Дослідження методів виявлення об`єктів на відеозображеннях
dc.citation.epage | 87 | |
dc.citation.issue | 1 | |
dc.citation.journalTitle | Комп’ютерні системи та мережі | |
dc.citation.spage | 80 | |
dc.citation.volume | 2 | |
dc.contributor.affiliation | Національний університет “Львівська політехніка” | |
dc.contributor.affiliation | Lviv Polytechnic National University | |
dc.contributor.author | Пуйда, В. Я. | |
dc.contributor.author | Стоян, А. О. | |
dc.contributor.author | Puyda, V. | |
dc.contributor.author | Stoian, A. | |
dc.coverage.placename | Львів | |
dc.coverage.placename | Lviv | |
dc.date.accessioned | 2021-04-20T12:35:35Z | |
dc.date.available | 2021-04-20T12:35:35Z | |
dc.date.created | 2020-03-01 | |
dc.date.issued | 2020-03-01 | |
dc.description.abstract | Завдання виявлення об’єктів на відеозображеннях характерна для сучасних систем технічого зору (СТЗ), орієнтованих на різні функціональні застосування. Виявляти об`єкти можна як на статичних відеозображеннях, так і на виділених з відеопотоку кадрах. За своєю суттю виявлення об’єктів на відеозображенні, як правило, означає виявлення яскравісних чи кольорових неоднорідностей, які на подальших етапах можна трактувати як фізичні об`єкти. Крім цього, ще можна виконувати операції визначення координат, лінійних розмірів та інших характеристик цих неоднорідностей, які надалі використовувати для розв’язання інших задач в СТЗ, наприклад, для ідентифікації об`єктів. Досліджено три алгоритми, які можна використати для виявлення об’єктів різної природи за різними підходами: виявлення кольорових неоднорідностей, визначення міжкадрової різниці, використання детектора особливих точок. Як вхідну інформацію використовують відеопотік, що вводиться з відеокамери або з файла типу “mp4”. Моделювали алгоритми на універсальному комп`ютері та на апаратній платформі з відкритим кодом, побудованій на базі процесора Broadcom BCM2711, quad-core Cortex-A72 (ARM v8) 64-bit SoC із робочою частотою 1,5 GHz. Програми моделювання підготовлено в середовищі Visual Studio 2019 з використанням бібліотек OpenCV4 для Windows 10 на універсальному ПК та Linux (ОС Raspbian Buster) для платформи з відкритим кодом. Здійснено порівняльний аналіз вибраних методів. Отримані результати можна використати в наукових дослідженнях та для проєктування реальних СТЗ різного функціонального призначення | |
dc.description.abstract | Detecting objects in a video stream is a typical problem in modern computer vision systems that are used in multiple areas. Object detection can be done on both static images and on frames of a video stream. Essentially, object detection means finding color and intensity non-uniformities which can be treated as physical objects. Beside that, the operations of finding coordinates, size and other characteristics of these non-uniformities that can be used to solve other computer vision related problems like object identification can be executed. In this paper, we study three algorithms which can be used to detect objects of different nature and are based on different approaches: detection of color non-uniformities, frame difference and feature detection. As the input data, we use a video stream which is obtained from a video camera or from an mp4 video file. Simulations and testing of the algoritms were done on a universal computer based on an open-source hardware, built on the Broadcom BCM2711, quad-core Cortex-A72 (ARM v8) 64-bit SoC processor with frequency 1,5 GHz. The software was created in Visual Studio 2019 using OpenCV 4 on Windows 10 and on a universal computer operated under Linux (Raspbian Buster OS) for an open-source hardware. In the paper, the methods under consideration are compared. The results of the paper can be used in research and development of modern computer vision systems used for different purposes. | |
dc.format.extent | 80-87 | |
dc.format.pages | 8 | |
dc.identifier.citation | Пуйда В. Я. Дослідження методів виявлення об`єктів на відеозображеннях / В. Я. Пуйда, А. О. Стоян // Комп’ютерні системи та мережі. — Львів : Видавництво Львівської політехніки, 2020. — Том 2. — № 1. — С. 80–87. | |
dc.identifier.citationen | Puyda V. On methods of object detection in video streams / V. Puyda, A. Stoian // Kompiuterni systemy ta merezhi. — Lviv : Lviv Politechnic Publishing House, 2020. — Vol 2. — No 1. — P. 80–87. | |
dc.identifier.issn | 2707-2371 | |
dc.identifier.uri | https://ena.lpnu.ua/handle/ntb/56361 | |
dc.language.iso | uk | |
dc.publisher | Видавництво Львівської політехніки | |
dc.publisher | Lviv Politechnic Publishing House | |
dc.relation.ispartof | Комп’ютерні системи та мережі, 1 (2), 2020 | |
dc.relation.references | 1. A Fast HSV Image Color and Texture Detection and Image Conversion Algorithm / Monika Deswal1 , Neetu Sharma2 – International Journal of Science and Research (IJSR). | |
dc.relation.references | 2. Wenchao Huang, Yake Kang, Song Zheng. An improved frame difference method for moving target detection, Chinese Automation Congress (CAC) 2017, pp. 1537–1541, 2017. | |
dc.relation.references | 3. An Improved ORB Algorithm of Extracting and Matching Features / Lei Yu1 , Zhixin Yu1 and Yan Gong2 - International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 8, No. 5 (2015), pp. 117–126. | |
dc.relation.references | 4. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features // 11th European Conference on Computer Vision (ECCV), Heraklion, Crete. LNCS Springer, September 2010. | |
dc.relation.references | 5. ORB: an efficient alternative to SIFT or SURF / Ethan Rublee, Vincent Rabaud, Kurt Konolige Gary Bradski Willow Garage, Menlo Park, California. | |
dc.relation.references | 6. Harris, C., Stephens, M., 1988, A Combined Corner and Edge Detector, Proceedings of 4th AlveyVision Conference. | |
dc.relation.references | 7. R. P. a. T. D. Edward Rosten. Faster and better: a machine learning approach to corner detection, 2008. | |
dc.relation.references | 8. A Fast HSV Image Color and Texture Detection and Image Conversion Algorithm / Monika Deswal1, Neetu Sharma2. International Journal of Science and Research (IJSR)/ | |
dc.relation.references | 9. Max K. Agoston. Computer Graphics and Geometric Modelling: Mathematics (v. 2) 2005th Edition. | |
dc.relation.references | 10. Jayaraman, S. Digital Image Processing. Tata McGraw Hill, 2009. | |
dc.relation.references | 11. Multiresolution Image Processing and Analysis / A. Rosenfeld. Springer-Verlag, 1984. | |
dc.relation.references | 12. Baya H., Essa A., Tuytelaarsb T., Van Goola L., Speeded-Up Robust Features (SURF), Computer Vision and Image Understanding 110 (2008), no. 3, 346–359. | |
dc.relation.references | 13. Volodymyr Puyda. SURF features extraction in a computer vision system. advances in cyber-physical systems, Volume 1, Number 1 (2017). | |
dc.relation.references | 14. Lozynsky V., The matching filtration on the basis of differential PCM // Proceedings of the International Conference Metody i Technika Przetwarzania Sygnaіуw w Pomiarach Fizycznyh MSM’2003, Rzeszуw, Poland, 2003. S. 193–201. | |
dc.relation.references | 15. Kharkevych O. O. Spektry ta analiz. М.: Fizmathiz, 1962. 236 p. (in Russian). | |
dc.relation.referencesen | 1. A Fast HSV Image Color and Texture Detection and Image Conversion Algorithm, Monika Deswal1 , Neetu Sharma2 – International Journal of Science and Research (IJSR). | |
dc.relation.referencesen | 2. Wenchao Huang, Yake Kang, Song Zheng. An improved frame difference method for moving target detection, Chinese Automation Congress (CAC) 2017, pp. 1537–1541, 2017. | |
dc.relation.referencesen | 3. An Improved ORB Algorithm of Extracting and Matching Features, Lei Yu1 , Zhixin Yu1 and Yan Gong2 - International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 8, No. 5 (2015), pp. 117–126. | |
dc.relation.referencesen | 4. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features, 11th European Conference on Computer Vision (ECCV), Heraklion, Crete. LNCS Springer, September 2010. | |
dc.relation.referencesen | 5. ORB: an efficient alternative to SIFT or SURF, Ethan Rublee, Vincent Rabaud, Kurt Konolige Gary Bradski Willow Garage, Menlo Park, California. | |
dc.relation.referencesen | 6. Harris, C., Stephens, M., 1988, A Combined Corner and Edge Detector, Proceedings of 4th AlveyVision Conference. | |
dc.relation.referencesen | 7. R. P. a. T. D. Edward Rosten. Faster and better: a machine learning approach to corner detection, 2008. | |
dc.relation.referencesen | 8. A Fast HSV Image Color and Texture Detection and Image Conversion Algorithm, Monika Deswal1, Neetu Sharma2. International Journal of Science and Research (IJSR)/ | |
dc.relation.referencesen | 9. Max K. Agoston. Computer Graphics and Geometric Modelling: Mathematics (v. 2) 2005th Edition. | |
dc.relation.referencesen | 10. Jayaraman, S. Digital Image Processing. Tata McGraw Hill, 2009. | |
dc.relation.referencesen | 11. Multiresolution Image Processing and Analysis, A. Rosenfeld. Springer-Verlag, 1984. | |
dc.relation.referencesen | 12. Baya H., Essa A., Tuytelaarsb T., Van Goola L., Speeded-Up Robust Features (SURF), Computer Vision and Image Understanding 110 (2008), no. 3, 346–359. | |
dc.relation.referencesen | 13. Volodymyr Puyda. SURF features extraction in a computer vision system. advances in cyber-physical systems, Volume 1, Number 1 (2017). | |
dc.relation.referencesen | 14. Lozynsky V., The matching filtration on the basis of differential PCM, Proceedings of the International Conference Metody i Technika Przetwarzania Sygnaiuw w Pomiarach Fizycznyh MSM2003, Rzeszuw, Poland, 2003. S. 193–201. | |
dc.relation.referencesen | 15. Kharkevych O. O. Spektry ta analiz. M., Fizmathiz, 1962. 236 p. (in Russian). | |
dc.rights.holder | © Національний університет “Львівська політехніка”, 2020 | |
dc.rights.holder | © Пуйда В. Я., Стоян А. О., 2020 | |
dc.subject | виявлення об'єктів на відеозображенні | |
dc.subject | особливі точки | |
dc.subject | детектор ORB | |
dc.subject | комп’ютерний зір | |
dc.subject | виявлення рухомих об’єктів | |
dc.subject | HSV колірна модель | |
dc.subject | object detection | |
dc.subject | feature points | |
dc.subject | keypoints | |
dc.subject | ORB detector | |
dc.subject | computer vision | |
dc.subject | motion detection | |
dc.subject | HSV model color | |
dc.subject.udc | 681.3 | |
dc.subject.udc | 004.62 | |
dc.title | Дослідження методів виявлення об`єктів на відеозображеннях | |
dc.title.alternative | On methods of object detection in video streams | |
dc.type | Article |
Files
License bundle
1 - 1 of 1