ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 11 Sera TANSPOT z. 71 Nr kol. 1836 Zbgnew CZAPLA, Wesław PAMUŁA LOKALIZACJA OIEKTÓW NA OAZACH CYFOWYCH Z WIDEOEJESTATOA UCHU DOGOWEGO Streszczene. Artykuł przedstawa zagadnena analzy scen ruchu drogowego. Jako metodę przetwarzana wstępnego w detekcj cech punktowych obektów wykorzystano konwersję obrazu do dwuwarstwowego modelu danych. Do dwuwarstwowego modelu danych obrazu zastosowano detektory cech punktowych FAST SUSAN. Do lokalzacj obektów nadaje sę jest prosta oblczenowo detekcja cech punktowych obektów (przy zastosowanu dwuwarstwowego modelu danych). OJECT LOCATION IN DIGITAL IMAGES FOM A OAD TAFFIC VIDEOECODE Summary. The paper presents ssues of road traffc scene analyss. Image converson nto the two-layer data model s used as a prelmnary processng method n detecton of object feature ponts. The feature ponts detectors FAST and SUSAN are appled to two-layer data model of an mage. Detecton of object feature ponts usng the two-layer data model s sutable for the object locaton and t s computatonally smple. 1. WSTĘP We współczesnych systemach transportowych do sterowana wykorzystywane są parametry ruchu drogowego. Stosuje sę wele różnych metod ch wyznaczana, m.n. można wykorzystać analzę obrazów cyfrowych otrzymywanych z wdeorejestratora ruchu drogowego [1]. Analza obrazu obejmuje różne technk: segmentację obrazu, ndeksację obektów oraz ch klasyfkację. Danym wejścowym w tego rodzaju analze jest obraz, natomast danym wyjścowym jest zestaw atrybutów opsujących zawartość obrazu. Segmentacja obrazów jest technką, w której tworzone są obekty przez łączene obszarów obrazu zgodne z wybranym kryterum jednorodnośc. Podstawowym kryterum jednorodnośc jest ustalony zakres wartośc pksel. Najbardzej znane metody segmentacj to: segmentacja przez podzał obrazu,
8 Z. Czapla, W. Pamuła przez rozrost obrazu, wykorzystująca wykrywane krawędz oraz oparta na statystyce [], [3], [4]. Przed analzą obrazu często przeprowadzane jest jego przetwarzane, które jest przeprowadzane w celu poprawy jakośc obrazu, (np. przez redukcję zakłóceń, zwększene kontrastu) lub w celu uwypuklena cech obrazu przydatnych do jego analzy, (np. przez wyodrębnane krawędz bnaryzację). Danym wejścowym przy przetwarzanu obrazu jest obraz źródłowy, natomast danym wyjścowym jest przetworzony obraz wynkowy [], [3], [4]. Obrazy cyfrowe przechowywane są w plkach grafcznych, których rozmary są zazwyczaj duże. ozmar plków grafcznych można zmnejszyć przeprowadzając kompresję, która może być bezstratna lub stratna. Kompresja bezstratna pozwala na odtworzene nezmenonego obrazu źródłowego, stratna jest bardzej efektywna, natomast jednak powoduje utratę częśc nformacj obrazowej. Znanych jest wele metod kompresj zarówno stratnych, jak bezstratnych [5], [6]. W metodach przetwarzana analzy obrazów można stosować wstępne przetwarzane obrazów, które ma na celu zmanę formatu danych w postać bardzej odpowedną dla wykorzystywanych algorytmów. Dwuwarstwowy model danych obrazów cyfrowych jest reprezentacją obrazu, która powstaje w wynku kodowana predykcyjnego dostarczającego nformacj o charakterze zman w otoczenu poszczególnych pksel może być wykorzystane do lokalzacj obektów na obraze. W artykule przeprowadzono porównane wynków detekcj cech punktowych obektów z użycem krawędz oraz z wykorzystanem dwuwarstwowego modelu danych. Wybrano też do oceny detektory narożnków SUSAN FAST, które najczęścej są stosowane w śledzenu obektów w sekwencj obrazów [11].. DWUWASTWOWY MODEL DANYCH OAZÓW CYFOWYCH Dwuwarstwowy model danych obrazu cyfrowego tworzy nową reprezentację obrazu, składającą sę z dwóch warstw. Jedna z warstw zawera wartośc bazowe pksel, druga składa sę z wartośc różncowych, określających różncę mędzy wartoścą pksela a odpowadającą mu wartoścą bazową [7]. Wele obrazów zawera obszary pksel o zblżonych wartoścach. Take obszary mogą zostać opsane przez cąg wartośc pksel, zawerające wartość bazową obszaru oraz sekwencję wartośc różncowych, które odnoszą sę do poszczególnych pksel opsywanego obszaru. eprezentacja całego obrazu tworzona jest przez zbór cągów pksel wszystkch obszarów obrazu. Zbór wartośc różncowych wszystkch pksel tworzy warstwę różncową dwuwarstwowego modelu danych, natomast zbór wartośc bazowych warstwę bazową modelu. Każda z warstw jest kodowana oddzelne. Założene, że wartość różncowa jest lczbą całkowtą z zakresu od do15 pozwala na kodowane w jednym bajce dwóch wartośc różncowych. Wartośc bazowe obszarów są kodowane bez zman jedna wartość w jednym bajce.
Lokalzacja obektów na obrazach cyfrowych 9.1. Konwersja obrazu do modelu dwuwarstwowego Konwersja obrazów cyfrowych do dwuwarstwowego modelu danych przeprowadzana jest na obrazach o rozdzelczośc pozomów jasnośc 8 btów na pksel. Taka rozdzelczość jest wystarczająca do wększośc zastosowań przemysłowych. Obraz źródłowy, poddawany konwersj do modelu dwuwarstwowego, opsywany jest przez dwuwymarową macerz X, na podstawe której, w wynku skanowana, tworzony jest wektor obrazu Y. Wektory konwersj D przeznaczone są do przechowywana wartośc różncowych pksel (wektor D) wartośc bazowych obszarów (wektor ). Obraz źródłowy dzelony jest na kwadratowe blok o rozmarze x pksele, a następne blok te są kolejno konwertowane do wektora obrazu Y. Po przekonwertowanu wszystkch bloków obrazu do wektora Y ustalana jest perwsza wartość bazowa jest ona zapsywana do wektora konwersj : b y. (1) Perwszą wartoścą zapsaną do wektora konwersj D jest znacznk wartośc bazowej c: d c. () Odczytywane są elementy wektora obrazu Y uwzględnane są dwa przypadk. W perwszym z nch wartość różncowa meśc sę na 4 btach wtedy jest ona zapsywana do wektora konwersj D: d. (3) y W drugm przypadku wartość różncowa ne meśc sę na 4 btach wtedy ustalana jest nowa wartość bazowa; do wektora konwersj D zapsywany jest znacznk wartośc bazowej c, a do wektora konwersj zapsywana jest nowa wartość bazowa. Indeksy elementów wektorów określają beżącą zapsywaną pozycję, z uwzględnenem przesunęca mędzy ndeksam wektorów C: d c, (4) b y. Strumeń wyjścowy S składa sę z dwóch strumen składowych S 1 oraz S : S S 1 S. (5) Strumeń składowy S 1 powstaje przez połączene sąsednch wartośc różncowych wektora konwersj D w jeden bajt: s d 16 d, (6) a strumeń składowy S tworzony jest bezpośredno przez wektor konwersj :.. Konwersja powrotna obrazu do modelu jednowarstwowego S. (7) Konwersja powrotna obrazu do modelu jednowarstwowego odbywa sę w odwrotnej kolejnośc nż konwersja obrazu do modelu dwuwarstwowego obejmuje: podzelene strumena S na strumene składowe S 1 S, wydzelene wektorów konwersj D, odtworzene wektora obrazu Y oraz odtworzene macerzy obrazu X.
3 Z. Czapla, W. Pamuła.3. Wynk konwersj do modelu dwuwarstwowego Konwersj do modelu dwuwarstwowego poddano cztery obrazy testowe o różnym pozome szczegółowośc. Wszystke obrazy testowe mały rozdzelczość pozomów jasnośc 8 btów na pksel rozdzelczość przestrzenną 56 x 56 pksel. Wynk konwersj do modelu dwuwarstwowego przedstawają odpowedno rysunk 1 do 4. ys. 1. Wynk konwersj obrazu 1 Fg. 1. esult of converson of mage 1 ys.. Wynk konwersj obrazu Fg.. esult of converson of mage ys. 3. Wynk konwersj obrazu 3 Fg. 3. esult of converson of mage 3 ys. 4. Wynk konwersj obrazu 4 Fg. 4. esult of converson of mage 4
Lokalzacja obektów na obrazach cyfrowych 31 Po lewej strone rysunków znajduje sę obraz źródłowy, po prawej obraz przedstawający rozmeszczene wartośc bazowych. We wszystkch przypadkach uzyskano zmnejszene rozmaru reprezentacj obrazu o ponad %. ozkład punktów bazowych odpowada zawartośc obrazu jest przydatny do lokalzacj obektów znajdujących sę na obrazach. 3. DETEKTOY CECH PUNKTOWYCH OIEKTÓW Cechy punktowe obektów pozwalają zmnejszyć rozmar ch opsu na obraze mogą ułatwć przeprowadzene operacj odnajdywana korespondujących elementów obektów na kolejnych obrazach w sekwencj. Wymagają uważnego doboru progów dyskrymnacj dla uzyskana stotnych do śledzena elementów obektów. Ważnym własnoścam punktów charakterystycznych są: mała czułość na zmany orentacj, przesunęca obektów, odporność na szum, wahana wartośc pksel obektów w czase wywołane zmaną ośwetlena pola obserwacj, mała złożoność oblczenowa, łatwość przeprowadzana operacj dopasowana w algorytmach śledzena. Cechy punktowe wyznacza sę, analzując zmany wartośc pksel lub wylczając statystyk wartośc w kołowym obszarze wokół danego pksela. Przekroczene zadanego progu detekcj wskazuje na wystąpene cechy punktowej. W zastosowanach ważne są detektory narożnków Harrsa, SUSAN, FAST [8], [9], [1]. Detektor Harrsa wylcza cechy rozkładu gradentów w sąsedztwe danego pksela. Na podstawe współczynnków macerzy autokorelacj wartośc pksel M wynos: A ( w x P ) M w ( w y A C P ) C C ( w x P )( w y P ), gdze: w σ, w xσ, w yσ, wektory wag odpowedno: dla wylczana gausowskego fltru wygładzającego, gradentu w kerunku pozomym, gradentu w kerunku ponowym. Określona zostaje mara obecnośc narożnków H : H H det( M ( M 11 ) k trace(m ) M M 1 M 1 ) k ( M 11 M Wylczane cech punktowych Harrsa wymaga wylczana kerunkowych gradentów zman jasnośc pksel stąd wykluczona jest możlwość wykorzystana reprezentacj z użycem zaproponowanego dwuwarstwowego modelu danych. SUSAN pozwala sklasyfkować zawartość kołowego otoczena pksela. Używa sę aproksymacj koła o średncy do klkunastu pksel (najczęścej 3, 7, 11 rys. 5). Wartośc pksel w sąsedztwe P (j) porównuje sę z wartoścą pksela centralnego P (x,y ), zlczając pksele różnące sę o wartość progu. óżnca lczby pksel sąsedztwa L różnących sę E określa S marę obecnośc narożnków. Wartość progu określa zdolność do elmnacj szumów czułość współczynnka. Dla L=K/ współczynnk wskazuje na występowane ). (8) (9)
3 Z. Czapla, W. Pamuła narożnków, dla L=3K/4 krawędz, gdze: K lczba pksel w sąsedztwe w kole, otaczającym pksel centralny. 1 e( j) E K j1 e( j) L E S P ( x, y P ( x, y E L ) próg ) próg Najmnej złożony oblczenowo algorytm jest podstawą do wylczana mary cech detektora FAST (ang. Features from Accelerated Segment Test); cechy wyznaczane są na podstawe szybkego sprawdzena obwodu. Wyznaczona welkość określa długość neprzerwanego wycnka obwodu okręgu, wyrażoną lczbą pksel, którego pksele różną sę od wartośc pksela środka okręgu o ustaloną wartość. Gdy lczba przekroczy zadany próg, uznaje sę środek za punkt charakterystyczny. 1 l( j) F jobwód l( j) P ( x P ( x, y ), y ) ozpatrywany jest zwykle okręg o średncy 7 pksel (rys. 5), który ma 16 pksel na obwodze. Pksele, dla których F wynos 9, najczęścej są narożnkam (jest to też najmnejsza wartość jednoznaczne wskazująca na to, że okręg ne zawera krawędz). próg próg (1) (11) ys. 5. Kołowe otoczena pksela do wyznaczana SUSAN FAST Fg. 5. Pxel neghbourhoods for evaluatng SUSAN and FAST 3.1. Implementacja detektorów cech punktowych Korzystając ze strumena wartośc bazowych S (7) reprezentacj obrazu, można zaproponować uproszczone wersje detektorów. Wartośc bazowe w newelkm otoczenu (a take są otoczena detekcj) określają pksele stotne dla obecnośc obektu, można zatem na ch podstawe określć cechy tego obektu. Analzując lczbę wartośc bazowych w otoczenu lub na obwodze, można uzyskać równoważny detektor cech punktowych. Detektor SUSAN: zlczane są pksele z wartoścam bazowym w kole pksela centralnego.
Lokalzacja obektów na obrazach cyfrowych 33 e E 1 ( j) S K j1 e ( j) L E wartosć bazowa E Detektor FAST: sprawdzany jest cąg wartośc bazowych na obwodze otoczena pksela centralnego. l 1 ( j) F l jobwód ( j) L wartosć bazowa Implementacja ne wymaga znajomośc wartośc bazowych, a jedyne ch pozycj względem analzowanych pksel centralnych. Operacje składają sę z sumowana stanów obecnośc, a węc z operacj realzowanych z użycem najprostszych środków. 3.. Wynk porównana detekcj cech punktowych Uproszczone detektory zamplementowano za pomocą paketu matematycznego Matlab przeprowadzono badane detekcj cech punktowych za pomocą bazy danych obrazów ze stanowsk rejestracj ruchu drogowego. Jako materału porównawczego użyto wynków z badań detektorów cech punktowych, wykorzystujących krawędze obektów dla detekcj. Krawędze obektów były wyznaczane z użycem gradentu morfologcznego, wylczanego w kwadratowym otoczenu 3 x 3 pksele. Przykładowe wynk lustruje rys. 6. (1) (13) ys. 6. Perwszy wersz: krawędze obektów, cechy punktowe: SUSAN, FAST, drug wersz: wartośc bazowe, cechy punktowe: SUSAN, FAST Fg. 6. 1 st row: object edges, feature ponts: SUSAN, FAST, nd row: base values, feature ponts: SUSAN, FAST Detekcja z wykorzystanem wartośc bazowych jest mnej czuła; generowana jest mnejsza lczba cech punktowych, których lokalzacja odpowada lokalzacj cech uzyskanych
34 Z. Czapla, W. Pamuła dla krawędz obektów. Nadaje sę ona do śledzena obektów w sekwencj obrazów, a wykorzystywane algorytmy cechują sę newelką złożonoścą oblczenową. 4. PODSUMOWANIE Lokalzacja obektów jest ważnym elementem analzy scen ruchu drogowego. Konwersja obrazu cyfrowego do reprezentacj dwuwarstwowej może być stosowana jako metoda przetwarzana wstępnego w algorytme lokalzacj obektów. Detekcja cech punktowych z użycem wartośc bazowych dwuwarstwowej reprezentacj obrazu spełna wymagana dla śledzena obektów w sekwencj obrazów. Atrakcyjną cechą zaproponowanych detektorów jest ch bardzo nska złożoność oblczenowa, która ułatwa sprzętową realzację z użycem programowalnych układów logcznych. blografa 1. Datka S., Sucharzewsk W., Tracz M.: Inżynera ruchu. Wydawnctwa Komunkacj Łącznośc, Warszawa 1999.. Gonzales.C., Woods.E.: Dgtal Image Processng. Pearson Prentce Hall, New Jersey 8. 3. Pratt W.K.: Dgtal Image Processng. John Wley & Sons, Inc., Hoboken, New Jersey 7. 4. Tadeusewcz., Korohoda P.: Komputerowa analza przetwarzane obrazów. Wydawnctwo Fundacj Postępu Telekomunkacj, Kraków 1997. 5. Salomon D.: Data compresson. The Complete eference. Sprnger-Verlag, New York erln, Hedelberg. 6. Sayood K.: Kompresja danych wprowadzene. Wydawnctwo M, Warszawa. 7. Czapla Z.: The Two-Layer Data Model of Vehcles Dgtal Images, [n:] Pecha J., Węgrzyn T. (eds.): Transacton on Transport Systems Telematcs and Safety. Slesan Unversty of Technology Academc Press, Glwce 9, p. 8-89. 8. Harrs C., Stephens M.: A combned corner and edge detector. Proc. of the 4th ALVEY Conference, 1988, p. 147 151. 9. Smth S.M., rady J.M.: SUSAN a new approach to low level mage processng. Int. J. Comput. Vs., Vol. 3, No.1, 1997, p. 45 78. 1. osten E., Drummond T.: Fusng ponts and lnes for hgh performance trackng, [n]: 1th IEEE Internatonal Conference on Computer Vson. Vol., ejng, Chna, Sprnger 5, p. 158-1515. 11. Lowe D.G.: Dstnctve Image Features from Scale-Invarant Keyponts. Internatonal Journal of Computer Vson, Vol. 6. No., 4, p. 91-11. ecenzent: Prof. dr hab. nż. omuald Szopa Praca wykonana w ramach W-483/T6/9