NAU Harvester System
Структура допоміжної класифікації наземних об’єктів за відеоспостереженням
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
Структура допоміжної класифікації наземних об’єктів за відеоспостереженням
STRUCTURE OF AIDED CLASSIFICATION OF GROUND OBJECTS BY VIDEO OBSERVATION Структура вспомогательной классификации наземных объектов по видеонаблюдению |
|
| Creator |
Mukhina, M. P.; Національний авіаційний університет, Київ
Barkulova, I. V.; Національний авіаційний університет, Київ |
|
| Subject |
Вектор характерних ознак; дескриптивний простір; допоміжна класифікація; класифікатор Байєса; Марковські процеси
УДК 528.715:004.932(045), Feature vector; descriptive space; aided classification; Bayesian segmentation UDC 528.715:004.932(045) Вектор характерных признаков; дескриптивный простор; вспомогательная классификация; классификатор Байеса; Марковские процессы УДК 528.715:004.932(045) |
|
| Description |
Проведено аналіз системи класифікації за даними відеоспостереження. Сформульовано, що для виділення ознак та їх класифікації, потрібно отримати нормалізовані гіпотези для виявлення ознак об’єкта, приймаючи до уваги орієнтацію камери та висоту польоту. Запропоновано структуру допоміжної класифікації на основі ймовірнісних моделей, таких як класифікатор Байєса та Марковські процеси. Запропонований алгоритм був застосований для виявлення лише двох ознак, що відносяться до BLOB аналізу. Класифікацію було проведено відповідно до двох основних характерних параметрів – площа та центр мас. Вектор ознак складається лише з найінформативніших складових та дозволяє мінімізувати ризики. Результати підтвердили надійність класифікації відповідно до набору відео кадрів у умовах неповних даних дескриптивного простору.
Analysis of classification structure by video observation has been done. It was formulated, that for feature extraction and their classification, normalized hypothesis for object feature detection, taking into account camera orientation and flight height, have being obtained. The system with aided classification based on probabilistic models, such as Bayesian classifier and Markov chain model, is proposed. The applied algorithm was used for detection by only two features related to Binary Large Objects (BLOB) analyses. Classification was done by two main feature parameters: area and center of mass. Feature vector contains the most informative components and allows the minimization of decision risks. Results have proven the reliability of classification during a number of video frames in the condition of non-full data descriptive space. Проведено системный анализ классификации за данными видеонаблюдения. Сформулировано, что для выделения признаков и их классификации, нужно получить нормализированные гипотезы для обнаружения признаков объекта, принимая во внимание ориентацию камеры и высоту полета. Предложено структуру вспомогательной классификации на основании вероятностных моделей, таких как классификатор Байеса и Марковские процессы. Предложенный алгоритм был применен для обнаружения только двух признаков, что относятся к BLOB анализу. Классификация было произведена относительно двух основных параметров – площадь и центр масс. Вектор признаков состоит из наиболее информативных составляющих и позволяет минимизировать риски. Результаты подтвердили надежность классификации соответственно набору видео кадров в условиях неполных данных дескриптивного пространства. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2017-12-15
|
|
| Type |
—
— |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/ESU/article/view/12339
10.18372/1990-5548.54.12339 |
|
| Source |
Electronics and Control Systems; Том 4, № 54 (2017); 118-123
Электроника и системы управления; Том 4, № 54 (2017); 118-123 Електроніка та системи управління; Том 4, № 54 (2017); 118-123 |
|
| Language |
en
|
|
| Rights |
Authors who publish with this journal agree to the following terms:Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
|
|