Развитие следящей системы на основе технического зрения

С развитием технологий обработки изображений в последние годы большое внимание уделяется требованиям к качеству изображения для систем видеонаблюдения. В работе представлена интеллектуальная система наблюдения на основе стереовидения для динамического отслеживания движущихся объектов с возможностью автофокусировки и масштабирования без потерь. Основная технология системы сочетает в себе модифицированный алгоритм стереовидения с методом поиска автофокуса. Стереоскопическое (или трехмерное) зрение — это способность глаз к восприятию глубины пространства, наивысшая форма со дружественной работы обоих глаз. Человек трансформирует зрительные образы в понятия близко/далеко, высоты, формы, перспективы и т. д. Слаженной работой мышц обоих глаз формируется стереоскопическое зрение (стереопсис) — механизм для восприятия трехмерного пространства. В мире не существует двух одинаковых глаз. Чтобы уменьшить эффект изменения фокусного расстояния объектива, модифицированный алгоритм стереовидения обеспечивает очевидное преимущество в точности оценки глубины.

---

Можете оформить заказ дипломной работы прямо на сайте.

---

Тогда расчетная глубина может быть использована не только для настройки соответствующего уровня масштабирования камер, но и для сокращения диапазона поиска фокусных точек. Более того, метод поиска автофокуса позволяет упростить кривую резкости изображения до одного пика. Таким образом, используя сплайновую интерполяцию, можно эффективно и точно оценить положение фокуса. Предложенная схема обладает способностью повышать точность оценки глубины и обеспечивать более четкие изображения движущихся объектов. Актуальность: одна из наиболее часто возникающих проблем заключается в том, что объект на полученном изображении слишком мал или размыт. Таким образом, системы видеонаблюдения часто не в состоянии предоставить достаточно информации для расследования и анализа инцидентов. Решить эту проблему возможно путем интегрирования модифицированного алгоритма стереовидения в симбиозе с методом поиска автофокуса в системе отслеживания изображений для получения гораздо более четких изображений объектов. Целью данной работы является развитие следящей системы на основе технического зрения. Для достижения поставленной цели необходимо выполнить следующие задачи: - сбор теоретической информации, - разбор принципа работы следящей ситемы, - разработка структурной схемы устройства, - описание аппаратного обеспечения. Объект: следящие системы на основе технического зрения. Предмет: мехатроника и мобильная робототехника. Методы дипломного исследования: - теоретический, в котором выполнялся сбор и анализ теоретической информации; - статистический, с помощью которого производилось обобщение по теоретическим и практическим знаниям - аналитический, в котором производился анализ полученных и рассчитанных данных. Работа состоит из двух глав. Первая глава посвящена разбору теоретической информации и состоит из трех пунктов: основные термины и определения, различные типы систем технического зрения, принцип работы следящей системы на основе технического зрения. В этой главе разобраны основные теоретические аспекты, на основе которых производилась дипломная разработка. Вторая глава является практической, она посвящена разработке следящей системы на основе технического зрения, состоит из двух пунктов: разработка структурной схемы и аппаратное обеспечение.

Цветовое пространство - это математическое представление набора цветов. Существует несколько цветовых пространств, которые существуют по целому ряду причин и используются для представления цветного изображения, например, RGB (красный, зеленый и синий), HSV (оттенок, насыщенность и значение), YCbCr (яркость, компоненты цветности с разницей в синем и красном цветах), YIQ (яркость и цветность) и т.д. Из-за изменчивого освещения и сложного фона этих изображений распознавание объектов на основе цвета стало сложной задачей. Следовательно, определение того, как выбрать правильную цветовую модель, является важным вопросом при обработке изображений. В данной работе было успешно объединены модифицированный алгоритм стереовидения и метод поиска автофокуса в гибридный подход к автофокусировке для системы отслеживания изображений на основе стереовидения, которая обладает способностью записывать четкие последовательности изображений движущихся объектов. Был представлен двухэтапный метод поиска автофокуса не только для настройки уровня масштабирования камер в соответствии с трехмерной глубиной движущихся объектов, но и для быстрой оценки положения в фокусе путем подгонки пятиточечного кубического сплайна. Предлагаемая система может хорошо работать в различных условиях освещения. В ходе выполнения работы была достигнута поставленная цель, а именно разработана система слежения на основе технического зрения. Данная работа состоит из двух глав: определение системы технического зрения и разработка следящей системы на основе технического зрения.

1. Визильтер Ю. В., Желтов С. Ю., Князь В. А., Ходарев А. Н., Моржин А. В. Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision. - М.: ДМК Пресс, 2017 – 154 с. 2. Глория, Буэно Гарсия Обработка изображений с помощью OpenCV: моногр. / Глория Буэно Гарсия и др. - М.: ДМК Пресс, 2016. - 210 c 3. Катыс Г.П. Обработка визуальной информации. - М.: Машиностроение, 2017 – 214 с. 4. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем // М.: «Вильямс», 2016-864 с. 5. Мерков А.Б. Распознавание образов. Введение в методы статистического обучения // М.: Едиториал УРСС, 2019 - 256 с. 6. Методы обработки и распознавания изображений лиц в задачах биометрии / Г.А. Кухарев и др. - М.: Политехника, 2013. - 416 c. 7. Обработка и анализ цифровых изображений с примерами на LabVIEW и IMAQ Vision / Ю.В. Визильтер и др. - М.: ДМК Пресс, 2016. - 464 c. 8. Таганов, Александр Иванович Нейросетевые системы искусственного интеллекта в задачах обработки изображений / Таганов Александр Иванович. - М.: Горячая линия - Телеком, 2016. - 531 c. 9. Уоссермен Ф. Нейрокомпьютерная техника // М.: Мир, 2018 - 118 с. 10. Форсайт Д.А., Понс Д. Компьютерное зрение. Современный подход // М.: «Вильямс», 2014. 928 с. 11. Barnard, S.T.; Fischler, M.A. Computational stereo. Comput. Surv. 2017, 14, 553–572. 12. Brown, M.Z.; Burschka, D.; Hager, G.D. Advances in computational stereo. IEEE Trans. Pattern Anal. Mach. Intell. 2013, 25, 993–1008. 13. Grosso, E.; Tistarelli, M. Active/dynamic stereo vision. IEEE Trans. Pattern Anal. Mach. Intell. 2015, 17, 868–879. 14. Lazaros, N.; Sirakoulis, G.C.; Gasteratos, A. Review of stereo vision algorithms: frоm software to hardware. Int. J. Optomechatronics 2018, 2, 435–462. 15. Iosifidis, A.; Mouroutsos, S.G.; Gasteratos, A. A hybrid static/active video surveillance system. Int. J. Optomechatronics 2011, 5, 80–95. 16. Marr, D.; Poggio, T.A. Cooperative computation of stereo disparity. Science 2016, 194, 283–287. 17. Nitzan, D. Three-dimensional vision structure for robot applications. IEEE Trans. Pattern Anal. Mach. Intell. 2018, 3, 291–309. 18. Ren, H.; Wu, S.T. Variable-focus liquid lens. Optic. Express 2017, 15, 31–36. 19. Sengupta, S. Effects of unequal focal lengths in stereo imaging. Pattern Recogn. Lett. 2017, 18, 395–400. 20. Subbarao, M.; Choi, T.; Nikzad, A. Focusing techniques. Opt. Eng. 2013, 32, 24–36.