А., Аксенов К. А., Шемякина Ю. А., Коноваленко И. А. Робастный критерий поиска точки схода проекций прямолинейных траекторий движения детектированных в видеопотоке транспортных средств. Сенсорные системы. 2019. Т. 33. № 1. С. 44-51. doi: 10.1134/S0235009219010037
Цитирование для раздела "References": Bocharov D. A., Aksenov K. A., Shemiakina Y. A., Konovalenko I. A. Robastnyi kriterii poiska tochki skhoda proektsii pryamolineinykh traektorii dvizheniya detektirovannykh v videopotoke transportnykh sredstv [Robust criterion for vanishing point estimation of linear trajectories of detected vehicles in a video stream]. Sensornye sistemy [Sensory systems]. 2019. V. 33(1). P. 44-51 (in Russian). doi: 10.1134/S0235009219010037

Список литературы:

  • Álvarez S., Fernández D., Sotelo M. Hierarchical camera auto-calibration for traffic surveillance systems. Expert Systems with Applications. 2014. V. 41 (4). P. 1532–1542.
  • Caprile B. Torre V. Using vanishing points for camera calibration. International Journal of Computer Vision. 1990. V. 4 (2). P. 127–139.
  • Cathey F.W., Dailey D.J. A novel technique to dynamically measure vehicle speed using uncalibrated roadway cameras. IEEE Proceedings. Intelligent Vehicles Symposium. 2005. P. 777–782.
  • Cucchiara R., Piccardi M., Mello P. Image analysis and rule-based reasoning for a traffic monitoring system. Intelligent Transportation Systems. Proceedings. International Conference. IEEE. 1999. P. 758–763.
  • Dong R., Li B., Chen Q. An automatic calibration method for ptz camera in expressway monitoring system. Computer Science and Information Engineering. WRI World Congress. IEEE. 2009. V. 6. P. 636–640.
  • Du S., Ibrahim M., Shehata M., Badawy W. Automatic license plate recognition (ALPR): A state-of-the-art review. IEEE Transactions on circuits and systems for video technology. 2013. V. 23 (2). P. 311–325.
  • Dubská M., Herout A., Juránek R., Sochor J. Fully automatic roadside camera calibration for traffic surveillance. IEEE Transactions on Intelligent Transportation Systems. 2015. V. 16 (3). P. 1162–1171.
  • Fischler M.A. Bolles R.C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM. 1981. V. 24 (6). P. 381–395.
  • Fung G., Yung N., Pang. G. Camera calibration from road lane markings. Optical Engineering. 2003. V 42 (10). P. 2967–2978.
  • Grigoryev A.S., Bocharov D.A., Terekhin A.P., Nikolaev D.P. Vision-based vehicle wheel detector and axle counter. Proccedings of 29th European Conference on Modelling and Simulation. New York. Curran Associates, Inc., 2015а. P. 521–526.
  • Grigoryev A.S., Khanipov T.M., Koptelov I.A., Bocharov D.A., Postnikov V.V., Nikolaev. D.P. Building a robust vehicle detection and classification module. Eighth International Conference on Machine Vision. International Society for Optics and Photonics. 2015б. V. 9875. P. 98751J.
  • Kanhere N.K., Birchfield S.T. A taxonomy and analysis of camera calibration methods for traffic monitoring applications. IEEE Transactions on Intelligent Transportation Systems. 2010. V. 11 (2). P. 441.
  • Konovalenko I.A., Kuznetsova E.G. Experimental comparison of methods for estimation of the observed velocity of the vehicle in video stream. Proceeding of Seventh International Conference on Machine Vision. International Society for Optics and Photonics. 2015. V. 9445. P. 94451C.
  • Ojha S., Sakhare S. Image processing techniques for object tracking in video surveillance-a survey. Pervasive Computing. International Conference. IEEE. 2015. P. 1–6.
  • Ovchinkin A.A., Ershov E.I. The algorithm of epipole position estimation under pure camera translation. Sensory systems. 2018. V. 32 (1). P. 42–49.
  • Povolotskiy M.A., Kuznetsova E.G., Khanipov T.M. Russian license plate segmentation based on dynamic time warping. Proccedings of European Conference on Modelling and Simulation. 2017. P. 285–291.
  • Song K., Tai J. Dynamic calibration of pan–tilt–zoom cameras for traffic monitoring. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2006. V. 36 (5). P. 1091–1103.
  • Thi T., Lu S., Zhang J. Self-calibration of traffic surveillance camera using motion tracking. Proceedings of 11th International IEEE Conference on Intelligent Transportation Systems. 2008. P. 304–309.