Машинное зрение

3.3. Принципы функционирования  систем машинного зрения

Последовательность действий, выполняемых  системой машинного зрения, можно  представить в следующем виде:

 

 

Рис.5. Последовательность действий системы  машинного зрения

Изображение, полученное с камеры, попадает в захватчик кадров или  в память компьютера. Захватчик кадров - это устройство, которое преобразует выходные данные с камеры в цифровой формат (как правило, это двумерный массива чисел) и размещает изображения в памяти компьютера, так чтобы оно могло быть обработано с помощью программного обеспечения для машинного зрения.

Программное обеспечение, как правило, совершает несколько шагов для  обработки изображений. Часто изображение  для начала обрабатывается с целью  уменьшения шума или конвертации  множества оттенков серого в простое  сочетание черного и белого (бинаризации). После первоначальной обработки  программа будет считать, производить  измерения и/или определять объекты, размеры, дефекты и другие характеристики изображения. В качестве последнего шага, программа пропускает или забраковывает  деталь в соответствии с заданными критериям. Если деталь идет с браком, программное обеспечение подает сигнал механическому устройству для отклонения детали; другой вариант развития событий, система может остановить производственную линию и предупредить человека работника для решения этой проблемы, и что привело к неудаче. Хотя большинство систем машинного зрения полагаться на «черно-белые» камеры, использование цветных камер становится все более распространенным явлением. Кроме того, все чаще системы машинного зрения используют цифровые камеры прямого подключения, а не камеры с отдельным захватчиком кадров, что сокращает расходы и упрощает систему.

 

4. Смежные области

Машинное зрение относится к  инженерным автоматизированным системам визуализации в промышленности и  на производстве, и в этом качестве машинное зрение, связано с самыми разными областями компьютерных наук: компьютерное зрение, оборудования для управления, базы данных, сетевые  системы и машинное обучение.

Не стоит путать машинное и компьютерное зрения. Компьютерное зрение является более общей областью исследований, тогда как машинное зрение является инженерной дисциплиной связанной  с производственными задачами.

Рассмотрим подробнее смежные  науки и их взаимодействие с машинным зрением.

4.1. Компьютерное зрение

Компьютерное зрение представляет собой научную дисциплину, изучающую  теорию и базовые алгоритмы анализа  изображений и сцен.

Машинное зрение следует рассматривать как гораздо более комплексную и технологическую область научных и инженерных знаний, охватывающую все проблемы разработки практических систем: выбор схем освещения исследуемой сцены, выбор характеристик датчиков, их количества и геометрии расположения, вопросы калибровки и ориентирования, выбор или разработка оборудования для оцифровки и процессорной обработки, разработка собственно алгоритмов и их компьютерная реализация – то есть весь круг сопутствующих задач.

Кроме того, фигурирует такое понятие  как зрение роботов. Это более  узкая область технологий машинного  зрения, а именно часть, которая обеспечивает функционирование систем машинного  зрения в условиях жестких временных  ограничений. Например, оборудуя роботов  нового поколения мобильными камерами и алгоритмами стереовидения, многие компании работают над созданием интеллектуальных роботов, способных не только свободно ориентироваться в квартире и узнавать своих хозяев, но и выполнять определенные задачи по дистанционно подаваемым командам.

4.2. Обработка и анализ  изображений

Обработка изображений - любая форма обработки информации, для которой входные данные представлены изображением, например, фотографиями или видеокадрами. Обработка изображений может осуществляться как для получения изображения на выходе, так и для получения другой информации (например, распознание текста, подсчёт числа и типа клеток в поле микроскопа и т. д.). Кроме статичных двухмерных изображений, обрабатывать требуется также изображения, изменяющиеся со временем, например видео.  

В последнее время традиционный термин «обработка изображений» чаще употребляется не как обозначение научной дисциплины, а как указатель на предметную область. Наметилась также тенденция использования этого термина для обозначения обработки нижнего уровня, когда результатом обработки изображения снова является изображение. В то же время термин «понимание изображений» употребляется для обработки верхнего уровня.

Цифровая фотограмметрия, бурно развивающаяся в последние годы дисциплина, пришла на смену аналитической фотограмметрии. В то время как классическая аналитическая фотограмметрия изучала в основном метрические соотношения между точками снимков и реальной сцены, современная цифровая фотограмметрия ставит самые сложные задачи анализа и 3D'описания сцены по видеоданным оптических сенсоров. Цифровая фотограмметрия концентрируется прежде всего не на вопросах «понимания» сцены или обнаружения объектов, а на вопросах высокоточного измерения различных ее элементов и реконструкции форм трехмерных поверхностей с использованием стерео и многокамерной съемки, а также специального структурированного подсвета.

4.3. Машинное обучение

Машинное обучение - обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности. Машинное обучение имеет широкий спектр приложений, среди которых есть приложения распознавания изображений - область, которой занимается машинное зрение.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

5. Наиболее интересные  примеры систем машинного зрения

5.1. Видеонаблюдение

Автоматические и автоматизированные системы видеонаблюдения являются одной из ключевых составляющих современных  комплексных систем безопасности. Задача видеонаблюдения подразумевает  визуальный контроль заданной области  пространства при помощи одной или  нескольких видеокамер, позволяющий  сохранять и просматривать цифровые видеоданные, а также постоянно  оценивать состояние контролируемой территории, выделяя так называемые охранные события.

Охранное видеонаблюдение сегодня  имеет два самых важных направления  развития - полный переход на цифровые системы видеонаблюдения и развитие функций видеоаналитики. Цифровое (IP) видеонаблюдение предполагает отказ от аналоговых камер и средств передачи данных. Видеоаналитика представляет развитие функций систем видеонаблюдения, позволяя сократить объем регистрируемых данных.

Современная система видеонаблюдения  включает в себя значительное количество различных технологий компьютерного  зрения. Технология интеллектуального  видеонаблюдения должна включать следующие  основные элементы и программно-алгоритмические  модули:

• визуальные датчики различного типа для дистанционного видеонаблюдения

• средства распределенного сбора  информации, сжатия, обработки и  передачи цифровой видеоинформации  по локальным и глобальным сетям  в реальном времени

• автоматическое выделение объектов интереса (люди, транспортные средства, другие объекты)

· автоматическое слежение за движущимися  объектами в зоне наблюдения

· биометрическое распознавание персонала, биометрический контроль доступа в  критические зоны объекта наблюдения

• автоматическую идентификацию транспортных средств, грузов и оборудования на основе распознавания идентификационных  меток (регистрационных номеров, штриховых  кодов, других технологических маркировок)

• методы оценки сценариев поведения  наблюдаемых объектов и групп  объектов

• формирование «тревожных» сообщений  оператору в случае реализации неблагоприятных  или нестандартных сценариев  развития событий в зоне видеонаблюдения

· программно-аппаратные средства для  реализации методов и алгоритмов сбора и обработки видеоинформации.

Рассмотрим ряд примеров создания систем видеонаблюдения и их элементов.

5.1.1. Система обнаружения  и сопровождения движущихся объектов  по признаку их движения

Технология детектирования движения в поле зрения камеры, или motion detection, стала одной из первых коммерческих технологий на потребительском рынке Web-камер . Принцип работы технологии очень простой, поскольку предполагается, что камера неподвижна, а следовательно, неподвижен и фон. Движутся только объекты. Хотя существуют и такие технологии, которые позволяют детектировать движущиеся объекты на движущемся фоне.

Разработанная в ИИТ (Институт информационных технологий) система предназначена  для автоматического выделения  и сопровождения малоразмерных  объектов по признаку их движения на изображениях, получаемых с подвижной видеокамеры.

Система, реализованная на базе персонального  компьютера, осуществляет ввод с видеокамеры, визуализацию и обработку цифровых изображений движущихся сцен в реальном времени. Система производит оценку и компенсацию общего сдвига изображения сцены, происходящего за счет собственного относительного движения приемника изображения, а также выделение движущихся малоразмерных объектов по признаку их движения и одновременное сопровождение движения нескольких обнаруженных объектов. На рис.6 показаны: слева – кадр видеопоследовательности с выделенными движущимися объектами; справа – стадии выделения движущихся объектов.

 

 

Рис.6. Выделение движущихся объектов сцены наблюдения

У систем обнаружения и сопровождения  движущихся объектов могут быть различные  функции, такие как:

• обнаружение новых объектов сцены  наблюдения;

• обнаружение пропавших объектов сцены наблюдения;

• регистрация новой сцены наблюдения;

• контроль отсутствия сдвигов камеры относительно сцены наблюдения.

5.1.2. Система считывания  регистрационных номеров автомобилей

Как уже говорилось, одной из функций  систем видеонаблюдения является считывание идентификационных меток объектов, прежде всего – номеров транспортных средств, пересекающих зону наблюдения.

Одним из типовых приложений такого рода является разработанная в ИИТ  система выделения и распознавания  номерных знаков автомашин в потоке на автомагистрали. Система считывания автомобильных номеров реализована  на базе системы видеонаблюдения  «Интеллект» фирмы ITV и внедрена на ряде зарубежных автомобильных трасс [Визильтер и др., 2007].

Функции системы:

• регистрация появления автомобиля (подсчет автомобилей);

• выделение номерного знака;

• распознавание символов номерного  знака;

• сохранение распознанного номера в базе данных.

5.2 Биометрия

В последние годы во всем мире наблюдается  все возрастающий интерес к методам  распознавания и идентификации  личности. Основные пути и способы  решения этих задач лежат в области разработки биометрических систем. В биометрических системах для распознавания человека используется совокупность биометрических характеристик, основанных на биологических особенностях человеческого тела. В качестве таких биометрических характеристик могут выступать голос, почерк, отпечатки пальцев, геометрия кисти руки, рисунок сетчатки или радужной оболочки глаза, лицо и ДНК.

Биометрическая защита более эффективна в сравнении с такими методами, как использование паролей, PIN-кодов, смарт-карт поскольку биометрия позволяет идентифицировать именно конкретного человека, а не устройство. Традиционные методы защиты не исключают возможности потери или кражи информации, вследствие чего она становится доступной незаконным пользователям. Уникальный биометрический идентификатор, каковым является, например, отпечаток пальца или изображение лица, служит ключом, который невозможно потерять.

Биометрическая система безопасности позволяет отказаться от парольной  защиты либо служит для ее усиления. Одной из основных причин, которые  существенно повысили значимость автоматической обработки и анализа биометрической информации, явилось повышение требований к функциональным возможностям автоматических систем безопасности, расположенных  в общественных местах (вокзалы, супермаркеты и т. п.)

Рассмотрим несколько примеров биометрических приложений, встречающихся  на практике.

5.2.1. Система обнаружения  и распознавания лиц

В ИИТ разработана технология обнаружения  и распознавания лиц по двумерным  изображениям, включающая три основных модуля:

• детектирование (обнаружение) лиц;

• индексация (кодирование и последующий быстрый поиск лиц в базе);