Разработка и исследование алгоритмов измерения координат протяжённых объектов для бортовых систем анализа видеоизображений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Шубин, Никита Юрьевич

• Шубин, Никита Юрьевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Шубин, Никита Юрьевич

СОДЕРЖАНИЕ.

ВВЕДЕНИЕ.

1 АНАЛИЗ ПРОБЛЕМЫ ИЗМЕРЕНИЯ КООРДИНАТ ПРОТЯЖЁННЫХ ОБЪЕКТОВ.

1.1 Обзор и анализ методов и алгоритмов измерения координат протяжённых объектов.

1.2 Качественная постановка задачи измерения координат протяжённых объектов.

2 АЛГОРИТМЫ ИЗМЕРЕНИЯ КООРДИНАТ ОБЪЕКТОВ НА ОСНОВЕ АНАЛИЗА СТРУКТУРНЫХ ЭЛЕМЕНТОВ ИЗОБРАЖЕНИЯ.

2.1 Модель представления протяженных объектов на основе комбинации структурных элементов.

2.2 Алгоритм измерения координат объектов на основе преобразования Радона.

2.3 Определение и основные свойства модифицированного преобразования Радона.

2.4 Алгоритм измерения координат объекта на основе оценки его контура.

3 АЛГОРИТМЫ ИЗМЕРЕНИЯ КООРДИНАТ ОБЪЕКТОВ НА ОСНОВЕ СОПОСТАВЛЕНИЯ С ЭТАЛОНОМ И ИСПОЛЬЗОВАНИЯ МАСКИ ОБЪЕКТА.

3.1 Разработка алгоритма измерения координат объектов.

3.2 Разработка алгоритма генерации маски на основе байесовского классификатора.

3.3 Применение признака изменчивости яркости изображения объекта для улучшения работы байесовского классификатора.

4 КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ.

4.1 Компьютерная модель замкнутой системы сопровождения.

4.2 Экспериментальные исследования разработанных алгоритмов.

Введение диссертации (часть автореферата) на тему «Разработка и исследование алгоритмов измерения координат протяжённых объектов для бортовых систем анализа видеоизображений»

Актуальность работы.

Системы обработки и анализа видеоинформации всё более интенсивно применяются в различных областях человеческой деятельности. Наиболее широкое распространение они получили при решении таких задач как навигация, космический мониторинг Земли, контроль качества и количества производимой продукции, обеспечение безопасности различных объектов, передача и хранение видеоданных, медицинские и военные приложения.

Одним из направлений при создании систем анализа и обработки видеоинформации является разработка бортовых систем видеослежения, которые предназначены для установки на мобильных носителях, таких как самолёты, вертолёты, корабли, автомобили или танки.

При разработке бортовых систем видеослежения возникает целый класс задач, связанных с проблемами обнаружения, выделения и сопровождения объектов, находящихся в поле зрения датчика изображений [1, 2]. Примерами таких объектов могут служить различные летательные аппараты, автотранспорт, суда или люди. Существует широкий круг алгоритмов и методов измерения координат объектов, используемых в системах видеослежения, работающих на разных фоноцелевых обстановках [3-6]. Однако не существует универсальных подходов к решению задачи измерения координат объектов, работающих при любых условиях и с любым типом объектов. Большинство описанных в литературе подходов эффективно применяются для работы с объектами малого и среднего размеров. В то же время проблема измерения параметров протяжённых объектов, имеющих размеры, сопоставимые с размерами самого изображения, в литературе практически не освещена. Вычислительная сложность большинства известных методов, таких как методы на основе сопоставления с эталоном [7-9], возрастает с ростом размеров объекта интереса в кадре. Методы статистической сегментации [10

- 12] не способны работать на сюжетах с протяжёнными объектами из-за высокой сложности текстуры как фона, так и объекта. Сильные ракурсные искажения фона и объекта в условиях подвижного носителя видеодатчика делают неприменимым большинство алгоритмов на основе пространственной [13 - 16] и пространственно-временной фильтрации [17 - 20].

Таким образом, существует актуальная проблема измерения координат протяжённых объектов в бортовых системах видеослежения.

Степень разработанности темы.

Вопросам оценки параметров динамических изображений уделяется достаточно много внимания в отечественной и зарубежной литературе. Значительный вклад в разработку методов и алгоритмов оценки параметров динамических изображений внесли работы таких отечественных и зарубежных учёных, как Б.А. Алпатов, Д.Б. Волегов, В.В. Гусев, Д.В. Юрин, Ю.В. Ви-зильтер, A.B. Желтов, С. Crane, Q. Pham, W. Pratt, S.Wang и др. Несмотря на большое количество работ по данной тематике, анализ литературы показал, что возможности для повышения качества решения рассматриваемых задач использованы не в полной мере.

В ряде работ рассматривается задача оценки параметров объектов, размеры которых сопоставимы с размерами изображения [21, 22], в том числе в условиях подвижного датчика. Однако эти работы обычно отличает слишком узкая направленность применения. В [21] рассматривается способ оценки параметров наблюдаемых взлётно-посадочных полос, по их разметке. Однако такой подход малопригоден для слабоконтрастных объектов. Предлагаемый в [22] алгоритм применим при условии, что наблюдаемая часть объекта является плоской и ориентирована перпендикулярно оптической оси. Однако протяжённые объекты в общем случае являются широким классом объектов, которые могут значительно менять свою форму и размеры в процессе наблюдения с подвижного носителя.

Исходя из этого, цель диссертации состоит в разработке алгоритмов измерения координат протяжённых объектов на изображении и их исследование с учётом работы в бортовых системах видеослежения.

Для достижения поставленной цели необходимо решить следующие основные подзадачи:

-анализ существующих методов измерения координат объектов на изображении;

- разработка алгоритма измерения координат протяжённых неподвижных объектов;

- разработка алгоритма измерения координат протяжённых подвижных объектов;

-экспериментальные исследования эффективности разработанных алгоритмов.

Научная новизна диссертации состоит в том, что в ней разработано модифицированное преобразование Радона, позволяющее более качественно решать задачи обнаружения прямолинейных границ объектов на изображении. Также в ней предложено использовать признак изменения яркости пикселя с течением времени в байесовском классификаторе, в случае его совместной работы с алгоритмом на основе сопоставления с эталоном. Эффективность разработанных подходов получила экспериментальное подтверждение.

Методы исследования.

Теоретические исследования в настоящей работе выполнены на основе методов теории статистических решений, теории вероятностей, функционального анализа.

Моделирование и экспериментальные исследования предлагаемых алгоритмов выполнялись на натурных и синтезированных видеосюжетах.

Достоверность результатов и выводов диссертации подтверждается корректным использованием математического аппарата, результатами моделирования и экспериментальными исследованиями.

Реализация.

Разработанные в диссертации модели и алгоритмы были использованы при выполнении ряда научно-исследовательских работ, проводимых в Рязанском государственном радиотехническом университете по заказам Федерального агентства по науке и инновациям, Министерства образования и науки РФ и ОАО «Государственный Рязанский приборный завод», что подтверждается актами внедрения.

Практическая ценность работы состоит в том, что предложенные алгоритмы измерения координат объектов на изображении применимы для создания бортовых систем видеослежения.

Апробация работы.

Основные результаты работы докладывались на следующих конференциях:

- 15-й и 16-й международных научно-технических конференциях «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань - 2008-2010);

- 13-й, 14-й и 16-й всероссийских конференциях «Новые информационные технологии в научных исследованиях и образовании» (Рязань - 2008, 2009, 2011);

- 12-й и 14-й международных научно-технических конференциях «Цифровая обработка сигналов и ее применения» (Москва - 2010, 2012);

- Всероссийской научной конференции молодых учёных «Наука, технологии, инновации» (Новосибирск - 2008);

- 8-й международной конференции «Авиация и космонавтика» (Москва-2009);

- Всероссийской конференции с элементами научной школы для молодежи «Актуальные проблемы развития нано-, микро-, и оптоэлектроники» (Рязань-2010);

- 1-ом региональном итоговом конкурсе "У.М.Н.И.К"-2011 (Рязань 2011);

- 21-ой Международной конференции по компьютерной графике и зрению «Графикон'2011» (Москва - 2011).

Выступления на Международной научно-технической конференции «Цифровая обработка сигналов и ее применения» (2010) и Всероссийской научно-технической конференции студентов, молодых учёных и специалистов «Новые информационные технологии в научных исследованиях» (2011) отмечены дипломами.

Публикации.

По теме диссертации опубликовано 14 работ, в том числе 2 статьи в журналах, рекомендуемых ВАК для публикации результатов кандидатских диссертаций. Результаты исследований отражены в 20 отчётах о НИР.

Личный вклад.

Используемые в диссертации модели, определяющие процесс формирования изображений и характер геометрических преобразований в системах видеослежения; модифицированное преобразование Радона; алгоритм измерения координат объектов на основе преобразования Радона; алгоритм измерения координат объекта на основе оценки его контура; алгоритм измерения координат объектов на основе сопоставления с эталоном и использования маски объекта; компьютерная модель замкнутой системы видеосопровождения; а также программное обеспечение, используемое при экспериментальных исследованиях, разработаны лично диссертантом.

Основные результаты, выносимые на защиту:

- модифицированное преобразование Радона;

- алгоритм измерения координат объекта на основе преобразования Радона;

- алгоритм измерения координат объекта на основе оценки его контура;

- алгоритм измерения координат объекта на основе сопоставления с эталоном и использования маски объекта.

Структура и объём диссертации.

Диссертация состоит из введения, четырёх глав, заключения, списка литературы (86 источников), изложенных на 180 страницах, содержит 45 рисунков и 5 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Шубин, Никита Юрьевич

ЗАКЛЮЧЕНИЕ

Диссертационная работа посвящена решению задач измерения координат протяжённых объектов для бортовых систем анализа видеоизображений. В процессе исследований получены следующие новые научные и практические результаты:

1. Разработан и исследован алгоритм измерения координат протяжённых неподвижных объектов искусственного происхождения, основанный на преобразовании Радона.

2. Разработано и исследовано модифицированное преобразование Радона, позволяющее более качественно обнаруживать прямолинейные границы на изображении. Даны рекомендации по его аппаратной реализации. Показано, что прирост качества измерения координат объектов при использовании модифицированного преобразования Радона составляет около 40 %.

3. Разработан и исследован алгоритм измерения координат протяжённых движущихся и неподвижных объектов искусственного происхождения, основанный на оценке контура объекта. Показана его эффективность в условиях непрерывного изменения размеров и формы объекта интереса, превосходящая эффективность алгоритма на основе байесовской сегментации приблизительно в 3 раза.

4. Разработан и исследован алгоритм измерения координат движущихся объектов на основе метода сопоставления с эталоном и использования маски объекта. Вычисление маски объекта выполняется на основе байесовской классификации с модифицированным набором признаков. Использование маски в алгоритме на основе сопоставления с эталоном позволило увеличить качество измерения координат на 3,6 %.

Список литературы диссертационного исследования кандидат технических наук Шубин, Никита Юрьевич, 2012 год

1. Sadjadi F. Automatic Object Recognition: Critical Issues and Current Approaches // SPIE Automatic Object Recognition Vol. 1471, pp. 303-313, 1991.

2. J. A. Ratches, "Review of current aided/automatic target acquisition technology for military target acquisition tasks," Opt. Eng., vol. 50, no. 7, pp. 072001-072001-8, 2011

3. Алпатов Б.А., Бабаян П.В., Балашов O.E., Степашкин А.И. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление. М.: Радиотехника, 2008. - 176 е.: ил.

4. Алпатов Б.А., Бабаян П.В., Балашов O.E., Степашкин А.И. Обработка изображений и управление в системах автоматического сопровождения объектов / РГРТУ, Рязань, 2011. 236 с.

5. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982. - 790 с.

6. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. -М.: Машиностроение. 1990. - 320 с.

7. Алпатов Б.А., Селяев A.A., Степашкин А.И. Цифровая обработка изображений в задаче отслеживания движущегося объекта // Изв. вузов. Сер. Приборостроение. 1985. - №2. - С. 39-43.

8. Бочкарев А. Н. Корреляционно-экстремальные системы навигации // Зарубеж. радиоэлектроника.- 1981.- № 9.- С. 28- 53.

9. Разработка и исследование методов анализа изображений и методов управления для замкнутых систем видеослежения. Отчёт о НИР (заключительный) /РГРТУ; Рук. Алпатов Б.А. — Тема № 6-ОЗГ; № ГР 01200604105 Рязань, 2007. - 145 с.

10. Денисов Д.А., Низовкин В.А. Сегментация изображений на ЭВМ. // Зарубежная радиоэлектроника, 1985, с. 5 30.

11. Тимофеев Б. С., Обухова Н. А. Алгоритм сегментации объектов впоследовательности видеокадров методами нечеткой логики // Обработка информации и управление. 2006 - №3. - С. 12-18.

12. Муравьев С.И., Муравьев B.C. Использование вейвлет-признаков в задачах сегментации изображений // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Тез. докл. 12-й междунар. науч.-техн. конф. Рязань, 2004. - С. 73-74.

13. Муравьёв B.C. Пространственный алгоритм обнаружения и определения координат воздушных объектов на изображении // Вестник Рязанского государственного радиотехнического университета. Рязань, 2009. - №2(28). - С. 17-20.

14. Li J., Shen Z., Bao L. Detection of small moving objects in image sequences // Proc. Of SPIE, Vol. 3069. Automatic Target Recognition IV. 1997, pp. 511-517.

15. Deshpande S. D., Er M.H., Ronda V., Chan P. Max-mean and max-median filters for detection of small-targets // Proc. of SPIE, Vol. 3809, Signal and Data Processing of Small Targets. 1999, pp. 74-83.

16. Li J., Shen Z., Biao L. Automatic Target Detection and Tracking System Using Infrared Imagery // Proc. of SPIE, Vol. 3069. Automatic Target Recognition IV. Jun 1997, pp. 534-540.

17. Алпатов Б.А., Бабаян П.В. Методы обработки и анализа изображений в бортовых системах обнаружения и сопровождения объектов // Цифровая обработка сигналов. 2006. - №2. - С. 45-51.

18. Cedras, С. & М. Shah (1995), Motion-Based Recognition: A Survey, IVC, 13(2): 129-155.

19. Megret, R., DeMenthon, D.: A Survey of Spatio-Temporal Grouping Techniques. Technical report, Language and Media Proc. Lab., U. of MD at College Park (2002)

20. Radke RJ, Andra S, Al-Kofahi O, and Roysam B. Image change detection algorithms: A systematic survey. IEEE Transactions on Image Processing2005;14(3):294-307.

21. Ю. В. Визильтер, С. Ю. Желтов, Проблемы технического зрения в современных авиационных системах // Труды научно-технической конференции-семинара ''Техническое зрение в системах управления мобильными объектами 2010" - М., 2011. - С. 11-44.

22. Стротов В.В., Корепанов С.Е. Слежение за объектом со значительно изменяющимися во времени размерами // Вестник Рязанского государственного радиотехнического университета. Рязань, 2012. -№1 (часть1) - С.9-14.

23. Волегов Д.Б., Юрин Д.В. Упорядочивание изображений для построения по ним 3d моделей // ГрафиКон'2009. Труды конф. М.,2009. С. 202-209

24. Schaffalitzky F. Zisserman A. Multiview matching for unordered image sets, or "how do I organize my holiday snaps?" // ECCV '02: 7th European Conference on Computer Vision-Part I, London, UK. Springer-Verlag, 2002.-pp. 414-431.

25. Zhou S.B., Li Y. The SIFT image feature matching based on the Plural Differential // Advanced Materials Research (Volumes 268 270). — 2011. — P. 2172-2177.

26. Bastanlar Y., Temizel A., Yardimci Y. Improved SIFT Matching for Image Pairs with a Scale Difference // IET Electronics. Volume 46, Issue 52010.-P. 346-348.

27. Tomoya S., Masaki N., Takuto K., Haruhiko N., Atsushi I. Image Hierarchy in Gaussian Scale Space // Advances in Imaging and Electron Physics. -Vol. 165.-2011.-P. 175-263.

28. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. - 1072 е.: ил.

29. Juan L. A comparison of SIFT, PCA-SIFT and SURF // International Journal of Image Processing. Vol. 3, issue 4. - 2010. - P. 187-245.

30. Beran V., Zem P. Visual Codebooks Survey for Video On-line Processing // Lecture Notes in Computer Science. Vol. 6374. - 2010. - P. 1-10.

31. Lou S., He J. Mosaic Algorithm of Image Based on SURF and KLT Track // Computer Engineering. №1.-2010. - P. 215-217.

32. Волегов Д.Б., Юрин Д.В. Предварительное грубое совмещение изображений по найденным на них прямым линиям для построения мозаик, сверхразрешения и восстановления трехмерных сцен // Программирование. №5.- 2008. - С. 47-66.

33. D. Montana. Genetic search of a generalized Hough transform space // Adaptive and Learning Systems, SPIE. 1992. - Vol. 1706 - PP. 14-21.

34. D. Ziou and S. Tabbone (1998) "Edge detection techniques: An overview", International Journal of Pattern Recognition and Image Analysis, 8(4):537-559, 1998

35. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей. Зарубежная радиоэлектроника, 1987, № 10, с. 25-47.

36. Volegov D.B., Gusev V.V., Yurin D.V. Straight line detection on images via Hartley transform and fast Hough transform // GraphiCon'2006, 16-th International Conference. Novosibirsk Akademgorodok, Russia, 2006.

37. A.C. Copeland, G. Ravichandran, and M.M. Trivedi. Localized Radon transform-based detection of ship wakes in SAR images // IEEE Transactions on Geoscience and Remote Sensing. 1995.- Vol. 33, Issue 1. -pp. 35-45.

38. Баранов В.Г., Храмов А.Г. Дискретное веерное преобразование Радона в задаче выделения центров ветвей сетчатых структур // Компьютерная оптика. №23. - 2002.- С.44-47.

39. Анцев Г.В., Волков В.Ю., Макаренко А.А., Турнуцкий Л.С. Выделение прямолинейных кромок на зашумлённых изображениях методом ориентированной фильтрации // Цифровая обработка сигналов и её применение. Труды конф №23 - М., 2011- С.93-96.

40. Вежневец А., Баринова О. Методы сегментации изображений: автоматическая сегментация Электронный ресурс. // Компьютерная Графика и Мультимедиа [Сайт]. Режим доступа: http://www.cgm.computergraphics.ru/content/view/147 (04.06.2011)

41. Конушин В., Вежневец А. Методы сегментации изображений: интерактивная сегментация Электронный ресурс. // Компьютерная Графика и Мультимедиа [Сайт]. Режим доступа: http://cgm.computergraphics.ru/content/view/172 (04.06.2011)

42. Визильтер Ю.В., Желтов А.В. и др. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. М.: Физматкнига, 2010. - 672 с.

43. Chin R.T., Dyer C.R. Model-based Recognition in robot vision // ACM Comput. Surveys. 1986. -V. 18., No. 1.

44. Gigus Z, Malik J. Computing the aspect graph for line drawings of polyhedral objects // IEEE Trans. Pattern Anal. Machine intell. 1990. - V. 12. No. 2.

45. Nevatia R., Binford T. Description and recognition of curves objects // Artifical Indtell. 1977. - V.8. No. 1.

46. Волегов Д. Б., Юрин Д. В. Упорядочивание изображений для построения по ним 3d моделей // 19-я международная конференция по компьютерной графике и ее приложениям ГрафиКон2009. Москва, 2009. - С. 202-209.

47. Е. Rosten and Т. Drummond. Machine learning for high-speed corner detection. In Proc 9th European Conf on Computer Vision, Graz,volume 1, pages 430^143, 2006.

48. Castle R.O., Klein G., Murray D.W. Video-rate Localization in Multiple Maps for Wearable Augmented Reality. // Proc 12th IEEE International Symposium on Wearable Computers, Pittsburgh PA, Sept 28 Oct 1, 2008.

49. Алпатов Б.А., Бабаян П.В., Смирнов C.A. Автоматическое слежение за объектами при отсутствии априорных сведений о фоноцелевой обстановке // Цифровая обработка сигналов. 2009. - №3. - С. 52 -56.

50. Simon Baker, "Design and Evaluation of Feature Detectors." Doctor of philosophy thesis in the Graduate School of Arts and Sciences, Columbia University, 1998.

51. Шубин Н.Ю. Системы технического зрения для беспилотных летательных аппаратов //Актуальные проблемы развития нано-, микро, и оптоэлектроники: Тезисы докладов Всероссийской конференции с элементами научной школы для молодежи. Рязань,2010. - С.51-54.

52. Шубин Н.Ю. Системы анализа визуальной информации для беспилотных летательных аппаратов // I региональный итоговый конкурс "У.М.Н.И.К"-2011: Тезисы докладов. Рязань, 2011. - С.29-33.

53. Алпатов Б.А., Бабаян П.В., Шубин Н.Ю. Алгоритм оценки координат объектов на основе преобразования Радона // Цифровая обработка сигналов. 2011. - №3. - С. 17-20.

54. Бабаян П.В., Шубин Н.Ю. Алгоритм оценивания координат объектов на основе отслеживания прямолинейных границ // Цифровая обработка сигналов и ее применение DSPA-2012: Тез. Докл. 14-й

55. Междунар. конф. -М., 2012. С.330-331.

56. Баклицкий В.К., Бочкарев A.M., Мусьяков М.П. Методы фильтрации сигналов в корреляционно-экстремальных системах навигации М.: Радио и связь, 1986.

57. Алпатов Б.А., Балашов O.E., Шубин Н.Ю. Алгоритм измерения координат движущихся объектов в последовательности изображений. // Вестник Рязанского государственного радиотехнического университета. Вып. 34. Рязань, 2010. - С. 32-36

58. Алпатов Б.А., Балашов O.E., Шубин Н.Ю. Алгоритм оценки координат объекта на изображении с маскированием эталона // Авиация и космонавтика 2009: 8-я Междунар. конф. М., 2009 - С.116-117.

59. Белокуров А., Сечко В. Стохастические модели в задачах анализа и обработки изображений // Зарубежная радиоэлектроника. 1989. - №5 -С. 3-18

60. Чукин Ю.В. Структуры данных для представления изображений // Зарубежная радиоэлектроника. 1983. № 8. - С. 85-107.

61. К. Maly, S. Zeil, М. Zubair, N. Ratkal, "A Machine Learning Approach for Automatic Text Categorization: A Case Study for DTIC Collection", Proceedings of ICSIIT 2007, pp. 128-132, Bali, Indonesia, July 2007.

62. Алпатов Б. А. Алгоритм обнаружения и выделения движущегося фрагмента изображения. //Техника средств связи. Серия Техника телевидения, 1991, №2. С. 72-76.

63. Алпатов Б. А., Бохан К. А. Алгоритм обнаружения и выделения изображения движущегося объекта в присутствии неоднородного фона. Вестник РГРТА, 1999, №6 С. 7-11.

64. Алпатов Б. А., Блохин А. Н. Модели и алгоритмы обнаружения и выделения движущихся фрагментов изображений. //Автометрия, 1995, №4.-С. 100-104.

65. Бохан К.А. Модели и алгоритмы обнаружения и оценки параметров изображений динамических объектов в видеокомпьютерных системах управления: Дис. канд. техн. наук: 05.13.01. Защищена 14.12.01; Утв. 12.04.02; 04200202084. -Рязань, 2001.-200 с.

66. Шубин Н.Ю. «Алгоритм отслеживания контура объекта на видеоизображении для оценки его формы» // Новые информационные технологии в научных исследованиях: XVI Всеросс. науч.-техн. конф. студентов, молодых учёных и специалистов. Рязань, 2011

67. Вентцель Е.С. Теория вероятностей. М.: Наука. - 1964.

68. Коршунов Ю.М. и др. Расчёт и проектирование цифровых сглаживающих и преобразующих устройств М.: Энергия, 1976. - 336 с.

69. Брайсон А., Хо Ю-Ши Прикладная теория оптимального управления. Пер. с англ. М.: Мир, 1972. - 544 с.

70. Шахтарин Б.И. Случайные процессы в радиотехнике. 4.1. Линейныесистемы. М.: Радио и связь, 2002. - 568 с.

71. Алпатов Б. А., Селяев А. А., Степашкин А.И. Цифровая обработка изображений в задаче отслеживания движущегося объекта // Изв. вузов. Сер. Приборостроение. 1985. - №2. - С. 39-43.

72. М. Е. Welser and S. Т. Acton, "Projection model snakes for tracking using a Monte Carlo approach," Journal of Electronic Imaging, vol. 13, 2004.

73. R. Samadani, "Adaptive Snakes: Control of Damping and Material Parameters," Proc. SPIE Geometric Methods in Computer Vision, no. 1570, 1991.

74. Alexis Matwyschuk, Pierre Ambs, Frank Christnacher, Target tracking correlator assisted by a snake-based optical segmentation method, Optics Communications, v. 219, №1, pp. 125-137, 2003.

75. Бакут П.А. , Лабунец В.Г. Телевизионная следящая система с байесовским дискриминатором цели // Зарубежная радиоэлектроника. — 1987.-№10-С. 81-93.

76. Трофимов Д.В. Алгоритм автоматического подбора размеров рамки для автомата сопровождения объектов // Обработка информации в автоматических системах: Сборник научных трудов. Рязань: РГРТУ, 2009.-С. 103-110.

77. Стротов В.В. Модели и алгоритмы оценивания параметров динамических изображений в бортовых системах видеослежения: дис. . канд. техн. наук:05.13.01: защищена 28.10.09: утв. 12.02.Ю.Рязань, 2009.-178 С.

78. Бабаян П.В., Шубин Н.Ю. Компьютерная модель замкнутой системы видеослежения // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: 15-я Междунар. научно-техническая конф. Рязань, 2008. - С. 122-124

79. Он-лайн журнал по компьютерной графике и анимации / Render.ru

80. Шубин Н.Ю. Компьютерное моделирование яркостных искажений видеопоследовательности // Наука, технологии, инновации: Материалы Всероссийской научн. конф. молодых учёных. — Новосибирск, 2008. С. 55-56.

81. Сообщество пользователей Matlab и Simulink: электрон, ресурс. URL :http://matlab.exponenta.ru/index.php (дата обращения: 1.07.2012).