2 / 17
Селективно-ковариационный метод локализации, классификации и отслеживания людей…
ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2016. № 6
55
Прежде чем переходить к постановке задачи настоящей статьи и сравнительно-
му анализу ее с известными работами, введем ряд понятий.
Плоское изображение (в нашем случае прямоугольное), формируемое цифро-
вой видеокамерой в момент времени
t,
будем называть
кадром
. Кадр, получаемый в
момент времени
t
видеокамерой
c
, координаты пикселей которого в декартовой
системе координат принадлежат соответственно множествам
V
по горизонтали и
W
по вертикали, обозначим
c
t
I
(
V,W
)
.
Отдельный пиксель в кадре будем обозна-
чать
c
t
I
(
v,w
)
, v
V, w
W.
Видеопотоком
будем называть последовательность кад-
ров
c
t
I
(
V,W
)
,
1
c
t
I
(
V,W
),
...
,
c
t k
I
(
V,W
)
.
Записями
c
Rt
I
(
v,w
),
c
Gt
I
(
v,w
) и
c
Bt
I
(
v,w
)
будем обозначать соответственно компоненты
R
,
G
и
B
пикселя
c
t
I
(
v,w
) кадра
c
t
I
(
V,W
).
Множество пикселей кадра
c
t
I
(
V,W
), содержащих интересующий на объект
(например, лицо человека), назовем областью интереса. Область интереса кадра
c
t
I
(
V,W
) обозначим
c
t
R
(
V
R
,W
R
), где
V
R
V
,
W
R
W
. Множество пикселей кад-
ра, не принадлежащих области интереса, назовем
фоном.
Локализацией
объекта называется нахождение области интереса, содержа-
щей этот объект, в кадре в момент времени
t
.
Отслеживанием
объекта называется процесс последовательной локализа-
ции в кадрах
1
,
, ...,
c c
c
t t
t k
I I
I
областей интереса
1
,
, ...,
,
c
c
c
t
t
t k
R R R
содержащих от-
слеживаемый объект.
Классификацией
областей интереса назовем неявное разбиение множества
всех этих областей на подмножества, называемые классами. Для классификации
используется дескриптор класса, изначально вычисляемый на основе опреде-
ленных признаков выбранного объекта, принадлежащего классу, и используе-
мый в дальнейшем для локализации и классификации как эталон, с которым
сравнивается вычисляемый по тем же признакам и алгоритму дескриптор,
называемый образцом. Сравнение осуществляется путем вычисления значения
критерия близости эталона к образцу. Если значение критерия близости не пре-
вышает определенного порога, то считается, что объект принадлежит классу
дескриптора класса. Классификации
области интересов посвящено много раз-
личных методов, основные отличия которых связаны с типами используемых
дескрипторов. Все эти методы обычно подразделяют на две больших группы.
Методы первой группы при формировании дескриптора используют нахож-
дение ключевых точек, выделение специфических признаков объекта, наилуч-
шим образом характеризующих его геометрические особенности (углы, дуги,
линии, выпуклости, вогнутости, формы контура и т. д.). Среди методов данной
группы можно выделить использование дескрипторов SIFT в работах [1, 2], ос-
нованных на выделении признаков, инвариантных к повороту и масштабирова-
нию, метод
shape context
[3], нахождение характерных частей (в частности, ча-
стей тела человека [4]), силуэтов [5] и т. п. Существенным недостатком данных