ISSN 2304-6600 (Online)
ISSN 1997-0935 (Print)



ИНФОРМАЦИОННЫЕ СИСТЕМЫ И ЛОГИСТИКА В СТРОИТЕЛЬСТВЕ

Метод определения расстояния до объекта путем анализа размытия его изображения

  • Локтев Алексей Алексеевич - Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ)
  • Локтев Даниил Алексеевич - Московский государственный технический университет им. Н.Э. Баумана (ФГБОУ ВПО «МГТУ им. Н.Э. Баумана»)
DOI: 10.22227/1997-0935.2015.6.140-151
Страницы: 140-151
Предложена методика получения первичной информации об объекте и его поведении, алгоритмы и процедуры которой во многом определяют быстродействие современных комплексных систем мониторинга и автоматизированных систем управления технологическими процессами и точность их использования. Под первичной информацией понимаются различные характеристики статичных и движущихся объектов: расстояние до них, скорость движения, координаты положения в пространстве и т.д. В качестве подобного рода информации в настоящей работе предложено использовать фотои видеодетекторы, которые могут обеспечить систему качественными изображениями объекта с высокой разрешающей способностью. Геометрические параметры объекта определены по размытию его изображений, полученных при различных настройках фотодетектора. Для оценки отклонения вычисленного расстояния в зависимости от размытия использован статистический подход, логарифмическая, экспоненциальная и линейная стандартные функции. В статистический подход включены метод оценки наименьших квадратов и метод наименьших модулей. Проведенные исследования позволяют не только определить геометрические параметры объекта, но и дать оценку их точности, выработать элементы алгоритма, который может использоваться в реальных системах видеомониторинга.
  • объект;
  • размытие изображения;
  • система видеомониторинга;
  • метод наименьших квадратов;
  • метод наименьших модулей;
  • геометрические параметры;
Литература
  1. 1. Othonos A., Kalli K. Fiber Bragg gratings: fundamentals and applications in telecommunications and sensing. London : Artech House, 1999. 422 р
  2. Kraft H., Frey J., Moeller T., Albrecht M., Grothof M., Schink B., Hess H., Buxbaum B. 3D-camera of high 3D-frame rate, depth-resolution and background light elimination based on improved PMD (photonic mixer device)-technologies // OPTO 2004. AMA Fachverband, Nürnberg, 2004. Pp. 45-49.
  3. Nielsen C.K., Andersen T.V., Keiding S.R. Stability analysis of an all-fiber coupled cavity Fabry - Perot additive pulse modelocked laser // J. Quantum Electronics. 2005. Vol. 41. No. 2. Pp. 198-204.
  4. Akimov D., Vatolin D., Smirnov M. Single-image depth map estimation using blur information // Proceeding of the 21st GraphiCon International Conference on Computer Graphics and Vision. 2011. Pр. 112-116.
  5. Kuhnert K.-D., Langer M., Stommel M., Kolb A. Dynamic 3D-Vision // Vision Systems: Applications. June 2007. Pр. 311-334.
  6. Churin P., Poddaeva O.I. Aerodynamic testing of bridge structures // Applied Mechanics and Materials. 2014. Vol. 467. Pp. 404-409.
  7. Gaspar T., Oliveira P. New dynamic estimation of depth from focus in active vision systems // Preprints of the 18th IFAC World Congress Milano (Italy) August 28 September 2. 2011. Pp. 9470-9475.
  8. Lelegard L., Vallet B., Bredif M. Multiscale Haar transform for blur estimation from a set of images // International Archives of Photogrammetry : Remote Sensing and Spatial Information Science. Munich, Germany, October 5-7, 2011. Pp. 65-70.
  9. Lin H.-Y., Chang C.-H. Depth from motion and defocus blur // Optical Engineering. December 2006. Vol. 45 (12). No. 127201. Pp. 1-12.
  10. Levin A., Fergus R., Durand Fr., Freeman W.T. Image and depth from a conventional camera with a coded aperture // ACM Transactions on Graphics. 2007. Vol. 26. No. 3. Article 70. Pp. 124-132.
  11. Kaptelinin V. Activity theory: implications for human-computer interaction // Context and consciousness: activity theory and human-computer interaction / B. Nardi (Ed.). Cambridge (MA) : MIT Press, 1996. Pp. 103-116.
  12. Cremers D., Soatto S. Motion competition: A variational framework for piecewise parametric motion segmentation // International Journal of Computer Vision. 2005. Vol. 62. No. 3. Pp. 249-265.
  13. Elder J.H., Zucker S.W. Local scale control for edge detection and blur estimation // IEEE Transaction on Pattern Analysis and Machine Intelligence. 1998. Vol. 20. No.7. Pp. 120-127.
  14. Алфимцев А.Н., Локтев Д.А., Локтев А.А. Разработка пользовательского интерфейса комплексной системы видеомониторинга // Вестник МГСУ. 2012. № 11. С. 242-252.
  15. Алфимцев А.Н., Локтев Д.А., Локтев А.А. Сравнение методологий разработки систем интеллектуального взаимодействия // Вестник МГСУ. 2013. № 5. 200-208.
  16. Jiwani M.A., Dandare S.N. Single image fog removal using depth estimation based on blur estimation // International Journal of Scientific and Research Publications. 2013. Vol. 3. No. 6. Pp. 1-6.
  17. Локтев А.А., Алфимцев А.Н., Локтев Д.А. Алгоритм распознавания объектов // Вестник МГСУ. 2012. № 5. С. 194-201.
  18. Robinson Ph., Roodt Yu., Nel A. Gaussian blur identification using scale-space theory // Faculty of Engineering and Built Environment. University of Johannesburg, South Africa. 2007. Pр. 68-73.
  19. Wang H., Cao F., Fang Sh., Yang Cao, Fang Ch. Effective improvement for depth estimated based on defocus images // Journal of computers. April 2013. Vol. 8. No. 4. Pp. 888-894.
  20. Trifonov A.P., Korchagin Yu.E., Trifonov M.V., Chernoyarov O.V., Artemenko A.A. Amplitude estimate of the radio signal with unknown duration and initial phase // Applied Mathematical Sciences. 2014. Vol. 8. No. 111. Pp. 5517-5528.
  21. 21. Chernoyarov O.V., Sai Si Thu Min, Salnikova A.V., Shakhtarin B.I., Artemenko A.A. Application of the local Markov approximation method for the analysis of information processes processing algorithms with unknown discontinuous parameters // Applied Mathematical Sciences. 2014. Vol. 8. No. 90. C. 4469-4496
СКАЧАТЬ (RUS)