Проблема автоматизированного распознания и отслеживания людей на видео, получаемом с камер видеонаблюдения, привлекает внимание исследователей в последние годы, так как значительно улучшились качество и доступность IP-камер, позволяющих без дорогостоящего оборудования обеспечить видеонаблюдение за произвольным объектом. В то же время, в коммерчески используемых системах, отслеживание людей по-прежнему используется крайне поверхностно, ограничиваясь, как правило, только фактом наличия движения в заданной области, чуть реже оценивая размеры движущегося объекта чтобы исключить срабатывание на животных [1]. В научных работах преобладают рассмотрения программных подходов, позволяющих как дополнительно увеличить точность отслеживания маршрута перемещения за счет просчета траектории движения, так и добавить новые возможности к видеонаблюдению: распознавания людей, реагирование только на определенные лица, учет времени прохода определенных лиц.

Другая многообещающая область применения данных технологий - маркетинговые исследования. Целью данных исследований может быть, к примеру, установление маршрута покупателя в магазине. При сборе достаточного объема данных, можно оптимизировать расположение товаров с целью увеличения эффективности продаж. Помимо магазинов, отслеживание пути человека, с его идентификацией, может быть применено в системах «умный дом». Одной из основных сложностей в построении подобных систем, является именно отслеживание текущих действий пользователя. Как правило, срабатывания строятся на простых триггерах, например, наличие движения в определенной комнате, что дает недостаточно высокую корреляцию между ожидаемой и получаемой реакцией системы. Возможность отслеживания перемещений и «понимание» намерений пользователей могло бы значительно улучшить точность срабатывания.

Среди описанных выше областей применения, обычно рассматривается именно применение автоматизированного распознавания людей для обеспечения безопасности объекта. К сожалению, большинство наработок в данной области - либо используемые коммерческими компаниями части проприетарных систем, продающиеся исключительно вместе с аппаратной платформой и недоступные для ознакомления для потенциальных пользователей, либо незавершенные любительские поделки, используемые для ознакомления с технологиями и тестирования отдельных алгоритмов. В таких условиях, нет возможности просто взять и использовать в каком-то виде готовую библиотеку с реализованным функционалом в своем проекте, необходимо либо глубоко разбираться в вопросе самостоятельно, либо покупать и использовать чужую систему целиком. Поэтому, цель данной работы - создать программу, предоставляющую базовый функционал по идентификации и отслеживанию людей между видеопотоками, которую можно было бы использовать без погружения в нюансы алгоритмов.

Для достижения этой цели требуется выполнить следующие задачи:

· Проанализировать существующие исследования на данную тему, рассмотреть предлагаемые в них подходы и алгоритмы.

· Разработать алгоритм работы программы идентификации людей на видеопотоках.

· Выбрать инструменты реализации предложенного алгоритма.

· Разработать программу, реализующую предложенный алгоритм.

· Провести испытания программы.

· Разработать техническую документацию.

Глава 1. Алгоритмы идентификации движения на видео

· Физиологические. Данные характеристики включают в себя врожденные черты человека, такие как: телосложение, обхваты тела, черты лица, геометрия руки, отпечатки пальцев.

Решение, предложенное в работе, основано на комбинировании различных биометрических метрик для улучшения качества распознания. Используются метрики:

· Цветовая гамма одежды;

· Текущее положение в пространстве;

· Телосложение.

Распознавание силуэтов людей производится на каждом кадре с помощью каскадов Хаара.

Каскад Хаара

Признаки Хаара (примитивы Хаара) - один из наиболее популярных признаков изображения, используемых для распознавания образов. Каждый признак включает в себя несколько смежных прямоугольных зон, расположенных определенным образом на изображении. Разница между суммами яркостей пикселей зон, является значением признака. Различные признаки имеют различное расположение более светлых и более темных зон, таким образом позволяя описать одним из них практически любое сочетание светлых и темных зон.

Рисунок 3. Примитивы Хаара

Каскад Хаара - это набор из некоторого количества признаков Хаара, имеющий определенные свойства взаимного расположения признаков на изображении. Используя достаточно большое количество примитивов, можно описать любой объект на изображении.

Эта техника удобна тем, что позволяет использовать предварительно рассчитанное описание характеристик искомого изображения многократно и является одним из самых быстрых способов распознавания объектов на изображении (при условии использования предварительно рассчитанного каскада) [5] .

Принцип работы алгоритма заключается в том, что по всему изображению прогоняется прямоугольное сканирующее окно. Во всех тестируемых положениях рассчитывается яркость зон, описанных в примитивах поискового каскада. Если карта яркости фрагмента изображения в окне похожа на искомый примитив - информация об этом сохраняется. По итогам сканирования изображения найденные совпадения анализируются, группируются и проверяются на соответствие условиям взаимного расположения элементов в каскаде. Если расположение найденных элементов совпадает с эталонным, зоны, содержащие требуемые признаки, подаются на выход алгоритма [6].

Помимо высокой скорости распознавания преимуществом использования данного алгоритма является то, что каскады для большинства основных фигур и предметов (включая части человеческого тела) уже неоднократно были рассчитаны с достаточной точностью, что позволяет не проводить обучение и подбор соответствующих выборок самостоятельно, а просто взять готовый классификатор и использовать в своей программе.

Помимо выделения силуэтов людей на изображении, выполняется отделение движущихся объектов от фона с помощью алгоритма, описанного P. KadewTraKuPong и R. Bowden в их работе «An improved adaptive background mixture model for real-time tracking with shadow detection» [7].

Алгоритм выделения фона