видеосистема обнаружения неподвижных объектов на ЖД переезде

Значение каждого пикселя становится средневзвешенным для окрестности. Исходное значение пикселя принимает наибольший вес (имеет наивысшее Гауссово значение), и соседние пиксели принимают меньшие веса, в зависимости от расстояния до них.
Для двумерного изображения, фильтр Гаусса имеет вид:
где В - фильтр, который умножается на матрицу изображения.
После фильтрации происходит слудющий этап - выделение границ, в качестве входных значений для которого используется уже «размытое» изображение.

Выделение границ на основе оператора Собеля. Выбор границ происходит в местах, где имеет место быть максимальное значение градиента. Оно зависит от направления поиска градиента. Поиск градиента производится при помощи метода пространственного диффиренцирования. В алгоритме Канни четыре ядра фильтра, отвечающие за горизонтальное, вертикальное и два диагональных направления.
В алгоритме используются специализированные ядра фильтра, который является некоей разновидностью оператора Собеля. Оператор Собеля имеет вид двух масок, с помощью которых он осуществляет свёртку исходного изображения и вычисляет приближенное значение производной по вертикали и горизонтали.
Формула оператора Собеля:
Gx и Gy — матрицы, у которых каждая точка содержит приближенные производные по x и по y.

где А - матрица исходного изображения.
Оператор в методе Канни использует маски так же и по диагоналям.
Далее, вычисляется градиент. Градиент представляет собой скорость с которой изменяется яркость изображения в каждой точке, что дает возможность определить границу и ее ориентацию. Вычисляется модуль и направление градиента:

При применении данного оператора в области постоянной яркости, т. е. области, где нет резких перепадов или границ, вектор будет близкий к нулю. В точке на границе областей, имеющих различную яркость, величина вектора будет значительно больше, с направлением в сторону увеличения яркости.
К пикселям границ относят пиксели, которые дают локальный максимум градиента в направлении его вектора. Угол направления должен быть кратен 45°.
После вычисления оператора Собеля определяется угол направления вектора границы. Направления вектора округляется до ближайшего угла, кратного 45° (0, 45, 90 и 135°). Затем проверяется достижение локального максимума величиной градиента в найденном направлении вектора.
В результате подавления локальных неопределенностей толщина линии границы становится равномерной и тонкой, что увеличивает точность ее расположения.

Двойная пороговая фильтрация. Метод двойной пороговой фильтрации заключается в определении областей на изображении, где могут располагаться границы, за счет пороговых значений. Чем пороги выше, тем меньшее количетсво границ будет обнаружено, и тем меньше будет шума на изображении. Высокий порог ослабляет обнаружение границ вплоть до ее фрагментации, а слишком низкий - пропускает много лишней информации и шума.
Алгоритм Канни использует двойную пороговую фильтрацию: относятся к границе только пиксели, которые попадают в средний диапазон, т. е. имеют значения выше нижнего порога и ниже верхнего. Остальные - исключаются.
Двойная пороговая фильтрация полезна в случае, когда объекты и фон сильно отличаются друг от друга, при этом нужно выделять лишь контур границы. Все пиксели, которые проходят предыдущие этапы, проверяются на близкое расположение друг к другу. Те пиксели, которые лежат обособленно или отдаляются от границы, подавляются. Пиксели, расположенные в непосредственной близости по одному из вертикальных, горизонтальных или диагональных направлений, определяются как результирующая граница.
Выделение контура методом Marr-Hildreth
Некоторые операторы выделения границ вместо работы с градиентом используют вторые производные яркости изображения. Это естественным образом определяет силу изменения градиента. Таким образом, в идеальном случае, обнаружение нулей второй производной позволит обнаружить локальные максимумы градиента.
Оператор Марра-Хилдрета основан на вычисления корней оператора Лапласа, примененного к изображению, сглаженному фильтром Гаусса. Однако, было показано, что этот оператор выделяет ложные границы на однородных участках изображения, где градиент имеет локальный минимум. К тому же этот оператор плохо локализовывает скругленные края. Поэтому данный оператор представляет сейчас скорее историческую ценность.
Программные средства для работы с изображениями
При наличии активно развивающихся средств автоматической генерации из последовательных процедурных языков программирования в hdl-описания для реализации в ПЛИС и заказных интегральных схемах (например, Catapult от Mentor Graphics), можно брать готовые алгоритмы из существующих библиотек и подвергать их автоматическому преобразованию в вид, пригодный для использования в ПЛИС. Даже при отсутствии методов автоматической генерации, возможна ручная адаптация таких алгоритмов и программ.
Библиотека OpenCV
OpenCV (англ. Open Source Computer Vision Library, библиотека компьютерного зрения с открытым исходным кодом) — библиотека алгоритмов компьютерного зрения, обработки изображений и численных алгоритмов общего назначения с открытым кодом [10]. Реализована на C/C++, также разрабатывается для Python, Java, Ruby, Matlab, Lua и других языков. Может свободно использоваться в академических и коммерческих целях — распространяется в условиях лицензии BSD.
Библиотека содержит следующие модули, которые могут быть полезны для решения задачи распознавания границ объектов:
opencv_imgproc — обработка изображений (фильтрация, геометрические преобразования, преобразование цветовых пространств и т. д.);
opencv_features2d — распознавание и описание плоских примитивов (SURF (англ.)русск., FAST и другие, включая специализированный фреймворк);
opencv_objdetect — обнаружение объектов на изображении (нахождение лиц с помощью алгоритма Виолы-Джонса (англ.), распознавание людей HOG и т. д.);
opencv_ml — модели машинного обучения (SVM, деревья решений, обучение со стимулированием и т. д.).
Функция findContours() предназначена для поиска контуров в бинарном изображении (предварительно требуется произвести соответствующие преобразования). При этом используется топологический структурный анализ при помощи следования границе (Topological structural analysis of digitized binary images by border following).

Библиотека OpenCL
OpenCL (от англ. Open Computing Language — открытый язык вычислений) — фреймворк для написания компьютерных программ, связанных с параллельными вычислениями на различных графических (англ. GPU) и центральных процессорах (англ. CPU), а также FPGA [11]. Вo фреймворк OpenCL входят язык программирования, который базируется на стандарте C99, и интерфейс программирования приложений (англ. API). OpenCL обеспечивает параллелизм на уровне инструкций и на уровне данных и является реализацией техники GPGPU. OpenCL является полностью открытым стандартом, его использование не облагается лицензионными отчислениями.
Цель OpenCL состоит в том, чтобы дополнить OpenGL и OpenAL, которые являются открытыми отраслевыми стандартами для трёхмерной компьютерной графики и звука, пользуясь возможностями GPU. OpenCL разрабатывается и поддерживается некоммерческим консорциумом Khronos Group, в который входят много крупных компаний, включая AMD, Apple, ARM, Intel, Nvidia, Sony Computer Entertainment, Sun Microsystems и другие.
Ключевыми отличиями используемого языка от Си (стандарт ISO 1999 года) являются:
отсутствие поддержки указателей на функции, рекурсии, битовых полей, массивов переменной длины (VLA), стандартных заголовочных файлов;
расширения языка для параллелизма: векторные типы, синхронизация, функции для Work-items/Work-Groups;
квалификаторы типов памяти: __global, __local, __constant, __private;
иной набор встроенных функций.
Image Processing Toolbox от MATLAB
Image Processing Toolbox - средства для цифровой обработки и анализа изображений, предоставляемые вместе со средой разработки приложений MATLAB [12]. Пакет предоставляет обширный набор эталонных алгоритмов и графических инструментов. Кроме него, имеется набор сопрягаемых пакетов, направленных на решение всевозможных специфических задач и задач в нетрадиционной постановке.
Image Processing Toolbox поддерживает различные операции обработки изображений, включая:
пространственные преобразования изображений
морфологические операции
скользящую и блочную обработку
линейную фильтрацию различными фильтрами
анализ и улучшение изображений
восстановление изображений
удаление размытостей
обработка области интереса
Многие функции приложения представляются в системе MATLAB как M-файлы. В них реализуются наиболее известные алгоритмы обработки изображений. Также существует возможность просмотра программных кодов функций, которые реализует данные алгоритмы.
Имеются алгоритмы выделения контуров, которые позволяют распознавать границы объекта на изображении (методы Собеля, Превита, Робертса, Кэнни, лапласиана Гаусса), алгоритмы сегментации для определения границ областей на изображении (автоматическое пороговое выделение, методы контурных линий, преобразование водораздела), морфологические операции, которые позволяют выделять края, усиливать контраст, удалять шум, сегментируют изображения на области, тонкие области (операции эрозии и дилатации, операции открытия и закрытия, маркировка связанных компонентов, водораздельная сегментация, восстановление изображения, преобразование расстояний).
Приведём список функций, которые могут быть полезны для выделения контуров.
Морфологические операции над бинарными изображениями:
bwboundaries - отслеживание локальных границ на бинарном изображении
bwperim - выделение границ бинарных объектов
bwselect - выделение объектов
bwtraceboundary - oтслеживание контуров бинарных изображений
Сегментация изображений
poly2mask - преобразование некоторой области в маску
qtdecomp - сегментация методом разделения
qtgetblk - получение блоков из квадро–дерева результатов сегментации
qtsetblk - замена блоков–результатов сегментации
edge - выделение границ
roipoly - задание области интереса с помощью полигона
roicolor - бинаризация по заданым цветам
watershed - Алгоритм маркерного водораздела
Также, есть демонстрирующее демо:
edgedemo - демонстрация выделения границ объектов изображения.

Глава 2. Разработка программно-аппаратного комплекса обнаружения неподвижных объектов
Обоснование и описание выбора принципа действия системы
Видеосистема обнаружения должна автоматически выдавать тревожный сигнал при наличии посторонних объектов на переезде. Наиболее удобным видится вариант, когда для оповещения используется связь GPRS, позволяющая произвольно масштабировать количество устройств, не ограничивает в географии, и предоставляет возможность оповещения как дежурного переезда, непосредственно на объекте, так и диспетчерскую, и машинистов ближайших поездов. Также, система должна включаться только при поднятых шлагбаумах - иначе, она будет реагировать на каждую проезжающую машину.
В предыдущей главе был произведён обзор существующих способов организации видеонаблюдения за железнодорожными переездами и алгоритмов обработки видеоизображения, которые могут оказаться полезными в данном случае.
Наиболее оправданным видится использование метода вычитания фона. В качестве фона нужно иметь эталонное изображение переезда, когда на нём нет посторонних предметов. Когда превышается некоторое пороговое значение, характеризующее определённое количество пикселей, или же размер объекта, не соответствующего эталонному изображению «чистого» переезда, происходит срабатывание тревожного сигнала - у дежурного переезда, или даже у машиниста ближайшего поезда, при установке в кабине соответствующего оборудования.
Если объект на изображении безобиден (например, появившаяся после дождя лужа, листья, т.д.), должна быть возможность указать устройству, что хотя имеет место быть разница с эталонным изображением, имеющиеся на нём посторонние объекты не представляют опасности. После нажатия кнопки «отбой» эталонное изображение переезда без посторонних предметов меняется на текущее (т.е., если, например, после дождя появилась лужа, и сработал тревожный сигнал - то следующий тревожный сигнал сработает, когда лужа исчезнет).
Таким образом, данный способ является только частично автоматизированным и требует участия человека. Возможно ограничить участие человека только периодом «обучения», когда перебираются все возможные ситуации. Так же допустим вариант, когда изображения с камер (не обязательно постоянный поток - возможна передача только отдельных кадров) и тревожные сигналы транслируются в диспетчерскую, и там ответственный человек отключает все тревожные сигналы, реагируя только на действительно важные.
При установке порогового значения разницы с эталоном достаточно высоким, возможно отсечение всех мелких объектов (луж, камней, следов шин, листьев). При этом, конечно же, возможен случай, когда количество отдельных объектов превышает в совокупности пороговое значение, для этого необходимо учитывать разницы лишь отдельных объектов, не сумму их.
Возможно сильно автоматизировать систему - когда местные устройства видеонаблюдения при возникновении экстраординарных ситуаций отправляют сигналы на мощный высокопроизводительный сервер, который производит детальную обработку и анализ полученного изображения. Обнаруженные объекты могут сравниваться с имеющимся банком «допустимых» или «недопустимых» объектов. Правда, в данном случае может увеличиться задержка на отправку и обработку изображения.
При наличии некоторого банка имеющихся допустимых «фонов», возможно полностью автоматическое определение прямо на месте. При этом, с ростом количества допустимых вариантов фона будет расти время на обработку изображения. Поэтому, необходимо либо ограничение количества фонов, либо увеличение вычислительной мощности отдельных устройств, распараллеливание вычислений, что дорогостояще и громоздко.
Оправданным видится вариант использования информации о яркости изображений (первая составляющая так называемого YUV-цветового пространства), и работа не со всем изображением, а только с контурами, полученными через градиенты. Таким образом, выделяются только контуры объектов, вне зависимости от их цвета, освещённости и т.д. Выделение из многоцветовых изображений двоичных чёрно белых (только два состояния пикселя - белый или чёрный) позволяет гораздо быстрее обрабатывать и сравнивать текущее изображение с эталонными кадрами переезда.

Описание структуры системы
В качестве рабочей, примем следующую структуру системы. Для получения изображения используется цифровая видеокамера, выход с которой напрямую заведён на цифровое устройство обработки информации, которым может быть специализированная аппаратура, контроллер, или, при наличии переездного поста, в качестве подобного устройства может использоваться установленный там персональный компьютер с соответствующим ПО. Цифровое устройство должно иметь интерфейс для подключения видеокамеры.
Устройство автоматически включается при закрытии переезда, поэтому должен быть заведён сигнал либо с управления шлагбаумами, либо - световыми запрещающими сигналами.
Устройство обработки информации имеет в своём составе программный или аппаратный блок ЦОС и хранилище с эталонными изображениями.
Устройство имеет в своём составе блок GPRS связи для сигнализации в диспетчерскую, и реле для включения предупреждающего звукового сигнала для дежурного переезда.
Устройство имеет в своём составе кнопку для дежурного переезда, позволяющую отключить звуковой сигнал, если ничего лишнего на переезде нет, и принять текущее изображение в банк допустимых.
Рисунок 2.1. Структурная схема устройства.
Описание алгоритма функционирования системы
Всё функционирование системы можно разделить на две важные составляющие - глобальный алгоритм управления, отвечающий за включение, выключение устройства и действия при обнаржуении посторонних предметов, и алгоритм обработки изображения с камеры.
Алгоритм управления устройством.
Глобальный алгоритм управления оперируют следующими сигналами и понятиями:
сигнал о закрытии переезда;
внутренний сигнал об обнаружении постороннего объекта;
звуковой сигнал для оповещения дежурного переезда;
сигнал отбоя - если объект не представляет опасности;
сигнал дежурному через GPRS-сеть;
данные для диспетчера (картинка обнаруженного объекта).
Функционировать устройство должно следующим образом.
При закрытии переезда (поступании сигнала с датчика закрытия переезда) устройство переходит в активный режим, и циклически запускается подпрограмма анализа изображения с видеокамеры.
Если подпрограмма анализа изображения подаёт сигнал о возможном нахождении на переезде постороннего объекта, тут же:
включается звуковой сигнал для дежурного переезда;
посылается сигнал дежурному через GPRS;
изображение отправляется через GPRS.
Если дежурный переезда нажимает кнопку «отбой», изображение помечается как безобидное и помещается в банк допустимых изображений, а подпрограмма перезапускается. В следующий раз она уже не подаст тревожный сигнал. Сигналы для диспетчерской и дежурного переезда выключаются.
Алгоритм анализа изображения с камеры.
Алгоритм анализа изображения включает следующие действия: алгоритм выделения контуров, и алгоритм вычитания для всех имеющихся в банке изображений.
Алгоритм выделения контуров включает следующие шаги (подробнее они описаны в предыдущей главе):
применение ко всем элементам фильтра Гаусса, с окном 5х5 (входные данные - исходное изображение, выходные данные - отфильтрованное изображение в таком же формате);
вычисления для всех элементов производных посредством модифицированного оператора Собеля (входные данные - результаты предыдущего этапа, выходные данные - производные для каждого элемента);
вычисление градиента, модуля и угла (входные данные - производные для каждого элемента изображения, выходные данные - значения модуля и угла градиента для каждого элемента);
подавление не-максимумов градиента (входные данные - значения модуля и угла градиента для каждого элемента, выходные данные - значения максимумов градиентов);
двойная пороговая фильтрация (входные данные - значения максимумов градиентов, выходные данные - результирующий рисунок контуров).
Укрупнённое структурное описание алгоритма приведено на Рис. 2.2.

Рис. 2.2. Схематичное представление алгоритма выделения границ по методу Канни
Адаптированный алгоритм вычитания фона для всех имеющихся в банке устройства контуров изображений включает следующие шаги:
запуск итерации, с текущим изображением с камеры в качестве фона;
выборка из банка изображений эталонного фона соответствующего итерации фона (количество итераций равнеяется количеству изображений, и номер итерации должен соответствовать номеру изображения, для упрощения адресации в многомерном массиве данных, где хранятся изображения);
попиксельное вычитание из текущего изображения эталонного фона, получение двумерного массива со значениями 0 - нет разницы, 1 - есть разница с эталоном;
подсчёт находящихся рядом отличающихся пикселей из полученного двумерного массива, при котором считаются пиксели разницы отдельно для каждого объекта - т.е., когда пиксели разницы находятся рядом по горизонтали, вертикали или наискосок с другими пикселями, если нет - для новых пикселей создаются новые объекты;
если количество отличающихся пикселей хотя бы одного объекта превышает норму - происходит выход из итерации и повторный запуск, для другого эталонного изображения;
если после сканирования массива ни одно значение не превысило норму - происходит возврат из подпрограммы, сигнал об обнаружении не выставляется;
если после всех итераций (проверки всех эталонных изображений) не произошло ни одного возврата, происходит возврат из подпрограммы, выставляется сигнал об обнаружении, при этом контуры вызвавшего сигнал изображения помещаются во временный буфер - чтобы сигнал «отбоя» мог загрузить эти значения в банк данных.

Составление функциональной схемы системы
Есть несколько вариантов исполнения и организации описанной системы. Во-первых, возможно создать её на базе обычного персонального компьютера, устанавливаемого внутри переездного поста с вынесением IP-камеры на улицу. Данный подход является очень простым, но сильно избыточным.
Более подходящим случаю видится создание самостоятельного и специализированного электронного устройства, специально разработанного для решаемой задачи и имеющего поэтому оптимальные показатели стоимости и т.д.
В качестве основы, вычислительного ядра для нашей системы возможно применять целый набор решений. Так, можно использовать ПЛИС, позволяющие быструю обработку потоковых данных. Однако, они сложны в проектировании и достаточно дороги. Можно использовать цифровые сигнальные процессоры, специально созданные для обработки изображений. Можно использовать микроконтроллеры, являющиеся основами для большого количества вычислительных систем подобного плана (так называемых в научно-технической литературе встроенных систем, или встраиваемых систем).
Мы выберем в качестве основы для системы одноплатный компьютер, представляющий собой фактически автономную вычислительную систему, реализованную на небольшой печатной плате, которую можно поместить в подходящий, изолированный от внешних погодных воздействий корпус, и поместить рядом с камерой над переездом (как на рис. 1.5, но может быть достаточно установить только одну видеокамеру - хотя, использование двух надёжнее).
Тогда, функциональная схема устройства будет выглядеть следующим образом (Рис. 2.3):

Рис. 2.3. Функциональная схема видеосистемы обнаружения неподвижных объектов на железнодорожном переезде
Выбор элементов системы.
Произведём выбор элементов системы. Определим требования к элементам.
Камера должна позволять получить изображения с довольно высоким разрешением, желательно в пространстве YUV. Допустимы, например, следующие форматы данных.
MJPEG – покадровый метод видеосжатия, основной особенностью которого является сжатие каждого отдельного кадра видеопотока с помощью алгоритма сжатия изображений JPEG без использования информации о предыдущих кадрах.
Достоинства: очень маленькая задержка на кодирвоание и декодирование, потеря данных в текущем кадре не влияет на последующие, простота реализации.
Недостатки: невысокий коэффициент сжатия и, следовательно, слишком большая величина сетевого потока.
MxPEG – специальный кодек разраобтанный для охранных систем. Добавляет “interframe compression”(межкадровую компрессию) к Motion JPEG, который изначально использует только “intraframe compression”(покадровую компрессию). Обычно позволяет снизить поток до двух третей в сравнении с MJPEG.
Достоинства: требует меньшую вычислительную мощность для кодирования и декодирования потока; малая задержка (< 150 ms); хорошее качество неподвижной картинки (качество картинки зависит только от выбранного качества JPEG), что важно при использовании в системах слежения; может предоставлять несколько потоков с разными частотами одновременно.
Недостатки: не стандартизован, нет UDP поддержки, нет эффективной компрессии когда большие части картинки меняются, медленные изменения картинок заставляют MxPEG encoder думать что они статичны и не слать информацию об изменении картинки.
Так как требуется работа с пикселями, другие варианты - когда используются кодеки h264, h265 и т.д. - являются избыточными, и приводят лишь к необходимости добавления лишнего этапа декомпрессии.
В качестве интерфейсов допустимы Ethernet, Wi-Fi, USB, Bluetooth, HDMI. При этом, наиболее удобными являются Ethernet, USB, и HDMI, т.к. более надёжны. Однако, точнее возможно выбрать только зная конкретный вычислитель и имеющиеся на нём интерфейсы.
Требования к вычислителю, одноплатному компьютеру:
он должен быть достаточно производительным, чтобы обеспечивать возможность многочисленных операций преобразования и обработки изображений;
он должен иметь достаточно памяти (и оперативной, и постоянной) для текущих операций и для хранения банка допустимых изображений;
он должен иметь соответствующие интерфейсы.

Рис. 2.4. Плата Beagle board.
Заданным условиям подходит, например, плата Beagle board ревизии хм (Рис. 2.4.) со следующими характеристиками:
Чип-на-чипе ЦПУ/Память
Процессор TI DM3730 — 1 ГГц с ядром ARM Cortex-A8
Цифровой сигнальный процессор TMS320C64x+ — 800 Мгц, обработка видео до 720p @ 30 fps
Графический процессор PowerVR SGX
ОЗУ — 512 МБ LPDDR
4 ГБ microSD карта памяти с предустановленным Angstrom Linux входит в комплект
Периферийные разъёмы
DVI-D (разъём HDMI, макс.разрешение 1280x1024)
S-Video
USB OTG (mini AB)
4 USB порта
Разъём для карт microSD/MMC
3,5 мм стерео аудио разъёмы, вход\выход
Разъём для подключения камеры
Слот расширения
Ethernet RJ-45
RS-232
Разъём питания 5 В
Возможность работы со следующими дистрибутивами Linux: Android, Angstrom Linux, Ubuntu, Gentoo, Maemo. Также возможна установка Windows CE.
Достаточная производительность и объём памяти позволяют запускать операционную систему и множество приложений и специальных программ, что значительно облегчит процесс разработки. Богатая периферия позволяет напрямую подключать камеру через hdmi,USB, Ethernet, т.е. через любой интерфейс. Возможность подключения платы расширения позволяет подключать реле управления звуковым сигналом, и сигналы с датчиков. Так же, на плате расширения можно установить GSM модем и преобразователь переменного напряжения 220В в постоянное 5В для питания платы.
Учитывая, что в выборе интерфейсов связи мы не ограничены, в качестве камеры выберем IP-камеру, что позволит простую установку, соединение и даже масштабирование системы.
В качестве видеокамеры выберем Falcon Eye FE-IPC-BL100P.
Рис. 2.5. Видеокамера.
Это уличная IP-видеокамера производства FALCON EYE. Камера построена на CMOS матрице OmniVision 1/4" с разрешением 1.3 мегапикселя. На камере установлен объектив с фокусным расстоянием 2,8 мм, что при матрице такого размера будет давать угол обзора, сопоставимый с объективом 3,6мм. Камера выполнена в миниатюрном металлическом корпусе и способна выдавать в сеть видео поток с разрешением 1280х720Р. Возможность работать по PoE.
Основные характеристики камеры:
Матрица: 1/4" 0mniVision 1.3 Mega pixels CMOS, OLux(IR on).
Видео: 1280х720P*25к/с.
Активный ИК-фильтр.
Дальность ИК-подсветки 20-30м.
Объектив 2.8мм (2Mп).
Степень защиты IP66.
Питание DC12V, POE.
В качестве GPRS-модема возможно достаточно взять модем E398U от Huawei для работы с сетями 3G/4G/LTE. Модем поддерживает стандарты GSM/GPRS/EDGE 850/900/1800/1900MHz, имеет скорость 100 Mbps, поддерживает LTE /4G. Можно было бы взять какой-нибудь модем из серии SIM (SIM900, SIM700, …), однако тогда потребовалось бы разводить на плате место для этих модемов. Удобнее и надёжнее использовать USB.

Глава 3. Экономическая часть. Оценка затрат на проведение НИР по разработке видеосистемы

Глава 4. Безопасность жизнедеятельности. Оценка условий работы оператора видеосистемы.

Заключение
В работе была решена актуальная задача по разработке видеосистемы для обнаружения неподвижных объектов на железнодорожных переездах.
В ходе работы был произведён анализ предметной области, патентный поиск и исследования, которые позволили установить применяющиеся для решения подобных задач методы.
Так, было установлено, что используются различные способы обнаружения объектов, в том числе при помощи анализа изображений, снимаемых с видеокамеры. Было принято решение использовать именно такой подход.
Был произведён анализ методов анализа изображений, обнаружения объектов, и было установлено, что перспективным является метод вычитания фона. Однако, также было выявлено, что ввиду специфики задачи - разных погодных условий, разного освещения - данный подход может быть недостаточно эффективен.
Дополнительный анализ с целью поиска способов упрощения и повышения надёжности и эффективности алгоритма вычитания фона привёл к принятию решения использовать не один фон, а наборы допустимых фонов с возможными допустимыми объектами, и работать не с цветными изображениями, а с бинарными представлениями контуров объектов, для уменьшения объёма занимаемого в памяти эталонными изображениями вида переезда места.
Были рассмотрены методы выделения контуров. В частности, был подробно проанализирован с точки зрения реализации в программе перспективный алгоритм Канни.
Далее, была синтезирована структура и алгоритм фунцкионирования системы, и исходя из них составлена функциональная схема устройства и подобраны элементы системы.

Библиографический список
Миненко Е. Ю., Кусморова Ю. А. Общая характеристика железнодорожных переездов и показателей безопасности движения через них // Молодой ученый. — 2014. — №17. — С. 80-83.
https://www.roi.ru/21892/
3. Brown S., Rose J. Architecture of FPGAs and CPLDs: A tutorial // IEEE Des. Test Comput. 1996. Vol. 13, № 2. P. 42–57.
4. Официальный сайт Xilinx. Ссылка: http://www.xilinx.com/.
5. Официальный сайт Altera. Ссылка: https://www.altera.com/.
6. Oruklu E. System-on-Chip Design Using High-Level Synthesis Tools // Circuits Syst. 2012. Vol. 03, № 01. P. 1–9.
7. Минь Н.К. Методы и алгоритмы обработки изображений в системах технического зрения промышленных робототехнических комплексов. Московский Государственный Технический Университет имени Н.Э. Баумана, 2015. 136 p.
8. Aresh K.N., Ahender M.M. FPGA Based Implementation of Image Edge Detection using Canny Edge Detection Algorithm // Int. J. Sci. Engeneering Techology Res. 2014. Vol. 03, № 29. P. 5840–5844.
9. Engineering T. Hardware Implementation of Edge Detection Algorithm-A Review 1,2 // Int. J. Eng. Dev. Res. 2014. Vol. 3, № 2. P. 55–56.
10. Intel Corporation B., OpCV. The OpenCV Tutorials 2.3. 2011. P. 351.
11. Munshi A. OpenCL 1.2 Specification // Version 1.2. 2012. P. 380.
12. Toolbox I.P. Image Processing Toolbox // Image Process. 2004. P. 1–4.