You are on page 1of 6

Một số kỹ thuật xử lý ảnh tăng cường tính năng cho camera giám sát

Trần Xuân Linh
Trường Đại học Công nghệ Luận văn ThS chuyên ngành: Công nghệ thông tin; Mã số: 1 01 10 Người hướng dẫn: TS. Nguyễn Thị Hồng Minh Năm bảo vệ: 2007

Abstract: Tổng quan về video và camera giám sát, sự khác nhau về video tương tự và video số. Nêu một số kỹ thuật tăng cường tính năng cho camera giám sát và phân tích chi tiết các kỹ thuật liên quan đến xử lý ảnh động video như phát hiện đối tượng chuyển động, theo vết đối tượng, phân loại đối tượng và phát hiện cháy. Thử nghiệm và đưa ra 2 chương trình phát hiện chuyển động và thực nghiệm giám sát trực quan áp dụng các thuật toán, trong đó chương trình Motion Detector sử dụng thuật toán liên quan đến đối tượng chuyển động như thuật toán trừ nền, sự khác biệt thời gian... còn chương trình thực nghiệm giám sát trực quan đã cài đặt thêm một số thuật toán liên quan đến phân loại và theo vết Keywords: Camera, Công nghệ thông tin, Khoa học máy tính, Kỹ thuật xử lý ảnh, Ảnh

Content MỞ ĐẦU Với sự ra đời của nhiều phương tiện kỹ thuật hiện đại như là máy ảnh số, máy quay số, các máy thu hình, máy vi tính ... thì lượng thông tin con người thu được ngày càng nhiều. Con người không chỉ muốn tiếp thu thông tin một cách thụ động mà phải biết xử lý nó, làm cho nó hữu ích hơn. Do đó con người đã tiến hành nghiên cứu các phương pháp xử lí trên thông tin trực quan này để chúng ta có thể tiếp nhận tối đa lượng thông tin trực quan này. Việc xử lý ảnh số đã ra đời vào những năm 1960 với nhiều hướng khác nhau như là nén ảnh, nhận dạng ... Thêm vào đó, với sự phát triển của khoa học máy tính đã cho ra đời những thế hệ máy tính có tốc độ xử lý cao và các thiết bị thu nhận hình ảnh chất lượng tốt đã tạo ra những lợi

chẳng hạn như phục vụ trong lĩnh vực an ninh công cộng và thương mại (Kiểm tra nhằm phát hiện và ngăn ngừa tội phạm tại ngân hàng. Tổng hợp sức tiêu thụ ở những trung tâm mua sắm và giải trí. trong các thuật toán phân loại đối tượng đã đưa ra những cải tiến để giúp cho việc phân loại đối tượng một cách chính xác. Đếm những loài vật đang bị đe dọa). Bố cục đề tài: . sân bay. Áp dụng trong lĩnh vực An ninh quân sự ( Tuần tra biên giới quốc gia. nó thu hút sự chú ý của nhiều nhà nghiên cứu. kết quả nghiên cứu của các thế hệ đi trước. giúp cho chúng ta có thể đưa ra được những thuật toán xử lý trong thời gian thực. Xét thấy việc nghiện cứu về lĩnh vực này có khả năng áp dụng thực tiển rất cao. cửa hàng. phân loại. phát hiện các trường hợp vượt đèn đỏ và lấn đường sai luật). Đo dòng người tị nạn. viện và những công ty thương mại. Giúp cũng cố luật (Đo tốc độ xe cộ. Ngoài ra luận văn còn chú trọng việc phân tích hành vi của đối tượng chuyển động. Hỗ trợ sự chỉ huy và kiểm soát chiến trường). theo dõi. vì thế. Bảo đảm an ninh vòng ngoài. Mục tiêu của luận văn khi nghiên cứu vấn đề này là tạo ra một hệ thống giám sát bằng hình ảnh có khả năng phát hiện đối tượng chuyển động trong thời gian thực. những thuận toán giúp dò tìm. Giám sát những hiệp ước hòa bình. Từ những điều kiện thuận lợi đó đã có một số lượng đáng kể những nghiên cứu về những thuật toán liên quan đến xử lý video số. sự tắc nghẽn đường bộ và thành tích thể thao. Đó là lý do để tôi lựa chọn đề tài: “Một số kỹ thuật xử lý ảnh tăng cường tính năng cho camera giám sát” Mục tiêu đề tài: Hiểu được những hoạt động của đối tượng động trong một cảnh quay bằng việc sử dụng hình ảnh vừa là một vấn đề thách thức vừa là một lĩnh vực phong phú hứa hẹn nhiều ứng dụng. Theo dõi tài nguyên và rừng nhằm phát hiện lửa). Trong luận văn. Giúp khai thác dữ liệu hình ảnh thông minh (Đo lường dòng lưu thông. các thuật toán đưa ra là sự kế thừa thành tựu.thế trong việc phân tích xử lý những thông tin trong các đoạn video. kiểm tra và phân tích hoạt động của đối tượng. đề xuất những phân tích ở mức cao về đối tượng chuyển động. bãi đậu xe…. phân loại đối tượng chuyển động. sự chuyển đổi ban ngày và ban đêm…). Tuần tra đường cao tốc và đường sắt nhằm phát hiện tai nạn. không đưa ra những cảnh báo đối với những chuyển động mang tính qui luật như cành cây đung đưa trước gió. đồng thời có những bước cải tiến nhằm giúp cho những thuật toán và giải pháp đưa ra có tính áp dụng thực tiễn cao hơn như có khả năng thích nghi với điều kiện tự nhiên (sự thay đổi cường độ ánh sáng đột ngột.

13:209–216. [9] A. [7] R. R. on Control and Automation. Cavallaro and F. 2000. Bodor. [5] A. In Proc. [2] A. Huttenlocher. [4] R. SPIE Int. [8] R. Silhouette-based human identification from body shape and gait. volume 8. of the IEEE. pages 781–796.S. Kedem. Chen. volume 90. 1991. In Proc. chapter 2.B. IEEE Transactions on Pattern Recognition and Machine Intelligence. Symposium on Electronic Imaging. Voting-based simultaneous tracking of multiple video objects. References [1] J. Cai. L. An efficiently computable metric for comparing polygonal shapes. theo vết đối tượng.3. on Automatic Face and Gesture Recognition. In Proc. analysis and applications. Liu.Ngoài phần mở đầu và phần kết luận. January 2003. 2001. Chương 2: Một số kỹ thuật tăng cường tính năng cho camera giám sát. USA. pages 210–217. and T. March 1999. D. trong chương này đưa ra 2 chương trình phát hiện chuyển động và thực nghiệm giám sát trực quán áp dụng các thuật toán được nêu ra ở trong chương 2. July 2002. Mitchell. sự khác nhau giữa video tương tự và video số. luận văn được bố cục thành 3 chương: Chương 1: Tổng quan về video và camera giám sát.S.H. pages 57–67. 73(3):428–440. Collins. Arkin. In Proc. H.L. In IEEE Transactions on Pattern Analysis and Machine Intelligence. In Proc. . Elgammal. Gross. phân loại đối tượng và phát hiện cháy. D. Duraiswami. of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. K. R. and N. Image Analysis for Advanced Video Surveillance. and L.T. Trong đó phân tích chi tiết về các kỹ thuật liên quan đến xử lý ảnh động video. Chew. pages 366–371. Davis. Kluwer Academic Publishers. 2002. trong chương này giới thiệu một cách tổng quan về video. như là phát hiện đối tượng chuyển động. Chương 3: Thực nghiệm. 2000. T. Background and foreground modeling using non-parametric kernel density estimation for visual surveillance. Robust real-time periodic motion detection.P.K. Human motion analysis: A review.P. S. [6] H. Multi-object tracking using dynamical graph matching. Cutler and L. Multimedia Video-Based Surveillance Systems. Shi. Jackson. Harwood. B. pages 500–511. Vision-based human tracking and activity recognition. Amer. Papanikolopoulos. of Fifth IEEE Conf. of the 11th Mediterranean Conf. Ziliani. June 2003. Boston. Davis. Computer Vision and Image Understanding. Aggarwal and Q. Santa Clara. and J. [3] E. Lin. and J.M.

D. Cutler. Computer Vision and Image Understanding. D. 1996. June 1999. Goedeke. Harwood. 2002. Colorado. pages 15–21. Haritaoglu. P. Technical report CMU-RI-TR-00-12. [26] P. Lipton. A. pages 605–606. KaewTraKulPong and R. Stauffer. pages 1–19. Flame recognition in video. [21] T.[10] R. [23] W. Bowden. In Proc.L. In Proc. and D. Cardboard people: a parameterized model of articulated image motion. 2002. A system for real-time fire detection. chapter 16. In International Workshop on Visual Surveillance. [12] H. [24] Y. T. pages 74–81. Shah. C. Brodsky et al. Phillips III. 1999. Shape-based detection of humans for video surveillance. Real time human motion analysis by image skeletonization. Kluwer Academic Publishers. pages 135–144. In Proc. and Y. University of Maryland at College Park. Remagnino. Davis. Boston. on Image Processing. 1998. 2001. Lin. M. Grimson. [17] I. Bobick. In Proc.. M. A real-time system for monitoring of cyclists and pedestrians. Carnegie Mellon University. and L. Ju. Kluwer Academic Publishers. Spain. T. 1998. In Proc. 2003. pages 82–89. pages 51–61. 1999.J. Jones. In Fifth IEEE Workshop on Applications of Computer Vision. Conf. Fort Collins. Boston. [14] D. [20] J. B. Heikkila and O. Wiley. Harwood. Kluwer Academic Publishers. In Proc. Barcelona.A. pages 38–44. A Real Time System for Detection and Tracking of People and Recognizing Their Activities.E. R. Heijden. A statistical approach for realtime robust background subtraction and shadow detection. Image Based Measurement Systems: Object Recognition and Parameter Estimation. and H. Video-Based Surveillance Systems. 1993. 81(3):385– 397. Harwood.S. PhD thesis.Schlgl. An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection. of IEEE Frame Rate Workshop. In Computer Vision and Pattern Recognition. and L. 1998. [13] D. [18] G. [16] I. January 1996. [11] T. and W. Video surveillance of interactions. Davis. Boston. Kerkyra. Ivanov. Yaccob. and G. of Workshop Applications of Computer Vision. Black. Silven. D. S. pages 962–967. Visual Surveillance in Retail Stores and in the Home. [25] S. Robotics Institute. Healey. U.Winter. D. of the IEEE International Conference on Automatic Face and Gesture Recognition. of Second IEEE Workshop on Visual Surveillance. Da Vitoria Lobo. December 2000. Haritaoglu. Collins et al. Greece. and N. June 1999.S. Slater.S. pages 193–204. Computer Vision and Pattern Recognition. M. pages 224–229. [15] I. The analysis of human motion and its application for visual surveillance. [19] F. Haritaoglu. Colorado. 2002. Drda. of IEEE Int. Gavrila. VideoBased Surveillance Systems. Horprasert. Greenhill. T. pages 3–5. [22] H. W4: A real time system for detecting and tracking people. Video-Based Surveillance Systems. chapter 11. Fort Collins. VIGILANT. A system for video surveillance and monitoring: VSAM final report. of the 2nd IEEE International Workshop on Visual Surveillance. Fujiyoshi and A. Fort Collins.Bischof. . A. M. Backpack: Detection of people carrying objects using silhouettes. and L.Ramoser. Davis. chapter 4. May 2000.

B. Jorge. Conf. [29] A. Marques. Liu and N. of International Conference on Automatic Face and Gesture Recognition. and C. and O. September 2002. U. A Comparison between Continuous and Burst. M. pages 767–776. KiMPA: A kinematicsbased method for polygon approximation. of Image and Vision Computing. Regazzoni and P. [39] C. pages 186–194. Video-Based Surveillance Systems. Poggio. Moving target classification and tracking from real-time video. Germany. G. of Asian Conference on Computer Vision. 2000. Fujiyoshi. Tracking interacting people. G. 1998. New Zealand. Carnegie Mellon University. In Proc. Tracking people in presence of occlusion. Shah. Oberti. 2002. J. S. PA. H. Ulusoy. Jabri. and O. [32] D. Wechsler. In IEEE Int. [36] F. Cardiff. Background subtraction techniques. Madison. [28] A. J. Z. of IEEE CVPR Workshop on the Interpretation of Visual Motion. Evgeniou. Loncaric. Vision based fire detection. and R. Image Processing. In Proc. August 1998. Gudukbay. June 2002. Hunter. Abrantes. A trainable pedestrian detection system. 2002. August 2004. of Statistical Methods in Video Processing Workshop. Ahuja.S. A histogram-based approach for object-based query-by-shape-and-color in multimedia databases. Cambridge. In Proc. of British Machine Vision Conference. 2002. Saptharishi. pages 129–136. CA. Regazzoni. McKenna. pages 652–658. Saykol. [38] C. Gulesir. pages 241–246. Lipton. background and motion models. M. December 1999.[27] S. Magee.B. P. [37] J. Of Computer Vision and Pattern Recognition. Hampshire II. Lemos. Taipei. and T. January 2000. Tracking groups of pedestrians in video sequences. chapter 22. to appear. In Proc. pages 497–500. J. Pattern Recognition. Khan and M.J. Khosla. Boston. [30] C. Varshney. In IEEE International Conference on Pattern Recognition. 2000. pages 267–278. pages 1132–1137. Sclaroff. of Workshop Applications of Computer Vision. Auckland. page 101. In Proc. Duric. [43] E. In Proc. A survey of shape analysis techniques. Agent-based moving object correspondence using differential discriminative diagnosis. [42] E. In Proc. Ulusoy. 2000. S. Robotics Institute. Owens and A. M. U. In Proc. Lipton. Turkey. Taiwan. [41] M. Santa Barbara. UK. and H. of IEEE Workshop on Multi-Object Tracking. October 1998. [40] R. Recognition Driven Transmission Policies in Distributed 3GSS. Papageorgiou. A. on Intelligent Vehicles. Improved tracking of multiple humans with trajectory prediction and occlusion modeling. [31] S. Tracking multiple vehicles using foreground. 31(8):983–1001. In Proc. In International Conference on Advances in Information Systems (ADVIS’02). and J. 2002. [35] S. Multi-sensor surveillance. S. Saykol. Local application of optic flow to analyse rigid versus non-rigid motion. 1998. pages 348–353. Bilkent University. Conf. J. Ferrari. Rosales and S. Pittsburgh. June 2003. In Proc. [33] J. R. A fast model-free morphology-based object tracking algorithm. of IEEE Int. Gudukbay. Technical Report CMU-RI-TR-99-13. T. Patil. Izmir. McIvor. [34] A. Technical Report BUCE-0201. UK. Kluwer Academic Publishers. . pages 7–12. and P.

Grimson. Classifying moving objects as rigid or non-rigid. Zhao. J. Pentland. . Pattern Recognition. pages 341–358. and P. Kluwer Academic Publishers. IEEE Pattern Recognition and Machine Intelligence. Hu. July 1997. H. Bilkent University. of International Conference on Computer Vision. Nevatia. Ellis. W. Lv. T. Grimson. [53] M. Ning. In First ACM SIGMM International Workshop on Video Surveillance. T. Fusion of static and dynamic features of body biometrics for gait recognition. Nice. Chang. A. 1998. R. P. and W. and A. 1999. 36(3):585–601. Xu and T. Automatic face region detection in mpeg video sequences. [51] L.L. Department of Electrical and Electronics Engineering. T. 2001. 2003. 22(8):747–757. pages 101–111. March 2003. Azarbayejani. Wang. pages 1449–1454. Stauffer and W. Segmentation and tracking of multiple humans in complex situations. [55] X. Toreyin. 2001.[44] C. Principles of Visual Information Retrieval. Stauffer and W. Hu. ACM Press. page 246252. pages 87–119. In Proc. of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Wang. [46] B. Colour-Invariant Motion Detection under Fast Illumination Changes. State-of-the-art in shape matching. pages 194–201. [45] C. R. Springer. Adaptive background mixture models for realtime tracking. In Proc.E. Master’s thesis. R. [50] L. 19(7):780– 785. Wixson and A. Darrell. Recent developments in human motion analysis. Kanade. Moving object detection and tracking in wavelet compressed video. Wang and S. and F. In Proc. of DARPA Image Understanding Workshop.C. [49] L. IEEE Pattern Recognition and Machine Intelligence. Wren. [54] T. Veltkamp and M. and T. U. [47] R. T. Selinger. chapter 8. In Proc. SPIE Photonics China. of USC Computer Vision. Video-Based Surveillance Systems. 2003. [52] C. Pfinder: Real-time tracking of the human body. Learning patterns of activity using real-time tracking. 2002. [48] H. pages 160–168. August 2000. In Electronic Imaging and Multimedia Systems. France. pages 113–120. Zhou. A master-slave system to acquire biometric imagery of humans at distance. November 1996. Tan. Metes.F. Tan. Hagedoorn. 2003. Collins. Boston.