- PII
- 10.31857/S0132347423030019-1
- DOI
- 10.31857/S0132347423030019
- Publication type
- Status
- Published
- Authors
- Volume/ Edition
- Volume / Issue number 3
- Pages
- 13-25
- Abstract
- The importance of detecting and reducing the visibility of precipitation in video images obtained by fixed cameras is shown. A statistical analysis of the geometric (area, shape factor, and orientation deviation from the frame average), and color–brightness (intensity and color saturation) characteristics of rain and snow particles is performed in order to substantiate decision rules for detecting pixels corresponding to precipitation particles. This analysis consists in obtaining distributions of the particle parameters and approximating them by known distribution laws using the family of Pearson’s curves, the Kolmogorov criterion, and the Nelder–Mead simplex algorithm. An algorithm for detecting raindrops and snowflakes in video sequences is developed, which is supposed to be used as part of an algorithm for reducing the visibility of precipitation. The proposed approach is presented in the form of a multistage classification of frame pixels into zones with moving objects and regions of a stationary background distorted and undistorted by precipitation particles in accumulated frames. Depending on the region to which the processed pixel belongs, the final decision to assign it to the class of precipitation is made using the proposed decision rules or the developed thresholding procedure with automatic determination of local threshold values. The proposed algorithm is experimentally investigated and, using a two-criteria approach, the optimal values for the number of accumulated frames for the correct operation of the algorithm are determined—100 frames for video images with rain and 140 frames for video with snow. The gain of the developed approach in comparison with the known estimates of the probabilities of false positives and false negatives is up to 1.7% and 9.1%, respectively.
- Keywords
- Date of publication
- 01.05.2023
- Year of publication
- 2023
- Number of purchasers
- 0
- Views
- 45
References
- 1. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В., Осоков М.В., Моржин А.В. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. М.: Физматкнига, 2010. 672 с.
- 2. Garg K., Nayar S.K. Vision and rain // International Journal of Computer Vision. 2007. V. 75. № 1. P. 3–27.
- 3. Jia Z., Wang H., Caballero R.E., Xiong Z., Zhao J., Finn A. A two-step approach to see-through bad weather for surveillance video quality enhancement // Machine Vision and Applications. 2012. V. 23. № 6. P. 1059–1082.
- 4. Brewer N., Liu N. Using the shape characteristics of rain to identify and remove rain from video // Joint IAPR International Workshops on Statistical Techniques in Pattern Recognition (SPR) and Structural and Syntactic Pattern Recognition (SSPR). Berlin, Heidelberg: Springer, 2008. P. 451–458.
- 5. Bossu J., Hautiere N., Tarel J. Rain or Snow Detection in Image Sequences through use of a Histogram of Orientation of Streaks // International Journal of Computer Vision. 2011. № 93.
- 6. Кириллов С.Н., Покровский П.С., Бауков А.А. Алгоритм уменьшения влияния атмосферных осадков на качество видеоизображений в системах управления // Сб. тез. докл. научно-техн. конф. “Техническое зрение в системах управления – 2019”. 2019. С. 34–35.
- 7. Pearson K. Contributions to the Mathematical Theory of Evolution. Skew Variations in Homogeneous Material // Philosophical Transactions of the Royal Society of London. Ser. A. 1895. V. 186. P. 343–414.
- 8. Тихонов В.И. Статистическая радиотехника. М.: Радио и связь, 1982. 624 с.
- 9. Голик Ф.В. Аппроксимация кривыми Пирсона плотности распределения суммы независимых одинаково распределенных случайных величин // Кибернетика и программирование. 2017. № 2. С. 17–41.
- 10. Гончаров В.А. Методы оптимизации. М., 2008. 188 с.
- 11. Lagarias J.C., Reeds J.A., Wright M.H., Wright P.E. Convergence Properties of the Nelder-Mead Simplex Method in Low Dimensions // SIAM Journal of Optimization. 1998. V. 9. № 1. P. 112–147.
- 12. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высш. шк., 2003. 479 с.
- 13. Вероятность и математическая статистика: Энциклопедия / Под ред. Ю.В. Прохорова. М.: Большая Российская энциклопедия, 2003. 912 с.
- 14. Вадзинский Р.Н. Справочник по вероятностным распределениям. СПб.: Наука, 2001. 295 с.
- 15. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.
- 16. Pfister R., Schwarz K.A., Janczyk M., Dale R., Freeman J. Good things peak in pairs: a note on the bimodality coefficient // Frontiers in psychology. 2013. V. 4.
- 17. Савинов А.Н., Иванов В.И. Анализ решения проблем возникновения ошибок первого и второго рода в системах распознавания клавиатурного почерка // Вестник ВУиТ. 2011. № 18.
- 18. Статистические методы. Вероятность и основы статистики. Термины и определения. ГОСТ Р 50779.10-2000. М.: Госстандарт России, 2001. 42 с.
- 19. Лисничук А.А., Батищев А.В. Двухкритериальный синтез OFDM-сигналов для повышения энергетической эффективности и помехоустойчивости // Вестник РГРТУ. 2021. № 76. С. 3–16.
- 20. Гонсалес Р., Вудс Р., Эддинс Р. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006. 616 с.
