Проектирование и техническая реализация систем цос the program of processing of thermal images

The program of processing of thermal images

Buzylyov F., Pankov V., Osipova L., Stukas A.

The Moscow State Institute of Radiotechnics, Electronics and Automatics (Technical University)

78, Prospekt Vernadskogo, Moscow, Russia, 117454, Tel. (095) 434-91-56

Digital processing of thermal images can be defined as process, during which the image:

– or it is modified, for reception new which will be person more convenient for research;

– or it is transformed to set connected with area of supervision of the parameters analyzed automatically, or directly represented to the person, in view of the preset criteria for development of the conclusion.

As a rule, result of digital processing is the new image which can be transformed to the analog form and directly to observe on the display.

The image, or electric signal representing it is possible easily to describe analytically with the help of function of three variables f (x, y, t), reflecting size of a signal in a point with coordinates (x, y) at the moment of time t. From each analog image f (x, y), time received at present, at processing receive digital image F (i, j), carrying out spatial splitting and digitization on a level grey. In result the image is reproduced in a computer as a matrix which each element F (i, j) correspondsto a point of the image and refers to as an element or pixel.

The sequence of the basic stages of digital processing of the thermal images eazy can be presented as follows:

- reduction of multiplicate distortions;

- reduction of noise;

- increase of contrast;

- allocation of separate objects;

- segmentation;

- allocation of contours;

- identification;

- recognition of images.

REFERENCES

1. Prett U.Tsifrovaja processing of images. - M.: the World, 1982.



АВТОМАТИЗАЦИЯ КРИМИНАЛИСТИЧЕСКОЙ ИДЕНТИФИКАЦИИ ИСПОЛНИТЕЛЯ РУКОПИСНЫХ ТЕКСТОВ

Никонец Д.А.

Московский инженерно-физический институт (государственный университет)

Использование компьютерных технологий, в том числе применение нейронных сетей для автоматизации экспертной работы, увеличивает производительность труда эксперта-криминалиста, способствует более объективной оценке исследуемого комплекса признаков и повышает качество принимаемого решения [1-2].

В настоящее время ведётся разработка АРМ эксперта-криминалиста “FHWE v. 1.0” [2]. Один из режимов работы АРМа представляет собой автоматизированный вариант методики идентификации исполнителя рукописного текста по прописным буквам [1]. Данная методика [1] разработана как дополнение к методике идентификации исполнителя рукописного текста по строчным буквам и цифрам, разработанной в ВНИИСЭ МЮ СССР.

Первой решаемой задачей при разработке АРМ “FHWE v. 1.0” было формирование справочника частных признаков букв русского языка, используемых в качестве характеристик почерковых объектов. Для чего было использовано разбиение 28 прописных букв (не рассматривались признаки для букв «Ё», «Й», «Ь», «Ы», «Ъ») на элементы. Всего для 28 прописных букв было выделено 1846 частных признаков.

Рассмотрим математическую постановку задачи. Предположим, что - множество частных признаков рукописных букв русского языка, характеризующих исполнителей рукописных текстов. Все потенциальные исполнители образуют множество людей, владеющих письмом на русском языке. Тогда различных исполнителей, выполнивших рукописные образцы, составляющие обучающую выборку, образуют множество , являющееся подмножеством : . Рассмотрим исполнителя . - элемент множества : . Для исполнителя характерен комплекс из встречающихся в его письме признаков. Без потери общности будем считать, что в этот комплекс входят первые признаков из множества частных признаков. Следовательно, будем рассматривать комплекс из признаков .

Пусть событие - у есть признак . Предположим, что события статистически независимы при разных и могут иметь место с постоянной вероятностью . Получили схему испытаний Бернулли.

Для решения поставленной задачи необходимо оценить вероятность появления комплекса признаков . В силу предположения о статистической независимости появления признаков вероятность появления комплекса признаков будет равна

Основная задача – найти интервальную оценку на основе изучения выборки . Обозначим искомую интервальную оценку . Для получения используем интервальные оценки вероятностей появления соответствующих признаков где - заданный коэффициент доверия.

Согласно общей теории интервальных оценок [4] верхний доверительный предел для неизвестной вероятности (параметра биноминального распределения) определяется как решение уравнения [4] (1), где - заданный коэффициент доверия, - общее количество независимых испытаний, - количество испытаний в которых наблюдалось событие , - функция
B-распределения. Учитывая статистическую независимость и , получаем (2).

На практике (особенно при расчётах вручную) не всегда удобно оперировать вероятностями и из-за того, что необходимо перемножать большое количество чисел. Поэтому для и вводятся соответствующие идентификационные значимости позволяющие перейти от умножения чисел к их сложению. Соответственно, для и вводятся суммарные идентификационные значимости

Если положить , то из (2) получаем равносильное неравенство, и, следовательно, получим Таким образом, истинная суммарная идентификационная значимость комплекса признаков не меньше оценочной суммарной идентификационной значимости с вероятностью (надёжность процедуры идентификации). Оценки и, соответственно, можно получить из (1) или используя нормальную или пуассоновскую аппроксимации. В качестве порогового значения суммарной идентификационной значимости взято .

Расчёт оценок идентификационных значимостей выполнен с учётом априорной информации о поле исполнителя. Т.е. отдельно получены оценки для случаев, когда известно, что исполнитель мужчина, женщина и пол неизвестен. Порядок действий при использовании методики [1]:

1. Установление пригодности объектов для решения задачи (степень выработанности почерка не ниже средней).

2. Выделение признаков совпадающих в представленных образцах. В зависимости от числа таких признаков и с учётом априорной информации о поле исполнителя выбирают соответствующие оценки идентификационных значимостей .

3. Определение суммарной идентификационной значимости .

4. Принятие решения о тождестве исполнителей в случае, когда суммарная идентификационная значимость больше или равна пороговому значению, т.е. .

Приведём пример использования методики [1]. Необходимо определить выполнены ли два документа одним лицом (см. рис. 1,2).



Рис. 1. Пример рукописного объекта А


Рис. 2. Пример рукописного объекта Б
Известно, что исполнитель мужчина. Всего выделено 15 признаков. Используются соответствующие оценки идентификационных значимостей из методики [1]. Примеры некоторых выделенных совпадающих в документах А и Б (см. рис. 1, 2) признаков и оценки их идентификационных значимостей занесены в таблицу 1.

Таблица 1. Примеры совпадающих в документах А и Б признаков

Буква	Группа признака	Признак	Схематичное изображение	Информативность
В	Форма движения при выполнении	1-го элемента - прямолинейная		0.07
Н	Форма движения при выполнении	1-го элемента - прямолинейная		0.02
О	Форма движения при выполнении	начальной части - дуговая		0.74

Для 15 выделенных совпадающих признаков получим суммарную идентификационную значимость равную , что больше порогового значения . По результатам исследования рукописных документов А и Б (см. рис. 1, 2) сделан вывод, что документы выполнены одним лицом.

При автоматизации методики [1] в подсистеме идентификации исполнителя рукописных текстов “IDSFHWE v. 1.0” в АРМ эксперта-криминалиста “FHWE v. 1.0” [2] при помощи подсистемы распознавания “RSFHWE v. 1.0” [2] для принятия решения создана двухслойная нейронная сеть с линейными и пороговыми функциями активации. Также автоматизация методики [1] возможна в виде специального устройства определения фальшивых рукописных документов на русском языке [3].

В настоящий момент времени разрабатывается модифицированная методика идентификации исполнителя рукописных текстов, позволяющая исправить некоторые недостатки существующих методик и более точно получить оценки идентификационных значимостей :

• 
  используется обучающая выборка, содержащая 692 рукописных образца (в методике ВНИИСЭ МЮ СССР – 300);
  
• 
  учитывается априорная информация о поле и возрасте исполнителя (в методике [1] – только о поле, а в методике ВНИИСЭ МЮ СССР априорная информация об исполнителе не учитывается);
  
• 
  расчеты выполнены для нескольких значений надёжности процедуры идентификации;
  
• 
  рассматривается возможность не только категорического, а и вероятностного вывода о тождестве исполнителей исследуемых образцов рукописных текстов;
  

При реализации модифицированной методики планируется использование нейронных сетей для расчёта оценок идентификационных значимостей и для принятия решения о тождестве исполнителей рукописных текстов.

Выводы

Использование компьютерных технологий для автоматизации экспертной работы увеличивает производительность труда эксперта-криминалиста, способствует более объективной оценке исследуемого комплекса признаков и повышает качество принимаемого решения.

Существуют методики для идентификации исполнителей рукописных объектов, предусматривающие проведение расчётов только вручную. Для повышения эффективности работы экспертов-криминалистов необходима автоматизация этих методик.

В настоящий момент разрабатывается модифицированная методика, автоматизированный вариант которой будет реализован в АРМ эксперта-криминалиста “FHWE v. 1.0”.

Состояние дел в области почерковедческих экспертиз убедительно показывает на необходимость создание автоматизированных средств поддержки почерковедческих экспертиз.

Литература

1. 
   Методика вероятностно-статистической оценки совпадающих частных признаков почерка в прописных буквах русского алфавита: Справочное пособие /Левицкий А.Б., Кулик С.Д., Челышев М.М. и др. – М.: ВНИИ МВД СССР, 1990.
   
2. 
   Никонец Д.А. Автоматизация криминалистического исследования рукописных текстов при помощи нейронных сетей //Труды РНТОРЭС им. А.С. Попова, 10-я Международная конференция и выставка Цифровая обработка сигналов и её применение. Выпуск Х-2.—М.: РНТОРЭС, 2008.—С.693-697.
   
3. 
   Кулик С.Д., Никонец Д.А., Ткаченко К.И., Жижилев А.В. Патент на полезную модель №73750, Российская Федерация (RU), кл. МПК7 G 07 D 7/00. Устройство определения фальшивых рукописных документов на русском языке /С.Д. Кулик, Д.А. Никонец, К.И. Ткаченко, А.В. Жижилев (Россия). —Заявка №2007147832/22; Заяв. 25.12.2007; Зарегистр. 27.05.2008; Приоритет от 25.12.2007. Опубл. Бюл. №15.–Ч.3.–С.860.–(РОСПАТЕНТ).
   
4. 
   Большев Л.Н., Смирнов Н.В. Таблицы математической статистики.–М.: Наука, 1983.– 416с.
   

AUTOMATIZATION OF THE FORENSIC IDENTIFICATION OF THE PERFORMER OF THE HAND-WRITTEN TEXT

Nikonets D.

Moscow Engineering Physics Institute (State University)

The paper deals with the automation of the identification forensic handwriting expertise.

Usage of computer technologies, including application of neural networks for automation of forensic expert work, increases labour productivity of the forensic expert, promotes more objective assessment of an investigated complex of the handwriting features and improves quality of the forensic expert decision.

It was decided to develop automated workplace for forensic handwriting expert "FHWE v 1.0". The first solved problem in the elaboration of the program "FHWE v.1.0" was the designing of a reference database of features of the capital letters of the Russian language, used as characteristics of handwriting objects. For this purpose, 28 capital letters were divided into elements. As a result, the compiled reference database of features of capital letters, used as a characteristic of handwriting objects, contains 1846 elements.

To form a database of samples of handwriting objects, experts used 692 hand-written documents. They knew exactly the age, sex, nationality and profession of the performers of these written objects. As a result of investigation by forensic handwriting experts, a list of elements of the reference database of capital letters features of the Russian language met in these documents has been made. About 100000 correspondences of features of the letters in the written documents have been chosen.

One of subsystems of the automated workplace "FHWE v 1.0" represents the automated variant of the identification technique of the hand-written text performer by Russian language capital letters features. Given technique is developed as addition to the identification technique of the hand-written text performer by features of the lower case letters and figures, developed by VNIISE of the Ministry of Justice of the USSR.

Formulation of the problems for the identification forensic handwriting expertise and possible ways of their solving, offered in a technique, are described.

The description, algorithm of use, examples of hand-written texts samples, examples of the allocated handwriting features of the capital letters in Russian and examples of hand-made calculations for the forensic techniques of identification of the hand-written text performer are presented.

The example of usage of the identification technique by the forensic handwriting expert, at carrying out identification forensic handwriting expertise, is presented in article.

The subsystem for identification of the performer of hand-written texts "IDSFHWE v. 1.0" is used for technique automation. The two-layer neural network with linear and threshold activation functions for computer aided decision support was created with usage of the recognition subsystem "RSFHWE v. 1.0". The neural network was implemented in frames of "IDSFHWE v. 1.0" subsystem.

Also it is possible to automate the technique by special device for determining of forged hand-written documents in Russian.

At the moment time the modified hand-written texts performer identification technique, allowing correcting some lacks of existing forensic techniques, is developing.



СТАТИСТИЧЕСКИЕ МЕТОДЫ СИНТЕЗА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Трофимов А.Т, Трофимов Я.А.

Международный университет природы, общества и человека «Дубна»

Искусственные нейронные сети (ИНС) получили наибольшее распространение для решения задач классификации. Имеются хорошие результаты их развития [1].

Однако, на сегодня, отсутствует строгая теория построения ИНС на основе характеристик о наблюдениях и условий допустимого уровня аппаратно-вычислительных затрат. Нами предлагается использовать для синтеза ИНС методы статистической теории принятия решений и применение полигауссовской вероятностной модели для наблюдаемых данных [2].

О полигауссовских моделях наблюдаемых данных

Наблюдаемые данные , где некоторый аргумент, можно представить в виде совокупности реализаций, принадлежащих некоторому множеству с выделением подмножеств , , I. При этом совокупность однородных по корреляционным свойствам реализаций, принадлежащих , может быть отнесена к гауссовскому случайному вектору с заданными корреляциями и математическими ожиданиями . При таком представлении наблюдаемые данные будут характеризоваться полигауссовской плотностью распределения вероятностей.

Под полигауссовской подразумевается плотность вероятности , представляемая в виде конечной выпуклой комбинации гауссовских плотностей , (1)

В виде (1) с любой наперёд заданной точностью может быть представлена плотность распределения вероятностей произвольного случайного процесса (явления, поля, и т.п.).

В смысле стохастической эквивалентности мы можем также записать ряд: (2)

Представление произвольного случайного процесса в виде (2) можно трактовать как разложение процесса в ряд по базису гауссовских с коэффициентами в виде ортогональных случайных величин, принимающих с вероятностями значение 1 и вероятностями - значение 0.

Вектор отображает состояние процесса. Действительно, в зависимости от реализации случайного вектора процесс будет характеризоваться тем или иным состоянием, т.е. относиться к некоторому i-му гауссовскому процессу при и , .

Используя представление (2), каждую из компонент можно разложить в ряд по некоторой полной в гильбертовом пространстве H системе ортонормированных функций .

Необходимо заметить, что этот ряд для полигауссовского процесса теряет привлекательность канонических разложений, когда являются некоррелированными и статически независимыми. Для полигауссовского процесса совокупность случайных коэффициентов в общем случае следует рассматривать как случайный вектор, имеющий с вероятностью средние значения и корреляционные матрицы .

Другими словами является полигауссовским вектором и отсчёты есть некоторые обобщённые координаты представления процесса . Вместе с тем, редукция исходных данных путём применения невырожденного линейного преобразования и переход к координатам позволяет в ряде случаев существенно снизить вычислительные затраты при реализации ИНС.

Структура ИНС

При решении задач классификации будем исходить из предположения, что наблюдения представлены полигауссовской моделью и характеризуются набором параметров

.

Наблюдения осуществляются на фоне аддитивных шумов также в общем случае представленных компонентой полигауссовской моделью. Таким образом совокупная полигауссовская плотность вероятности смеси наблюдаемых данных и шумов будет характеризоваться набором компонент.

Задача классификации, таким образом, сводится к принятию решения об отнесении наблюдаемой реализации , n=1,2,… к определённой i-ой гауссовской компоненте наблюдаемых данных.

Используя алгоритм обобщённого отношения правдоподобия на основе вектора достаточных статистик, мы получаем архитектуру 2-х слойной RBF-сети (см. рис.1).



Рис.1. Двухслойная RBF-сеть, БПЭ-базовый процессорный элемент

, .

Построение адаптивной ИНС

Используем для получения оценок параметров Θ рекуррентную процедуру

, где и - скалярный и матричный коэффициенты усиления соответственно.

Вычисление на n-ом шаге можно характеризовать, используя терминологию теории ИНС, как реализацию принципа распространения обратной ошибки.

Нами доказывается сходимость алгоритмов рекуррентного оценивания параметров Θ. При этом возможны определённые допущения в выборе коэффициентов и, учитывая псевдоградиентность получаемых при этом алгоритмов.

Описываемая выше архитектура ИНС была успешно применена нами для решения задачи распознавания звонких речевых сигналов. На рис.2 в качестве иллюстрации правильности функционирования ИНС изображен речевой сигнал соответствующий предложению, содержащему 5 звуков «О». На рисунке результат обнаружения этого звука представлен в виде функции скачка в момент произнесения этого звука.

Полученные результаты свидетельствуют о том, что методология построения ИНС может быть сведена к применению полигауссовской вероятностной модели для представления наблюдаемых данных и использованию классических статистических методов синтеза алгоритмов принятия решений. Аппаратно-вычислительные затраты при реализации ИНС будут характеризоваться количеством базовых процессорных элементов, равным количеству используемых гауссовских компонент полигауссовской модели, и задаваемым качеством представления наблюдаемых данных.


Рис. 2. Речевой сигнал u, соответствующий предложению с тремя фонемами «О». I – решающая функция

Литература

1. 
   Галушкин А.И., Итоги развития теории нейронных сетей в работах Научного центра нейрокомпьютеров, «Нейрокомпьютер», №1,2 1996 г.
   
2. 
   Трофимов А.Т. Полигауссовские вероятностные модели и синтез информационных систем / НовГУ им. Ярослава Мудрого. – Великий Новгород, 2002.
   

STATISTICAL METHODS OF SYNTHESIS OF ARTIFICIAL NEURAL NETWORKS

Trofimov A., Trofimov Ya.

Dubna International University of Nature, Society and Mankind

There is a big range of problems for which artificial neural networks (ANN) are applied. However ANN is most frequently used for decision of classification tasks.

Today there is no strict theory of construction of ANN on the basis of characteristics of observations and conditions of an admissible level of hardware-computing expenses. Anyhow, the researcher faces a problem of choice of required ANN structure.

Authors develop methodology for ANN synthesis which uses methods of the statistical theory of decision-making and application of polygauss statistically distributed models for observable data.

The report covers main principles of methodology used and considers the example based thereof.



НЕЙРОСЕТЕВАЯ ДЕТЕКЦИЯ ПЕШЕХОДОВ ПО ВИДЕОДАННЫМ

Белевский В.А.

Калужский филиал МГТУ им. Н.Э.Баумана

Согласно исследования организации NHTSA в мире ежегодно происходят сотни тысяч дорожных инциндентов с участием пешеходов [1], приводящих к травмам, а около 6% из них заканчиваютя фатально для пешехода. Данные факты заставляют производителей автомобилей тратить серьезные средства на разработку систем безопасности, призванных минимизировать человеческие жертвы и повреждения при ДТП.

Помимо традиционных систем пассивной безопасности, основное назначение которых – минимизировать вред, наносимый пешеходу при столкновении с автомобилем (заниженная передняя кромка капота, применения мягких материалов при его изготовлении и т.п.), в последние годы большое внимание стало уделяться и системам активной безопасности, которые занимаются прогнозированием и предотращением аварийной ситуации.

В зависимости от положения датчиков, различают:

• 
  стационарные системы, где набор сенсоров располагается в пределах перекрестка или опасного участка дороги, а информация о двужищихся по нему пешеходах передается приближающимся автомобилям посредством беспроводной сети.
  
• 
  системы, базирующиеся на транспортном средстве – на автомобиль устанавливается набор сенсоров, которые расширяют и дополняют поле зрения водителя. Информация с сенсоров обрабатывается бортовой ЭВМ и сообщается водителю, либо, в особо экстренных случаях, предпринимаются меры по принудительной автоматической остановке транспортного средства.
  

Для оценки дорожной обстановки могут используют следующие типы датчиков [2]:

• 
  Обычные видеокамеры. Сранительно дешевы, обладают небольним радиусом зрения и средним обзора, но требуют сложных алгоритмов со значительными вычислительными затрата при обработке потока поступающей с них информации.
  
• 
  Широкоформатные видеокамеры. Аналогичны по характеристиками обычным, но имеют специальную линзу, расширяющую угол обзора, что немного удорожает всю конструкцию.
  
• 
  Инфракрасные датчики ближнего и дальнего поля – позволяют улавливать тепло, исходящее от человеческого тела, что позволяет создавать системы, способные «видеть» в темноте. Обладают средними радиусом зрения и средней стоимостью, но по-прежнему требуют сложных и ресурсоемких алгоритмов для обнаружения объектов нужного вида.
  
• 
  Радар. Обладает самым большим радиусом действия и разрешением, узким полем зрения и средней стоимостью. В отличие от предыдущих сенсоров, позволяет оценить расстояние от объекта, позволяет работать в темноте и сложных погодных условиях: дождь, туман, снег. Имеет сравнительно простые алгоритмы обработки получаемых с него данных.
  
• 
  Лазерный сканер. По сравнению с радаром имеет более широкий угол обзора в ущерб радиусу действия, позволяет работать в темноте, но менее пригоден для сложных погодных условий. Достаточно дорог.
  

Характерной особенностью активных систем безопасности является работа в реальном времени. Из-за большой скорости движения автомобиля, от момента появления пешехода на границе поля зрения до столкновения, проходит всего несколько секунд, поэтому система компьютерного зрения, обрабатывающая информацию с сенсоров должна иметь задержу всего в доли секунды.

Наибольшее внимание в настоящиее время получили сенсоры-видеокамеры [2]. Однако видеоданные затрудняют анализ движения пешехода – для опредления направления и характера его движения требуется анализ нескольких кадров видеоряда, полученных с высоким разрешением, что требует не только сложных алгоритмов, но и увеличивает время реакции системы. Более того, главный недостаток стандартных видеокамер – невозможность работать в темноте – компенсируется использование высокочувствительных видеокамер, способных работать в условиях низкой освещенности [3], однако дающие значительное увеличение уровня шумов на изображении.

Для обнаружения объектов заданного размера на зашумленном изображении, получаемом с такой камеры предлагается использовать многослойную нейронную сеть, состояющую из нескольких двумерных слоев (Рис.1):

Сеть содержит слои F, P и B выполняющие роль буфера для задержки входного изображения, слой Е вычисляющий разностное изображение, слой G, выполняющий фильтрацию по нескольким кадрам и слои S1…SN, осуществляющие интегрирование полученного разностного изображения для выявления размера обнаруженного объекта. Пусть входное изображение в момент времени t представлено матрицей Мt. Тогда на выходах нейронов буферных слоев будут следующие значения: Ft = Мt (1), Pt = Ft-1 =Мt-1 (2), Bt = Pt-1 =Мt-2 (3)

Рис. 1. Многослойная нейронная сеть.

Слой E вычисляет разностное изображение по трем соседним кадрам видеоряда: E_t = (F_t - P_t) & (P_t - B_t) = (M_t - M_t-1) & (M_t-1 - M_t-2) (4). Обработка по формуле (4), а отличие от стандартной разности двух соседних кадров: E_t*= F_t - P_t = M_t - M_t-1 (5), позволяет удалить шумы камеры, возникающие при повышении ее чувствительности и выражающиеся в появлении одиночных белых и черных точек («соль и перец») на одном из кадров при их остувствии на других. В качестве примера, на рисунке 2б представлено изображение, обработанное по формуле (5), а на рисунке 2в – по формуле (4).



а) б) в) г)

Рис. 2. Этапы обработки изображения.

Тем не менее, уровень шума на изображении по-прежнему остается высоким (рис. 2в). Использование информации с четырех, пяти и более кадров нежелательно, т.к. увеличивает время отклика системы: при стандартной частоте 25 кадров в секунду, каждый лишний кадр дает задержку в 1/25 = 40 мс. Поэтому для окончательного удаления шумов с изображения используется фильтрующий слой G, подавляющий точеные объекты и сохраняющий более крупные без изменения.

g_ij=(g_ijg_i-1,j-1+g_ijg_i-1,j+...+g_ijg_i,j+1+g_ijg_i+1,j+1+e_ije_i-1,j-1+e_ije_i-1,j+...+e_ije_i,j+1+e_ije_i+1,j+1)/16 (6)

Фактически, вычисления по формуле (6) означают, что яркость пиксела, дошедшая до слоя E выравнивается с яркостью соседних пикселов этого слоя, а затем суммируется с выровненной яркостью пикселей предыдущей разности, которая на текущем шаге хранится в нейронах слоя G. Таким образом, на выходе нейронов слоя G формируется разностное изображение с подавленными шумами и учетом затухающей истории предыдущих кадров: G_t = G_t/2 + G_t-1/4 + G_t-2/8 + G_t-3/16 + ... (7).

Пример обработки изображения слоями F, P, B, E и G представлен на рис. 2г.

Слои S₁ - S_N образуют пирамиду изображений, каждый пискел одного уровня которой является суммой пикселей предыдущего уровня: (8), где a,b – число объединяемых пикселей по горизонтали и по вертикали соответственно, k – номер обрабатываемого слоя. Чем больше a и b – тем меньше слоев будет в пирамиде и тем меньше градаций размеров объектов будет воспринимать система.

Модуль D обеспечивает трактовку значений выходов нейронов слоев S₁ - S_N – номер слоя отвечает за размер объекта, а его положение в пределах слоя – положение центра объекта на исходном изображении.

Работа предлагаемой системы проверялась на реальных изображениях разрешением 720х480 пикселей, полученных посредством сверхчувствительной камеры L3Vision. При максимальной высоте пирамиды S₁ - S_N (a=b=1) была отмечена устойчивая работа системы при обнаружении обектов размером до 20 пикселей, меньшие объекты могут быть уничтожены при фильтрации в слое G.

Литература

1. 
   NHTSA Traffic Safety Facts 2005. www-nrd.nhtsa.dot.gov/Pubs/TSF2002.PDF
   
2. 
   Pedestrian Protection Systems: Issues, Survey, and Challenges ieeexplore.ieee.org/iel5 /6979/4298892/04298901.pdf
   
3. 
   L3Vision Imaging. www.e2v.com/products/ccd-and-cmos-imaging-and-semiconductors/imaging-l3vision.cfm
   

NEURAL NETWORK-BASED PEDESTRIAN DETECTION ON VIDEO

Belevsky V.

The Kaluga Brach of the Bauman Moscow State Technical University

According to the NHTSA report hundreds of thousands road incident with pedestrians happen every year [1]. That incidents bring pedestrian injuries, and around 6% of pedestrians dies as its result. This facts force vehicle manufactures to perform a car safety systems claiming to minimize human deaths and injuries in car crashes. A active safety systems are paid most attention last time. That systems analyze road information through data gathering from numerous sensors and warn driver about the proposal incident or even try to stop the cat automatically. Such systems should work in the real time as a high vehicle speed it has only some 100-th of a second to process data from sensor, favouring highly-parallel neural networks for application in such systems.

Video sensors (cameras) have are most widely used [2]. But such kind of sensor have a serious disadvantage – unavailability of using in low-light and dark conditions. For low-light conditions developer use high-sensitive video-cameras, that are available to fix a single quantum of light [3]. However real examples of high-sensitive cameras have a lot of noise on video recordered in a dark conditions. It is offered to use multi-layer neural network of the following structure to detect object of selected size on the noised camera video (Figure 1).

Fig. 1. Multi-layer neural network.

Neutral network contains F, P and B layers that are used as a buffer to delay input frames. Layer Е compute image difference using three neighbor frames information and suppress “salt and pepper” video noise. Layer G is used for filtering video data and accumulation frame history data. Layers S₁…S_N are used to integrate computed by previous layers image difference to determine size and position of detected object through analysis S₁…S_N layers neurons outputs in the module D_.

Proposed system was tested on the real videos with resolution 720х480 pixels, gathered from high-sensitive L3Vision camera. Stable system robustness was noted during experiments of detection object with size higher than 20 pixels. Objects with less size were neutralized during filtering in the layer G.

