Детектор объектов непостоянного движения в задаче обнаружения криминалистически значимой информации

В современном мире все большую роль в расследовании правонарушений занимают цифровые следы, оставляемые участниками преступления. Одним из наиболее значимых видов цифровых следов является информация из стационарных систем наблюдения. Для органов следствия и дознания данные, которые содержатся в видеозаписях таких систем, имеют большое, а в некоторых случаях – ключевое значение. Работа посвящена описанию разработки детектора подвижных и неподвижных объектов на видеозаписях стационарных систем видеонаблюдения. На основании проведенного анализа литературных источников по теме обнаружения объектов в видеоданных, а также на основании анализа большого количества видеозаписей из предметной области сформулированы основные ограничения и допущения, налагаемые на детектор. Проведено сравнение существующих решений на реальных данных с учетом поставленных ограничений и допущений. По результатам исследования была предложена модель обнаружения объектов, которая наиболее предпочтительна для решения задачи полноценного детектирования с требуемой точностью и производительностью. Применение детектора как один из этапов позволяет решить задачу обнаружения криминалистически значимой информации в видеоданных систем наблюдения. Также полученный детектор может применяться в других системах компьютерного зрения для выделения как подвижных, так и неподвижных объектов на видеозаписях.

1. Состояние преступности в Российской Федерации. Доступно по: https://мвд.рф/reports (дата обращения: 12.02.2021)

2. Zou Z., Shi Z., Guo Y, Ye J. Object detection in 20 years: A survey. arXiv, 2019.

3. Zivkovic Z. Improved adaptive Gaussian mixture model for background subtraction. Proceedings of the 17th International Conference on Pattern Recognition. 2004;2:28-31.

4. Ko T., Stefano S., Deborah E. Background subtraction on distributions. European Conference on Computer Vision. 2008:276-289.

5. Yu X., Chen X., Jiang M. Motion detection in moving background using a novel algorithm based on image features guiding self-adaptive Sequential Similarity Detection Algorithm. Optik. 2012;123(22):2031-2037.

6. Alandkar L., Gengaje S.R. Dealing Background Issues in Object Detection using GMM: A Survey. International Journal of Computer Applications. 2016;150(5):50-55.

7. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Техносфера; 2012.

8. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. Вильямс; 2004.

9. Лукьяница А.А., Шишкин А.Г. Цифровая обработка видеоизображений. Ай-эс-эс Пресс; 2009.

10. Яне Б. Цифровая обработка изображений. Техносфера; 2007.

11. Patel M.P., Parmar S.K. Moving object detection with moving background using optic flow. International Conference on Recent Advances and Innovations in Engineering. 2014:1-6.

12. Чеурин Я.Е., Машкин С.В. Сравнение методов вычитания фона, построенных на основе смеси гауссиан (mog) и устойчивых к дрожанию камеры. Физика для Пермского края. 2019:168-173.

13. Vid.stab – Transcode video stabilization plugin. Доступно по: http://public. hronopik.de/vid.stab (дата обращения: 12.02.2021)

14. Краснящих А.В. Обработка оптических изображений. НИУ ИТМО; 2012.

15. Sreedhar K., Panlal B. Enhancement of Images Using Morphological Transformations. International Journal of Computer Science and Information Technology. 2012;4(1):33-50.

16. Pritch Y., Rav-Acha A., Peleg S. Nonchronological Video Synopsis and Indexing. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2008;30(11):1971-1984.