Алгоритмы обнаружения объектов контроля для систем видеонаблюдения при взаимном перемещении объекта и видеокамеры тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Диязитдинов, Ринат Радмирович

• Диязитдинов, Ринат Радмирович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Диязитдинов, Ринат Радмирович

Введение.

Глава 1 Обзор методов и алгоритмов обнаружения объектов контроля в системах видеонаблюдения.

1.1 Обнаружение объектов контроля с использованием изображения фона для неподвижных систем видеонаблюдения.

1.2 Обнаружение объектов контроля с предварительной оценкой плотности распределения яркости элементов видеоизображения.

1.3 Эвристические методы обнаружения объектов контроля.

1.4 Обнаружение объектов контроля для движущихся систем видеонаблюдения.

Выводы по Главе 1.

Глава 2 Методика решения задач обнаружения объекта контроля на видеоизображении.

2.1 Постановка задачи обнаружения объектов контроля.

2.2 Распределение яркости фона и объекта контроля в элементе изображения

2.3 Модель видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений.

2.4 Математическая модель видеоизображения фона и движущихся объектов контроля в условиях изменяющейся освещенности.

2.5 Постановка задачи обнаружения объекта контроля для движущихся систем видеонаблюдения.

Выводы по Главе 2.:.

Глава 3 Алгоритмы обнаружение объектов контроля.

3.1 Двухэтапный алгоритм обнаружения; ¡ объектов контроля при изменяющейся освещенности. :.\,.гл!.и лI г.«. .>.:. /.:.

3.2 Трехэтапный алгоритм обнаружения ' объектов контроля при изменяющейся освещенности.:.

3.3 Реализация алгоритма.

3.4 Алгоритмы обнаружения неподвижного объекта контроля при съемке движущейся видеокамерой.

3.5 Определение мощности шума.

Выводы по Главе 3.

Глава 4 Экспериментальная проверка разработанных алгоритмов обнаружения объектов контроля.

4.1 Эффективность разработанного алгоритма при оценивании яркости фона

4.2 Сравнение разработанного трехэтапного алгоритма с существующими

4.3 Результаты экспериментальной проверки разработанных алгоритмов обнаружения объектов контроля при изменениях освещенности.

4.4 Результаты обнаружения объектов контроля на видеоизображениях, полученных с видеокамер, установленных на подвижных объектах.

Выводы по Главе 4.

Введение диссертации (часть автореферата) на тему «Алгоритмы обнаружения объектов контроля для систем видеонаблюдения при взаимном перемещении объекта и видеокамеры»

Актуальность темы исследования

В настоящее время происходит быстрое развитие систем видеонаблюдения и повсеместное внедрение их во все сферы деятельности на транспорте, на военных и промышленных объектах. Системы видеонаблюдения дополнительно к традиционному наблюдению за объектами обладают потенциальными техническими возможностями для решения целого ряда задач. По мнению специалистов компаний Cisco и IBM, создание интегрированных систем видеоаналитики является важным направлением развития систем видеонаблюдения. Актуальными задачами, которые должны решать системы видеоаналитики в ближайшем будущем, являются обнаружение, идентификация объектов и определение трасс их движения, измерение скорости движения объектов, внедрение систем видеонаблюдения в автоматизированные системы управления технологическими процессами (АСУ ТП), работающих в режиме реального времени, а также эффективное использование каналов передачи данных за счет предобработки сигналов и передачи технической (аналитической) информации вместо передачи видеоизображения.

Теоретическим и практическим вопросами разработки алгоритмов, способов, методов и устройств для обнаружения объектов контроля посвящены работы российских ученых Гуревича И.Б., Белоцерковского О.М., Глазунова A.C., Щенникова В.В., Горелика A.JL, Скрипкина В.А., Сойфера В.А., Шишова A.JL, Ташлинского А.Г., Деева А.Д., Пешкова Н.Н, Каплан JI. Г., Александрова А.Г. Бондаренко A.B., Докучаева И.В., Князева М.Г., Коноплянникова Ю.К., Лазаренко Ю.М., Прилепского Б.В. и др. и зарубежных ученых Wren С., Azarbayejani A., Darrell T., Pentland А., Cucchiara R., Grana С., Piccardi M., Prati A.,.Stauffer С., Grimson W., Elgammal A., Harwood D., Davis L., Ridder С., Munkelt О., Kirchner H., Kim К., Szirany Т., Schindler К., Wang H. и др.

Существующие алгоритмы обнаружения объектов контроля используют методы математической статистики. Использование этих методов позволяет проектировать оптимальные и квазиоптимальные алгоритмы согласно выбранному критерию. Несмотря на наличие многочисленных исследований в этой области, следует отметить, что наибольшее внимание уделяется раздельному изучению статистических характеристик изображения, соответствующих либо объекту контроля, либо фону. В результате чего ранее разработанные алгоритмы характеризуются невысокой достоверностью обнаружения объектов контроля в условиях изменяющейся освещенности.

Постоянно растущие требования к точности измерений при сборе технической (аналитической) информации в системах видеоаналитики предполагают повышение достоверности обнаружения объектов контроля при определении их местоположения. Это говорит о том, что повышение достоверности обнаружения при движении объектов контроля и видеокамеры относительно друг друга является актуальной задачей, требующей своего решения.

Данная диссертационная работа посвящена разработке алгоритмов, позволяющих повысить достоверность обнаружения объектов контроля за счет учета совокупных статистических характеристик изображений как «объектов контроля», так и «фона», а также компенсации мешающих факторов, возникающих в процессе съемки.

Целью работы является разработка алгоритмов обработки сигналов видеоизображения для обнаружения объектов контроля при движении объектов контроля и видеокамеры относительно друг друга.

Основные задачи, решаемые в диссертационной работе для достижения поставленной цели:

1. Анализ существующих методов и алгоритмов обнаружения объектов контроля.

2. Разработка математической модели видеоизображения фона и движущихся объектов контроля на основе статистических характеристик их изображений.

3. Разработка методики и алгоритмов обнаружения объектов контроля при изменяющейся освещенности.

4. Разработка методики и алгоритмов обнаружения объектов контроля для подвижной видеокамеры.

5. Компьютерное моделирование и экспериментальная проверка разработанных алгоритмов обнаружения.

Объектом исследования данной работы является выходной сигнал приемно-регистрирующего устройства системы наблюдения. В работе исследуется взаимосвязь между изменением обстановки в зоне наблюдения и изменением параметров выходного сигнала системы видеонаблюдения.

Методы исследования

Для проведения исследования в работе использованы методы теории вероятностей и случайных процессов, статистической теории систем связи. Для проведения расчетов использован пакет прикладных программ МаШСаё и МагЬаЬ.

Обоснованность и достоверность основных результатов работы по указанным положениям обеспечивается выбором методов статистической теории принятия решений, теории оценивания, методов компьютерного моделирования, подтверждением теоретических результатов натурными экспериментами.

Научная новизна

1. Предложена математическая модель для описания объектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.

2. Предложена методика и разработан алгоритм обнаружения движущихся объектов контроля в сложных условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

3. Предложена методика и разработан алгоритм обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанные на анализе плотности вероятности яркостей и геометрических параметров объектов.

Практическая ценность работы

1. Разработано программное обеспечение систем видеонаблюдения, позволившее проводить обнаружение объектов контроля в сложных погодных условиях при изменяющейся освещенности.

2. Разработана система компьютерного моделирования для оценки качества работы алгоритмов обнаружения объектов контроля.

Личный вклад автора

Автором произведен обширный анализ современных решений в области организации систем видеонаблюдения, предложена математическая модель выходного сигнала приемного тракта системы видеонаблюдения, разработаны алгоритмы анализа изображений, а также проведены натурные испытания разработанных алгоритмов.

Основные положения, выносимые на защиту:

1. Математическая модель для описания объектов контроля и фона на основе совокупных статистических характеристик их изображений в условиях изменяющейся освещенности, позволяющая принимать решение по совместной плотности вероятности яркостей элементов изображения.

2. Методика обнаружения объектов контроля изображений в условиях изменяющейся освещенности, характеризующиеся тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

3. Методика обнаружения неподвижных объектов контроля при съемке движущейся видеокамерой, основанная на анализе плотности вероятности яркостей и геометрических параметров объектов.

Публикация и апробация полученных результатов

По теме диссертации опубликовано 23 печатных работ, в том числе 3 печатных работ в изданиях перечня, рекомендованных ВАК, 2 авторских свидетельства о государственной регистрации программ на ЭВМ и 1 учебно-методическое указание для проведения лабораторных работ.

Апробация работы

Основные результаты диссертационной работы доложены и обсуждены на следующих конференциях и семинарах: XVI, XVII, XVIII российской научной конференции ППС, научных сотрудников и аспирантов (Самара, 2009 - 2011 гг.); X международной научно-технической конференции «Проблемы техники и технологий в телекоммуникациях» (Самара, 2009 г.); X международной научно-методической конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2010 г.); XI Международная научно-техническая конференция «Оптические технологии в телекоммуникациях» (Уфа, 2010 г.), XIII Международная конференция «Проблемы управления и моделирования в сложных системах» (Самара, 2011 г.), X Международная научно-техническая конференция «Физика и технические приложения волновых процессов» (Самара, 2011 г.).

Реализация результатов работы

Результаты работы использованы ЗАО НПЦ ИНФОТРАНС (г. Самара), а также в учебном процессе кафедры систем связи ПГУТИ. Реализация результатов работы подтверждена соответствующими актами.

Диссертация состоит из введения, четырех глав и заключения, изложенных на 140 страницах машинописного текста, списка использованных источников из 113 наименований и 3 приложений на 10 страницах. Диссертационная работа содержит 37 рисунков и 5 таблиц. Общий объем диссертации 150 страниц.

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Диязитдинов, Ринат Радмирович

Выводы по Главе 4

1. Разработанная система компьютерного моделирования позволила провести сравнительный анализ предложенного способа обнаружения и ранее известных алгоритмов обнаружения объектов контроля.

2. Компьютерное моделирование показало, что в отсутствии мешающих факторов, наилучшие результаты обнаружения имеет известный алгоритм KDE, но при изменяющейся освещенности предложенный алгоритм позволяет снизить вероятность ошибки до 2-3 % вместо 4-6% ранее известных алгоритмов.

3. Разработанный алгоритм обнаружения объектов контроля для задачи с неподвижной камерой работает в сложных погодных условиях (дождь, снегопад, туман и т.д.), в которых ранее разработанные алгоритмы давали сбои в работе, что подтверждено результатами экспериментальной проверки.

4. Разработанный алгоритм обнаружения объектов контроля для задачи с подвижной камерой позволил решить задачу обнаружения заданных объектов контроля, что подтверждено результатами экспериментальной проверки и актом внедрения.

ЗАКЛЮЧЕНИЕ

1. Анализ методов и алгоритмов обнаружения «объектов контроля» показал, что существующие алгоритмы разработаны на основании вероятностных методов, однако, для систем видеонаблюдения с неподвижными видеокамерами учитываются только статистические характеристики сигнала яркости, соответствующие «фону», а для движущихся систем наблюдения - «объекту контроля», что ухудшает достоверность обнаружения разработанных алгоритмов; проблема изменений освещенности рассматривается только в некоторых алгоритмах, но решение этой задачи не производится.

2. Разработанная математическая модель видеоизображения «фона» и «объектов контроля» на основе совокупных статистических характеристик их изображений позволяет принимать решение по совместной плотности вероятности яркостей элементов изображения.

3. Разработанная методика и алгоритм обнаружения «объектов контроля» в сложных условиях при изменяющейся освещенности характеризуются тем, что для описания изменений освещенности вводятся два параметра - изменение контрастности и яркости видеоизображения.

4. Предложено повысить достоверность обнаружения «объектов контроля» за счет обработки видеоизображения в три этапа: оценивания изображения фона, предварительного обнаружения и повторного обнаружения с учетом оценки изменений освещенности.

5. Разработанная методика обнаружения неподвижных «объектов контроля» при съемке движущейся видеокамерой позволила проводить достоверное обнаружение «объектов контроля», основанное на анализе плотности вероятности яркостей и геометрических параметров объектов.

6. Компьютерное моделирование показало, что разработанный алгоритм обнаружения «объектов контроля» при изменениях освещенности снижает вероятность ошибки обнаружения объекта контроля до 2-3 %, что ниже, чем у существующих алгоритмов-аналогов; в ходе экспериментальной проверки алгоритм, разработанный для движущихся систем наблюдения, показал высокую достоверность обнаружения «объектов контроля», а для систем с неподвижной видеокамерой показал высокую достоверность обнаружения в сложных погодных условиях при изменяющейся освещенности.

7. Разработанное программное обеспечение систем видеонаблюдения дало возможность обнаруживать движущиеся «объекты контроля» в сложных погодных условиях при изменяющейся освещенности и неподвижные «объекты контроля» (для движущихся видеокамер), которые отличаются от «фона» своими яркостными характеристиками и геометрическими параметрами.

Список литературы диссертационного исследования кандидат технических наук Диязитдинов, Ринат Радмирович, 2011 год

1. Wren, С., Azarbayejani, A., Darrell, Т., Pentland, A.: Pfinder: Real-time tracking of the human body. 1.EE Transactions on Pattern Analysis and Machine Intelligence 19(7), 780-785, 1997.

2. R. Cucchiara, C. Grana, M. Piccardi, and A. Prati, "Detecting moving objects, ghosts and shadows in video streams", IEEE Trans, on Patt. Anal, and Machine Intell., vol. 25, no. 10, Oct. 2003, pp. 1337-1342.

3. Stauffer C, Grimson WEL. Adaptive background mixture models for real-time tracking. IEEE International Conference on Computer Vision and Pattern Recognition 1999;2:246-52.

4. Elgammal A, Harwood D, Davis LS. Non-parametric model for background subtraction. European Conference on Computer Vision 2000;2:751-67.

5. C. Ridder, O. Munkelt, H. Kirchner, Adaptive background estimation and foreground detection using kalman-filtering, in: Proceedings of International Conference on Recent Advances in Mechatronics, 1995, pp. 193-199.

6. K. Kim, Т.Н. Chalidabhongse, D. Harwood and L. Davis. Real-time Foreground-Background Segmentation using Codebook Model. Real-Time Imaging, vol.11, issue 3, pp. 167-256, June 2005.

7. Csaba Benedek and Tamas Szirany. Markovian Framework for Foreground-Background-Shadow Separation of Real World Video Scenes. ACCV, 2006,pp. 898-907.

8. Konrad Schindler, Hanzi Wang. Smooth Foreground-Background Segmentation for Video Processing. ACCV 2006, Hyderabad, India, Volume 3852, pages 581-590.

9. Патент RU2031545C1, 04.02.1992.

10. Патент RU2250478C2, 11.04.2003.

11. Патент RU2140721C1,27.12.1984. : ' V

12. Патент US7742650, 12.11.2003.

13. Патент US7359552, 15.12.2004.

14. Патент US20080095435, 23.03.2001.

15. Патент US7373012, 01.02.1005.

16. Патент US7415164, 05.01.2005.

17. Horpresert et al, "A Statistical Approach for Real-Time Robust Background and Shadow Detection", Computer Vision Laboratory, University of Maryland, Colledge Park, MD 20742, pp. 1-19, circa 1999.

18. McKenna et al., "Tracking Groups of People", Computer Vision and Image Understanding, Academic Press, San Diego, С A, US, vol. 80, No. 1, Oct. 2000, pp.45-56, XP004439258.

19. C. Harris and M. Stephens, "A combined corner and edge detector", Fourth Alvey Vision Conference, pp. 147-151, 1988.

20. D.G. Lowe. "Object recognition from local scale invariant features", ICCV'99, Sep. 1999.

21. Гмурман B.E. Руководство к решению задач по теории вероятностей и математической статистике. М. Высшая школа // 2004 - с. 121-122., с. 132.

22. Горячкин О.В. Лекции по статистической теории систем радиотехники и связи//2007.-с. 192

23. Ташлинский А.Г. Оценивание параметров пространственных деформаций последовательностей изображений / Ульяновский государственный технический университет. Ульяновск: УлГТУ, 2000. -132 с.

24. Крашенинников В. Р. Основы теории обработки изображений: Учебное пособие. Ульяновск: УлГТУ, 2003. - 150 с.

25. Пешков Н.Н. Временная селекция объектов на видеоизображениях // Обозрение прикладной и промышленной математики. М.: Редакция журнала «ОПиПМ», 2004. -т.И. - Вып. 2. - С.387-388.

26. Обухова, Н.А. Метод автоматической сегментации и сопровождения объектов интереса на основе математического аппарата нечеткой логики/

27. Н.А.Обухова // Известия высших учебных заведений России. Сер. Радиоэлектроника. 2007- №3. - С. 53-63.

28. Васин H.H., Куринский В.Ю. Метод обработки. Видеосигналов для измерения скорости движения протяженных объектов // Инфокоммуникационные технологии, 2010. ТЗ. - №2. - С. 36-39.

29. Ляшко И.И., Боярчук А.К., Гай Я.Г., Головач Г.П. Справочное руководство по высшей математике Т.2: Математический анализ: ряды, функции векторного аргумента. М.: Едиториал УРСС, 2003. - с. 196. (определения)

30. ГОСТ 17657—79 «Передача данных. Термины и определения»

31. M. Xu, Т. Ellis, Colour-Invariant Motion Detection under Fast Illumination Changes., 2nd European Workshop on Advanced Video-based Surveillance, pp. 335-345, 2002.

32. Дуда P., Харт П. «Распознавание образов и анализ сцен». // M «МИР», 1976. Пер. с англ. Г. Г. Вайештейнв, А. М. Васьковского, под ред. В. Л. Стефанюка, 509 с.

33. Фуканага К. «Введение в статистическую теорию распознавания образов» // М. Наука, 1979, Пер. с англ. Главная редакция физико-математической литературы, 368 с.

34. И.С. Грузман, B.C. Киричук, Цифровая обработка изображений в информационных системах.

35. Анисимов Б.В., Курганов В.Д., Злобин В.К., «Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов». М.: Высш. шк., 1983 - 295 е., ил.

36. Мандель И.Д. «Кластерный анализ». М.: Финансы и статистика., 1988. - 176 с.

37. Эдвард А. Патрик «Основы теории распознавания образов»: / Пер. с англ. / Под ред. Б.Р. Левина. М. Сов. радио, 1980 - 408 е., ил.

38. Гашников М.В., Глумов Н.И., Ильясова Н.Ю., Мясников В.В., Попов СБ., Сергеев В.В., Сойфер В.А., Храмов А.Г., Чернов A.B., Чернов В.М.,

39. Чичева М.А., Фурсов В. А. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. — 2-е изд., испр. М.: ФИЗМАТЛИТ, 2003. - 784 с. - ISBN 5-9221-0270-2.

40. Дж. Ту, Р. Гонсалес., «Принципы распознавания образов»: / Пер. с англ. И.Б. Гуревича под редакцией Ю.И. Журавлева.- М. «Мир», 1978 с. 403, ил.

41. Прет У. «Цифровая обработка изображений», Пер. с англ. М.: Мир, 1982.-Кн. 2-е. 480, ил.

42. Ван Трис Г. «Теория обнаружения, оценок и модуляции». Т. 3. Обработка сигналов в радио- и гидролокации и прием случайных гауссовых сигналов на фоне помех. Нью-Йорк, 1971. Пер. с англ. под ред. проф. В.Т. Горяинова. М., «Сов. радио», 1977, 664 с.

43. А.Г.Зюко, Д.Д. Кловский, В.И. Коржик, М.В. Назаров «Теория электрической связи»: Учебник для вузов. Под ред. Д.Д. Кловского. -М.: Радио и связь, 1999. 432 е.: 204 ил.

44. Финк JI.M. Сигналы, помехи, ошибки . Заметки о некоторых неожиданностях, парадоксах и заблуждениях в теории связи. 2-е изд. перераб. и доп. - М.: Радио и связь, 1984. - 256с.

45. Прокис Д. Цифровая связь. Пер. с англ. / Под ред. Д.Д. Кловского. М.: Радио и связь. 2000. - 800 с.

46. Н. Kim, R. Sakamoto, I. К. Т. Toriyama, К. Kogure Robust Foreground Segmentation from Color Video Sequences Using Background Subtraction with Multiple Thresholds.

47. Harville M., Gordon G., Woodfill J. Foreground Segmentation Using Adaptive Mixture Models in Color and Depth

48. C. Eveland, K. Konolige, R. Bolles. "Background Modeling for Segmentation of Video-rate Stereo Sequences'Mn CVPR'98, pp.266-271, June 1998.

49. N. Friedman, S. Russell. "Image Segmentation in Video Sequences: a Probabilistic Approach'Mn 13th Conf. on Uncertainty in Artificial Intelligence, August 1997.

50. G. Gordon, T. Darrell, M. Harville, J.Woodfill. "Background Estimation and Removal Based on Range and Color'Mn CVPR'99, Vol.2, pp.459-464, June 1999.

51. Bohyung Han, Dorin Comaniciu, Larry Davis «Sequential kernel density approximation through mode propagation: applications to background modeling»

52. Mustafa Karaman, Lutz Goldmann, Da Yu and Thomas Sikora «Comparison of Static Background Segmentation Methods»

53. N. Ohta, "A Statistical Approach to Background Suppression for Surveillance Systems," Proc. IEEE Int'l Conf. Computer Vision, pp. 481-486, 2001.

54. D. Koller, J.Weber, T. Huang, J. Malik, G. Ogasawara, B. Rao, and S. Russel, "Towards Robust Automatic Traffic Scene Analysis in Real-Time," Proc. Int'l Conf. Pattern Recognition, pp. 126-131, 1994.

55. R. Cucchiara, C. Grana, M. Piccardi, A. Prati, and S. Sirotti, "Improving Shadow Suppression in Moving Object Detection with HSV Color Information," Proc. IEEE Int'l Conf. Intelligent Transportation Systems, pp. 334-339, Aug. 2001.

56. S. Jabri, Z. Duric, H. Wechsler, and A. Rosenfeld, "Detection and Location of People in Video Images Using Adaptive Fusion of Color and Edge Information," Proc. Int'l Conf. Pattern Recognition, pp. 627-630, 2000.

57. N.M. Oliver, B. Rosario, and A.P. Pentland, "A Bayesian Computer Vision System for Modeling Human Interactions," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 831-843, Aug. 2000.

58. A. Prati, R. Cucchiara, I. Mikic, and M.M. Trivedi, "Analysis and Detection of Shadows in Video Streams: A Comparative Evaluation," Proc. IEEE Int'l Conf. Computer Vision and Pattern Recognition, 2001.

59. A. Bainbridge-Smith and R. G. Lane, "Determining Optical Flow Using a Differential Method," Image and Vision Computing, vol. 15, pp. 11-22, 1997.

60. Teresa Ko, Stefano Soatto, and Deborah Estrin «Background Subtraction on Distributions»

61. Jain, R., Nagel, H.:On the analysis of accumulative difference pictures fromimage sequences of real world scenes. IEEE Transactions on Pattern Analysis and Machine Intelligence 1(2), 206-214 (1979)

62. Kameda, Y., Minoh, M.: A human motion estimation method using 3-successive video frames. In: International Conference on Virtual Systems andMultimedia, pp. 135-140 (1996)

63. Harville, M.: A framework for high-level feedback to adaptive, per-pixel, mixture-of-gaussian background models. In: European Conference on Computer Vision, pp. 543-560 (2002)

64. Tian, Y.L., Lu, M., Hampapur, A.: Robust and efficient foreground analysis for real-time video surveillance. In: Computer Vision and Pattern Recognition, pp. 1182-1187 (2005)

65. Mittal, A., Paragios,M.: Motion-based background subtraction using adaptive kernel density estimation. In: IEEE International Conference on Computer Vision and Pattern Recogntion, pp. 302-309 (2004)

66. Comaniciu, D., Ramesh, V., Meer, P.: Kernel-based object tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence 25(5), 564-577 (2003)

67. Sen-Ching S. Cheung, Chandrika Kamath, Robust Background Subtraction with Foreground Validation for Urban Traffic Video

68. S. Maludrottu, C.S. Regazzoni H.Sallam, I. Talkhan and A. Atiya, Corner-based background segmentation using adaptive resonance theory.

69. T. Pun, "A new method for gray-level picture thresholding using the enthropy of the histogram," Signal Processing, vol. 2, pp. 223-237, 1980.

70. A. Cavallaro and T.Ebrahimi, "Change detection based on color edges," Proc. of IEEE International Symposium on Circiuts and Systems, May 2001.

71. S. Avidan Q. Zhu and K.T. Cheng, "Learning a sparse corner-based representation for time-varying background modelling," Proceedings of the Tenth IEEE International Conference in Computer Vision (ICCV'05), 2005.

72. J.H. Reynolds G.A. Carpenter, S. Grossberg, "Artmap: Supervised real-time learning and classification of non-stationary data by a self-organizing neural network," Neural Networks, vol. 4, pp. 565-588, 1991.

73. J. Shi and C. Tomasi, "Good features to track," Proc.IEEE Conf. on Computer Vision and Pattern Recognition (CVPR94), June 1994.

74. P. Tissainayagam and D. Suter, "Assessing the performance of corners detectors for point feature tracking applications," Image and Vision Computing, vol. 22, pp. 663-679, 2004.

75. Shivani Agarwal and Dan Roth Learning a Sparse Representation for Object Detection

76. Logothetis, N.K., Sheinberg, D.L.: Visual object recognition. Ann. Rev. Neurosci. 19 (1996) 577-621

77. Palmer, S.E.: Hierarchical structure in perceptual representation. Cognitive Psychology 9 (1977) 441-474

78. Wachsmuth, E., Oram,M.W., Perrett, D.I.: Recognition of objects and their component parts: responses of single units in the temporal cortex of the macaque. Cerebral Cortex 4 (1994)

79. Biederman, I.: Recognition by components: a theory of human image understanding. Psychol. Review 94 (1987) 115-147.

80. Colmenarez, A.J., Huang, T.S.: Face detection with information-based maximum discrimination. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (1997) 782-787

81. Rowley, H.A., Baluja, S., Kanade, T.: Neural network-based face detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 20 (1998) 23-38

82. Osuna, E., Freund, R., Girosi, F.: Training support vector machines: an application to face detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (1997) 130-136.

83. Amit, Y., Geman, D.: A computational model for visual selection. Neural Computation 11 (1999) 1691-1715.

84. Roth, D., Yang, M.H., Ahuja, N.: Learning to recognize 3d objects. Neural Computation 14 (2002).

85. Viola, P., Jones, M.: Rapid object detection using a boosted cascade of simple features. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (2001).

86. Weber, M., Welling, M., Perona, P.: Unsupervised learning of models for recognition. In: Proceedings of the Sixth European Conference on Computer Vision. (2000) 18-32.

87. Yang, M.H., Roth, D., Ahuja, N.: A SNoW-based face detector. In Solla, S.A., Leen, Т.К., Muller, K.R., eds.: Advances in Neural Information Processing Systems 12. (2000) 855-861.

88. D.M. Gavrila Multi-feature Hierarchical Template Matching Using Distance Transforms

89. Я.А. Фурман, A.K. Передреев, A.A. Роженцов, Р.Г. Хафизов, И.Л. Егоршина, А.Н. Леухин Введение в контурный анализ; приложения к обработке изображений и сигналов/ Под ред. Я.А. Фурмана 2 изд., испр. - М. ФИЗМАЛИТ, 2003, - 592 с. - ISBN 5-9221-0374-1.

90. Krystian Mikolajczyk, Bastian Leibe, Bernt SchieleMultiple Object Class Detection with a Generative Model

91. T. Berg, A. Berg, and J. Malik, Shape Matching and Object Recognition using Low Distortion Correspondence. In CVPR, pages 26-33, 2005.

92. J. Beis and D. Lowe, Shape Indexing Using Approximate Nearest-Neighbour Search in High-Dimensional Spaces. In CVPR, pages 1000-1006, 1997.

93. G. Csurka, C.R. Dance, L. Fan, J. Willamowski, C. Bray. Visual Categorization with Bags of Keypoints In ECCV Workshop, 2004.

94. G. Dorko and C. Schmid. Selection of scale-invariant parts for object class recognition. In ICCV, pages 634-640, 2003.

95. L. Fei-Fei, R. Fergus, P. Perona, A Bayesian Approach to Unsupervised One-Shot Learning of Object Categories. In ICCV, pages 1134-1140, 2003.

96. R. Fergus, P. Perona, and A.Zisserman, Object class recognition by unsupervised scale-invariant learning. In CVPR, pages 264-271, 2003.

97. B. Leibe, E. Seeman, and B. Schiele. Pedestrian Detection in Crowded Scenes. In CVPR, pages 878-885, 2005.

98. B. Leibe, A. Leonardis, and B. Schiele. Robust Object Detection by Interleaving Categorization and Segmentation. Submitted to IJCV, 2006.

99. T. Lindeberg. Feature detection with automatic scale selection. In IJCV, 30(2):79-l 16, 1998.

100. D. Lowe, Distinctive image features from scale-invariant keypoints. IJCV, 2(60):91—110, 2004.

101. K.Mikolajczyk, A. Zisserman, and C. Schmid. Shape recognition with edge-based features. In BMVC, pages 779-788, 2003.

102. K. Mikolajczyk, B. Leibe, and B. Schiele. Local features for object class recognition. ICCV, pages 1792-1799, 2005.

103. J. Shotton, A. Blake and R. Cipolla, Contour-Based Learning for Object Detection. In ICCV, pages 503-510, 2005.

104. J. Sivic, B. Russell, A. Efros, A. Zisserman, andW. Freeman, Discovering object categories in image collections. In ICCV, pages 370-377 , 2005.

105. E. Sudderth, A. Torralba, W. T. Freeman, and A. Wilsky. Learning Hierarchical Models of Scenes, Objects, and Parts. In ICCV, pages 1331— 1338, 2005.

106. A. Torralba, K. Murphy, and W. Freeman. Sharing features: efficient boosting procedures for multiclass object detection. In CVPR, pages 762-769, 2004.

107. M. Weber, M. Welling, and P. Perona, Unsupervised Learning of Models for Recognition. In ECCV, pages 628-0641, 2000.

108. Математический энциклопедический словарь. / Гл. ред. Ю.В.Прохоров; Ред. кол.: С.И. Адян, Н.С.Бахвалов, В.И. Битюцков и др. М.: Сов. энциклопедия, 1988. - 847 с. стр. 459.

109. Майорова О.В., Майоров Е.Е., Туркбоев Б.А. Светотехника // С-Пб., СПбГУИТМО, 2005, с.83.

110. A. Prati, I. Mikic, С. Grana, М. М. Trivedi, «Shadow Detection Algorithms for Traffic Flow Analysis: a Comparative Study», In Proceedings of IEEE Int'l Conf. On Intelligent Transportation Systems, Aug 2001, pp. 340-345

111. H. Farid and E. P. Simoncelli, Differentiation of discrete multi-dimensional signals, IEEE Trans Image Processing, vol. 13(4), pp. 496—508, Apr 2004.

112. Forstner, W. and Gulch, E. 1987, A fast operator for detection and precise location of distinct points, corners and centres of circular features. ISPRS Conference on Fast Processing of Photogrammetric Data, Interlaken. Switzerland, pp. 281-305.

113. Шлезингер М.И., Главач В. Десять лекций по статистическому и структурному распознаванию. Киев: Наук, думка, 2004, 546 с.

114. ПЗ.Монич Ю.И., Старовойтов В.В., Коноплин Е.Е. Сегментация примерно однородных по яркости областей цифровых изображений. Минск: Искусственный интеллект, 2008, 332-338 с.