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 функціо- нального призначення.
- A Fast HSV Image Color and Texture Detection and Image Conversion Algorithm / Monika Deswal1 , Neetu Sharma2 — International Journal of Science and Research (IJSR).
- Wenchao Huang, Yake Kang, Song Zheng. An improved frame difference method for moving target detection, Chinese Automation Congress (CAC) 2017, pp. 1537–1541, 2017.
- 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.
- 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.
- ORB: an efficient alternative to SIFT or SURF / Ethan Rublee, Vincent Rabaud, Kurt Konolige Gary Bradski Willow Garage, Menlo Park, California.
- Harris, C., Stephens, M., 1988, A Combined Corner and Edge Detector, Proceedings of 4th AlveyVision Conference.
- R. P. a. T. D. Edward Rosten. Faster and better: a machine learning approach to corner detection, 2008.
- A Fast HSV Image Color and Texture Detection and Image Conversion Algorithm / Monika Deswal1, Neetu Sharma2. International Journal of Science and Research (IJSR)/
- Max K. Agoston. Computer Graphics and Geometric Modelling: Mathematics (v. 2) 2005th Edition.
- Jayaraman, S. Digital Image Processing. Tata McGraw Hill, 2009.
- Multiresolution Image Processing and Analysis / A. Rosenfeld. Springer-Verlag, 1984.
- 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.
- Volodymyr Puyda. SURF features extraction in a computer vision system. advances in cyber-physical systems, Volume 1, Number 1 (2017).
- 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.
- Kharkevych O. O. Spektry ta analiz. М.: Fizmathiz, 1962. 236 p. (in Russian).