Качество работы систем автоматического видеоконтроля определяется оптическими характеристиками видеокамеры и особенностями самого алгоритма видеообработки. Критерием эффективности применения автоматического видеоконтроля может служить вероятность выполнения заданной целевой функции. В работе предложен способ оценки эффективности работы автоматической аппаратуры видеоконтроля фоноцелевой обстановки - определение вероятности выполнения целевых функций (обнаружения, захвата и автосопровождения объекта). Теоретическая оценка вероятности выполнения целевых функций построена на базе критерия Джонсона и с использованием модели оптимального приемника. Результаты экспериментальной проверки предложенного способа показали, что обнаружение объекта происходит при уровне отношения сигнал/шум более 6. Данный уровень можно рассматривать как нижний уровень гарантированного обнаружения объекта с вероятностью 0,9.
1. Ворона В.А., Тихонов В.А. Технические средства наблюдения в охране объектов. М.: Горячая линия – Телеком, 2018. 188 с.
2. Смирнов В.М. Технические средства телевизионных систем наблюдения: монография. СПб.: ГУАП, 2016. 329 с.
3. Будума Н. Основы глубокого обучения: создание алгоритмов для искусственного интеллекта следующего поколения / пер. с англ. А. Коробейникова. М.: Манн, Иванов и Фербер, 2020. 298 с.
4. NVIDIA Jetson: ИИ-платформа для любых автономных устройств // NVIDIA Россия [Электронный ресурс] / NVIDIA Corporation. Cop. 2021. URL: https://www.nvidia.com/ru-ru/autonomous-machines/embedded-systems/ (дата обращения: 10.02.2020).
5. Кулакова Н.Н., Мишин С.В. Анализ результатов расчета дальностей обнаружения, распознавания и идентификации тепловизионной системы по двум методикам // Контенант. 2015. № 3. С. 24–30.
6. Новиков С.Н., Поликанин А.Н. Методика расчета дальности действия тепловизора на основе объединенных параметров температурной чувствительности и разрешения // Труды учебных заведений связи. 2019. Т. 5. № 4. С. 6–14. DOI: 10.31854/1813-324X-2019-5-4-6-14
7. Сельвесюк Н.И., Веселов Ю.Г., Гайденков А.В., Островский А.С. Оценка характеристик обнаружения и распознавания объектов на изображении от специальных оптико-электронных систем наблюдения летного поля // Труды МАИ. 2018. № 103. С. 21.
8. Тульева Н.Н. Киносъемочная оптика: учеб. пособие. СПб.: СПбГИКиТ, 2017. 141 с.
9. Khorokhorov A.M., Piskunov D.E., Shirankov A.F. First-order method of zoom lens design by means of generalized parameters // Journal of the Optical Society of America A. 2016. Vol. 33. No. 8. P. 1537–1545. DOI: https://doi.org/10.1364/JOSAA.33.001537
10. Как выбрать камеру видеонаблюдения – характеристики видеокамер // Video-Rec [Электронный ресурс]. Cop. 2010. URL: http://video-rec.ru/helpful-information/cctv/characteristics-of-cctv-cameras/ (дата обращения: 12.02.2020).
11. IP video system design tool // JVSG: CCTV Design Software: [Web] / IPICA Software LLC. Cop. 2021. URL: https://www.jvsg.com/ (дата обращения: 12.02.2020).
12. Слюсарев Г.Г. Геометрическая оптика. Изд. 2-е. М.: URSS: Ленанд, 2019. 331 с.
13. Zemax: Design for Manufacturability: [Web] / ZEMAX LLC. Cop. 2021. URL: https://www.zemax.com/ (дата обращения 14.02.2020).
14. Тарасов В.В., Якушенков Ю.Г. Инфракрасные системы «смотрящего» типа. М.: Логос, 2004. 443 с.
15. Абакумова А.А., Малинова Т.П., Меденников П.А., Павлов Н.И. Программно-алгоритмический комплекс имитационного моделирования для исследования и разработки оптико-электронных систем наблюдения // Оптический журнал. 2019. Т. 86. № 8. С. 56–64. DOI: https://doi.org/10.17586/1023-5086-2019-86-08-56-64
16. Laboratoire d’interprétation et de traitement d’images et vidéo (LITIV) codes and datasets // Polytechnique Montréal Technical University: [Web] / Polytechnique Montréal. Cop. 2021. URL: https://www.polymtl.ca/litiv/en/codes-and-datasets (дата обращения: 20.02.2020).