Вы находитесь на странице: 1из 3

ОТЧЕТ

О ВЫПОЛНЕНИИ ИНДИВИДУАЛЬНОГО ПЛАНА РАБОТЫ


МАГИСТРАНТА Волковского Е.С.

Специальность 1-53 80 01 «Автоматизация» с профилизацией


«Анализ и управление в системах цифровой экономики»
Форма получения Дневная
образования
Научный Кадан Александр Михайлович,
руководитель доцент кафедры системного программирования и
компьютерной безопасности, кандидат технических наук,
доцент

В соответствии с планом подготовки магистерской диссертации, в ноябре-


декабре 2020 года было выполнено: обоснование выбора методов, алгоритмов и
ПО для решения поставленной задачи.

Логика работы программы будет состоять из следующих модулей, которые


можно как использовать вместе (в режиме реального времени), так и разделить:
1. Модуль обнаружения объектов.
2. Модуль сопровождения объекта.
3. Модуль отображение результатов.

Вкратце рассмотрим основное назначение каждого модуля.


Модуль обнаружения объектов — в данном модуле происходит
распознавание образов объектов и их выделение. Данный модуль должен «на
вход» принимать путь к видеофайлу. После – производить обнаружение целевых
объектов для каждого кадра данного видео. Результатом работы данного модуля
будет большой массив с данными об обнаруженных объектах.
Модуль сопровождения объектов — в данном модуле происходит так
называемый трекинг объекта. «На вход» данный модуль принимает массив
объектов, полученный в результате модуля обнаружения объектов. А именно –
сведения о типе и координатах объекта для каждого объекта каждого кадра.
Результатом работы данного модуля будет так же являться массив, но уже с
данными об координатах каждого объекта с учётом их расположения ранее.
Модуль отображения результатов — в данном модуле происходит
отображение данных, полученных из модуля сопровождения объекта. Вывод
результатов может происходить как в режиме вывода на экран (режим реального
времени), так и в режиме сохранения видео в файл.

Существует достаточное количество различных подходов при решении


задачи обнаружения движущихся объектов в потоке видео-данных:
1. Методы, базирующиеся на временных различиях [1]
2. Методы моделирования и вычитания фона [2]
3. Использование сети «ResNet» [3]
4. Использование сети «YOLOv3» [4]

Каждый из этих подходов можно использовать при обнаружении объектов.


Однако первые два из них – методы, базирующиеся на временных различиях, а
также методы моделирования и вычитания фона – являются весьма зависимыми
от шумов. Несмотря на то, что они могут быть быстрее и эффективнее нейронных
сетей при удачном расположении и правильном подборе параметров – данные
методы всё же слишком сильно подвержены влиянию шумов. Именно поэтому в
программе будут использоваться нейронные сети. Их устойчивость к шумам, в
дополнение к простоте использования и точности результатов, делают их
хорошим выбором.
Методов для сопоставления объектов так же достаточное количество. Но
следует понимать, что большую роль в данном случае играют особенности
объекта, который будет сопровождаться.

Форма представления одного объекта может быть разной [5]:


1. Точки (объект представляет собой точку или набор точек).
2. Примитивные геометрические формы (прямоугольник или эллипс)
3. Силуэт объекта и контур

Литература

1. Методы вычитания фона в системе управления технологическим процессом


[Электронный ресурс] / КиберЛенинка предоставляет возможность читать тексты
научных статей бесплатно. — Режим доступа: https://cyberleninka.ru/article/n/metody-
vychitaniya-fona-v-sisteme-upravleniya-tehnologicheskim-protsessom. — Дата доступа:
01.12.2020.
2. Алгоритмы вычитания фона (Background Subtraction Algorithms) [Электронный ресурс] /
Моделирование и распознавание 2D/3D образов. (Modeling and recognition of 2D/3D
images). — Режим доступа: https://api-2d3d-cad.com/background/. — Дата доступа:
01.12.2020.
3. Эволюция нейросетей для распознавания изображений в Google: Inception-ResNet
[Электронный ресурс] / Security-Corp.org - ресурс посвященный вопросам
информационной безопасности. — Режим доступа: http://security-
corp.org/companies/microsoft/33752-evolyuciya-neyrosetey-dlya-raspoznavaniya-
izobrazheniy-v-google-inception-resnet.html. — Дата доступа: 01.12.2020.
4. YOLOv3: Real-Time Object Detection Joseph Redmon [Электронный ресурс] / Survival
Strategies for the Robot Rebellion. — Режим доступа: https://pjreddie.com/darknet/yolo/. —
Дата доступа: 01.12.2020.
5. Классификация современных методов трекинга объектов в интеллектуальных системах
видеонаблюдения [Электронный ресурс] / КиберЛенинка предоставляет возможность
читать тексты научных статей бесплатно. — Режим доступа:
https://cyberleninka.ru/article/n/klassifikatsiya-sovremennyh-metodov-trekinga-obektov-v-
intellektualnyh-sistemah-videonablyudeniya. — Дата доступа: 01.12.2020.
Магистрант
(подпись)
Аттестация магистранта научным руководителем
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________

Научный руководитель
(подпись)

Решение кафедры по результатам


отчета_________________________________________________________________
______________________________________________________________________
______________________________________________________________________

Утвержден на заседании кафедры системного программирования и


компьютерной безопасности

протокол заседания

№_________от__________20__г.