На основании получаемой маски реализовано выделение конкретного объекта, результат этого выделения изображен на рисунке 4.6.

Рис. 4.6. Результат выделения объекта

Для выделенного объекта возможно определение положения и скорости центра масс, а также размеров объекта по вертикали и горизонтали, выраженных в пикселях.

4.3 Распознавание движений

На рисунке 4.7 изображен интерфейс окна «Распознавание движений». В нем можно указать файлы видеозаписи и описания к ней, а также выбрать и настроить метод выделения объекта.

Поля ввода в нижнем левом углу позволяют задать начальную область интереса, в которой ожидается наличие исследуемого объекта. Окно позволяет сначала провести обучение на выбранной паре файлов, а затем провести испытание с выбором другой пары.

Рис. 4.7. Окно «Распознавание движений»

4.4 Результаты работы

Был реализован метод описания движений объекта с помощью характеристик его контура - положение центра масс контура в кадре, скорость перемещения центра масс, размеры охватывающего прямоугольника.

Несмотря на кажущуюся простоту применяемых характеристик, они оказываются существенными при описании значительного количества движений объекта, совершаемых в пределах оборудованной емкости.

На рисунке 4.8 приведен кадр видеозаписи, на которой проводилось испытание. Помимо объекта в емкости помещен контейнер для кормления.

Исследовались движения следующих видов:

1. Rest. Мышь находится в покое.

2. Walk. Мышь перемещается по емкости на четырех лапах.

3. Rear. Мышь стоит на задних лапах.

4. Groom. Мышь не умывает мордочку.

5. Eat. Мышь принимает пищу слева из контейнера.

6. Hang. Мышь повисает на сетке, расположенной сверху.

Рис. 4.8. Кадр тестовой видеозаписи

7. Micromovements. Прочие движения сопровождающиеся изменениями положения тела и его частей.

Для тестовой видеозаписи было построено описание каждого кадра с помощью таких векторов. Затем на этих данных было обучено дерево решений с помощью алгоритма CART.

Результат проверки обучения на второй тестовой записи представлен на рисунке 4.9.

Рис. 4.9. Фрагмент результата классификации кадров видеозаписи

Сплошной линией на рисунке изображены действительные значения классов движений, к которым принадлежит кадр, а сплошной - определенные с помощью дерева решений. По вертикали условно изображены номера классов движений, а по горизонтали - номера кадров.

Диаграмма ошибок распознавания приведена на рисунке 4.10.

Рис. 4.10. Диаграмма ошибок распознавания

Средняя точность распознавания 38%. Существенное ухудшение качества распознавания вносит движение «Eat», которое распознается в минимальном количестве случаев. Несмотря на достаточно низкую точность в общем случае, метод позволяет отделять некоторые движения с достаточной эффективностью. Их исключение из рассмотрения позволит снизить нагрузку на специалистов, просматривающих записи.

Заключение

В настоящей выпускной квалификационной работе рассматривалось применение методов распознавания жестов животного на видеозаписи, с использованием подходов, которые широко используются при работе с движениями человека.

Получены результаты:

1. Проанализированы подходы, использующиеся для распознавания движений человека на видеозаписях. Выявлена единая схема, отличающаяся вариацией элементов, используемых в работе.

2. Рассмотрены методы обнаружения объекта на видеозаписи, необходимые для подготовки видеоданных для последующего распознавания. Выбран удовлетворяющий нашим условиям метод.

3. Разработана модель распознавания движений с возможностью обучения и использования различных алгоритмов детектирования особенностей и распознавания движений.

4. Реализовано и испытано программное средство, соответствующее модели.

Использованный метод позволяет с достаточной точностью определять некоторые виды движений, что позволяет исключить из рассмотрения хотя бы часть имеющихся фрагментов. Таким образом применение подобного программного средства способно частично снизить нагрузку лежащую на исследователе.

В продолжение данной работы возможно испытание иных методов, используемых при распознавании движений человека, однако применение многих из них требует более высокого качества видеосъемки.

Список источников информации

1. Shekhar A., McCann U.D., Meaney M.J. Summary of a National Institute of Mental Health workshop: developing animal models of anxiety disorders. // Psychopharmacology. - Berlin, 2001. - C.328-339.

2. Innovative solutions for animal behavior research. [Электронный ресурс] / Noldus Information technology. URL: http://www.noldus.com/files/swf/catalog/animal.html (дата обращения: 26.06.2016).

3. Guangchun Cheng, Yiwen Wan, Abdullah N. Saudagar, Kamesh Namuduri, Bill P. Buckles. Advances in Human Action Recognition: A Survey // Dept. of Computer Science and Engineering, University of North Texas. - 2015. - 30 с.

4. Julian Stцttinger, Bogdan Tudor Goras, Nicu Sebe, Allan Hanbury. Behavior and Properties of Spatio-temporal Local Features under Visual Transformations. // ACMM. - 2010. - 4 c.

5. H. Wang, M.M. Ullah, A. Klдser, I. Laptev and C. Schmid. Evaluation of local spatio-temporal features for action recognition. // BMVC. - 2009. - 9 с.

6. Olivier Duchenne, Ivan Laptev, Josef Sivic, Francis Bach and Jean Ponce. Automatic Annotation of Human Actions in Video. // ICCV. - 2009. - 8 c.

7. Ivan Laptev. Local Spatio-Temporal Image Features for Motion Interpretation. // Department of Numerical Analysis and Computer Science. - 2004. - 2 c.

8. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2005. - 1072 c.

9. Компьютерное зрение / Шапиро Л., Стокман Дж. - М.:Бином, 2006. - 276 c.

10. Piotr Dollar Vincent Rabaud Garrison Cottrell Serge Belongie. Behavior Recognition via Sparse Spatio-Temporal Features. // VS-PETS. - 2005. - 8 с.

11. Huitao Luo. Algorithms for Video Object Detection and Segmentation with Application to Content-Based Multimedia Systems. // Columbia University. - 2000. - 181 с.

12. M.H. Ali, Fadhan Hafiz, A. A Shafie, Motion Detection Techniques using Optical Flow. // World Academy of Science, Engineering and Technology. - 2009. - Т.32. - С. 559-561.

13. WeiShuigen, ChenZhen, DongHua, Motion Detection Based on Temporal Difference Method and Optical Flowfield. // Second International Symposium on Electronic Commerce and Security. - 2009. - С. 85-89.

14. K. Suganya Devi, N. Malmurugan, M. Manikandan, Object Motion Detection in Video Frames Using Background Frame Matching. // International Journal of Computer Trends and Technology. - 2013. - Т.4. - Вып.6. - С. 1928-1931.

15. Nan Lu, Jihong Wang, Q.H Wu, Li Yang, An Improved Motion Detection Method for Real-Time Surveillance // International Journal Of Computer Science. - 2008. - Т.1. - Вып.6. - С. 1-10.

16. А.В. Сорокин, С.Ю. Самсон, Ю.Г. Древс. Критерии эффективности алгоритмов обнаружения манёвров динамических объектов // Научная сессия МИФИ - 2009. Сборник научных трудов. М., Т. 5. - 2009. - 2 с.

Размещено на Allbest.ru