В большинстве существующих систем сопровождения объектов на видеоизображениях применяется автоматическое выделение областей интереса с помощью детектора, который работает с предварительно построенной моделью искомого объекта, принадлежащего некоторому заранее известному множеству классов. Такой подход суще-ственно ограничивает область применения системы автоматического сопровождения. В работе решена задача полуавтоматического выделения объектов на изображениях. Пока-зана возможность реализации безмодельного подхода к выделению объекта с помощью методов низкоуровневой сегментации изображений. Проанализированы недостатки ос-новных методов сегментации, ограничивающие их применение в алгоритме автоматиче-ского сопровождения объектов в системе обработки потокового видео для беспилотных летательных аппаратов. Предложен алгоритм выделения объекта на изображении методом слияния суперпикселей. Приведены результаты тестирования рассмотренного алгоритма на реальных и синтезированных изображениях. Экспериментальные исследования показали возможность применения предложенного алгоритма в составе программного обеспечения системы автоматического сопровождения объектов на видеоизображениях.
Сотников Александр Васильевич
Национальный исследовательский университет «МИЭТ», г. Москва, Россия; АО «Зеленоградский инновационно-технологический центр», г. Москва, Россия
Шипатов Андрей Владимирович
Национальный исследовательский университет «МИЭТ», г. Москва, Россия; АО «Зеленоградский инновационно-технологический центр», г. Москва, Россия
1. Li C., Xu C., Gui C., Fox M. D. Level set evolution without re-initialization: a new varia-tional formulation // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). San Diego, CA: IEEE, 2005. Vol. 1. P. 430–436. https://doi.org/10.1109/CVPR.2005.213
2. Comaniciu D., Meer P. Mean shift: a robust approach toward feature space analysis // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. Vol. 24. No. 5. P. 603–619. https://doi.org/10.1109/34.1000236
3. Arthur D., Vassilvitskii S. k-means++: the advantages of careful seeding // Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms (SODA’07). New Or-leans, LA: SIAM, 2007. P. 1027–1035.
4. Haralick R. M., Shapiro L. G. Image segmentation techniques // Computer Vision, Graphics, and Image Processing. 1985. Vol. 29. Iss. 1. P. 100–132. https://doi.org/10.1016/S0734-189X(85)90153-7
5. Beucher S., Lantuejoul C. Use of watersheds in contour detection // International Work-shop on Image Processing: Real-time Edge and Motion Detection/Estimation. Rennes, 1979. P. 2.1–2.12.
6. Shi J., Malik J. Normalized cuts and image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2000. Vol. 22. No. 8. P. 888–905. https://doi.org/10.1109/34.868688
7. Felzenszwalb P. F., Huttenlocher D. P. Efficient graph-based image segmentation // In-ternational Journal of Computer Vision. 2004. Vol. 59. Iss. 2. P. 167–181. https://doi.org/10.1023/B:VISI.0000022288.19776.77
8. Guimarães S. J. F., Cousty J., Kenmochi Y., Najman L. A hierarchical image segmenta-tion algorithm based on an observation scale // Structural, Syntactic, and Statistical Pattern Rec-ognition: Joint IAPR International Workshop (Hiroshima, Japan, Nov. 7–9, 2012). Berlin; Hei-delberg: Springer, 2012. P. 116–125. https://doi.org/10.1007/978-3-642-34166-3_13
9. Suzuki T., Akizuki S., Kato N., Aoki Y. Superpixel convolution for segmentation // 2018 25th IEEE International Conference on Image Processing (ICIP). Athens: IEEE, 2018. P. 3249–3253. https://doi.org/10.1109/ICIP.2018.8451721
10. Superpixel sampling networks / V. Jampani, D. Sun, M.-Y. Liu et al. // Computer Vision – ECCV 2018 / eds V. Ferrari, M. Hebert, C. Sminchisescu, Y. Weiss. Cham: Springer, 2018. P. 363–380. https://doi.org/10.1007/978-3-030-01234-2_22
11. Yang F., Sun Q., Jin H., Zhou Z. Superpixel segmentation with fully convolutional networks // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, WA: IEEE, 2020. P. 13961–13970. https://doi.org/10.1109/CVPR42600.2020.01398
12. Li Z., Chen J. Superpixel segmentation using Linear Spectral Clustering // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA: IEEE, 2015. P. 1356–1363. https://doi.org/10.1109/CVPR.2015.7298741
13. Comaniciu D., Ramesh V., Meer P. Kernel-based object tracking // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003. Vol. 25. Iss. 5. P. 564–577. https://doi.org/10.1109/TPAMI.2003.1195991
14. Разработка и создание универсальной открытой программно-аппаратной платфор-мы для проектирования устройств обработки потокового видео для беспилотных летаю-щих аппаратов мониторинга экологической ситуации и состояния природных объектов: Резюме проекта // ФЦП «Исследования и разработки по приоритетным направлениям раз-вития научно-технологического комплекса России на 2014–2021 годы» [Электронный ре-сурс] / Министерство науки и высшего образования Российской Федерации. URL: https://fcpir.ru/upload/iblock/900/stageSummary_corebofs000080000mt8b4nl 5jopa7nc.pdf (дата обращения: 05.09.2022).