Распознавание животных на аэрофотосъемке

1. 
   НАЗВАНИЕ ДОКЛАДА:
   

Detection of animals in aerial photography

2. 
   АВТОРЫ:
   

Rogov A.A. Talbonen A. N., Timonin A. O., Kalinin A. V.

3. 
   ОРГАНИЗАЦИЯ:
   

Petrozavodsk State University

4. 
   ГОРОД:
   

Petrozavodsk

5. 
   ТЕЛЕФОН:
   

6. 
   ФАКС:
   

7. 
   E-MAIL:
   

8. 
   АННОТАЦИЯ:
   

9. 
   КЛЮЧЕВЫЕ СЛОВА:
   

Aerial photography, image processing, search for objects in images, pattern recognition

10. 
    ТЕКСТ ТЕЗИСОВ ДОКЛАДА:
    

Отметим что, экологический мониторинг актуален и для других видов фауны. В связи с этим наиболее перспективным является метод автоматической (автоматизированной) обработки аэрофотоснимков с использованием универсальных алгоритмов. Это позволит настраивать один и тот же алгоритм под разные целевые объекты (лоси, сайгаки и др.) и условия съемки (заснеженные леса, степи и др.). В данной статье рассматриваются наиболее предпочтительные методы и подходы к решению задачи автоматизации контроля численности целевых объектов.

Рисунок 1. Пример искомых объектов.

В зависимости от разрешения камеры БПЛА средний размер изображений может достигать 4k * 3k пикселей. В таких условиях наиболее предпочтительным являются методы обнаружения, основанные на обработке скользящего окна. Были исследованы следующие алгоритмы:

1. Алгоритм Виолы-Джонса, представляющий собой детектор Хаара, работающий в скользящем окне [1];

2. Распознавание изображения скользящего окна одним из нескольких алгоритмов распознавания:

a. Алгоритм локальных бинарных шаблонов [2];

b. Гистограммы ориентированных градиентов [3];

c. Метод моментов, включая моментные инварианты [4];

d. Использование нейронных сетей

e. Эвристический алгоритм порогового отсечения.

Несмотря на то, что алгоритм Виолы-Джонса обычно применяется для обнаружения людей на изображения, его можно использовать для обнаружения любых объектов. Основной проблемой при использовании этого алгоритма является сложный и затратный процесс обучения: алгоритм требует указать множество релевантных и нерелевантных изображений. С учетом того, что объектами поиска являются объекты специфические и редко встречающиеся, требуется сформировать выборку из исходной коллекции.

В ходе исследований был определен оптимальный подход для формирования первичной обучающей выборки для целевых изображений при отсутствии достаточного количества изображений подобных объектов.

1. Применение эвристических алгоритмов распознавания скользящего окна для обнаружения потенциальных объектов. В результате обработки значительной доли исходных изображений формируется большая коллекция, в которой доля релевантных объектов может не превышать 10%.

2. Использование специального графического интерфейса для ускоренного отбора релевантных объектов. Разработка для этих целей алгоритма распознавания не является оптимальным подходом, т.к. зачастую проще и быстрее просмотреть несколько тысяч небольших объектов и отсеять нерелевантные.

В качестве эвристического алгоритма было использовано пороговое отсечение изображения скользящего окна и вычисления некоторого значения на основе полученных пикселей. В этом случае пороговое значение может задаваться вручную, либо вычисляться как среднее значение фона скользящего окна. Размер окна при этом может превышать размер объекта в 1,5-2 раза. Итоговое значение вычисляется как среднее значение пикселей после применения порогового отсечения, либо как количество оставшихся пикселей.

Для ускоренной сортировки полученных таким образом объектов был разработан специальный пользовательский интерфейс. Основной его особенностью является использование быстрых манипуляций с объектами полученного списка (горячие клавиши, выделение одним кликом) и одновременное выделение сортируемого объекта на том же экране на исходном изображении. Это позволяет сортировать полученные объекты со скоростью 50-100 объектов в минуту [5].

Другим аспектом обучения алгоритма Виолы-Джонса является большое количество требуемых объектов. Требуется минимум ~100 релевантных и ~1000-10000 нерелевантных объектов. В случае, если количество найденных на первом этапе релевантных объектов незначительно, дополнить выборку искусственными объектами, полученными в результате поворота, отражения или незначительного искажения аутентичных релевантных объектов.

Процесс обучения может длиться несколько десятков часов. При этом полученный классификатор можно использовать для повторного обнаружения релевантных объектов с большей полнотой, после чего снова запустить процесс обучения. Данные операции можно повторять до тех пор, пока не будет достигнуты требуемые показатели полноты и точности.

Реализация алгоритма Виолы-Джонса в библиотеке «OpenCV» позволяет запускать полученный классификатор с различными параметрами. При этом параметры по умолчанию обеспечивают поиск с наибольшей полнотой. Однако в данном исследовании требовалось использовать алгоритмы распознавания для сортировки коллекции с наибольшей полнотой. Общая схема сортировки представлена на рисунке ниже (см. рис. 2). Подобный метод был успешно применен для обнаружения и сортировки изображений лиц низкого качества [5, 6].

Рисунок 2. Схема сортировки результатов поиска.

На данный момент теоретические и практические исследования в указанных направлениях продолжаются, однако предложенный подход уже показал свою состоятельность в плане применения полученных методик для обнаружения других групп объектов.

1. 
   Viola P., Jones M. Robust Real-time Object Detection // Second International Workshop on Statistical and Computational Theories of Vision – Modelling, Learning, Computing and Sampling. – Vancouver, Canada, 2001.
   
2. 
   Ahonen T., Hadid A., Pietikäinen M. Face Recognition with Local Binary Patterns // Machine Vision Group, Infotech Oulu.
   
3. 
   Dalal N., Triggs B. Histograms of Oriented Gradients for Human Detection. — Режим доступа: http://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf
   
4. 
   Hu M. K. Visual pattern recognition by moment invariants // IRE Trans. on Information Theory, IT-8. — pp. 179–187. — 1962.
   
5. 
   Талбонен А. Н. Математические модели и алгоритмы поиска в электронных коллекциях исторических фотографий // Диссертация на соискание ученой степени кандидата технических наук. ­— Петрозаводск. — 2012 г.
   
6. 
   Талбонен А. Н., Рогов А. А. Модели и методы поиска людей на фотографиях из исторического альбома // Ученые записки Петрозаводского государственного университета. Серия «Естественные и технические науки». — 2012. — № 6 (127). — С. 113-117.