На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


Диплом Исследование методов цифровой обработки сигналов для дистанционного измерения пульса

Информация:

Тип работы: Диплом. Добавлен: 8.4.2014. Сдан: 2013. Страниц: 96. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Содержание

Введение 5
1. Конструкторский раздел 8
1.1. Обоснование актуальности проблемы 8
1.2. Обработка сигналов при дистанционном измерении пульса 19
1.3. Метод главных компонент 55
2. Технологический раздел 60
2.1. Программное обеспечение 60
2.2. Экспериментальное исследование 60
2.3. Возможности использования системы в учебном процессе 81
3. Экономический раздел 83
3.1. Сущность и задачи определения экономической эффективности разработки проекта 83
3.2. Организация этапов разработки. 84
3.3. Расчет затрат на разработку и внедрение программного продукта. 85
3.4. Расчет экономической эффективности проекта. 87
4. Безопасность жизнедеятельности 90
Заключение 96
Библиографический список использованных источников 97


Введение
В развитых странах существует устойчивый спрос на электронные приборы и системы, предназначенные для наблюдения за состоянием здоровья. К их числу относятся устройства для измерения пульса (частоты сердечных сокращений).
Такие устройства позволяют не заниматься подсчетами ударов пульса по часам, что необходимо во многих случаях:
- при лечении больных сердечно-сосудистыми заболеваниями;
- при спортивных тренировках;
- при занятиях физкультурой для поддержания здорового образа жизни;
- при повседневном наблюдении за состоянием здоровья.
Для портативных приборов такого назначения применяются также названия "пульсомер, пульсометр, пульсметр, измеритель частоты сердечных сокращений".
Есть ряд болезней, при лечении которых желателен или даже необходим контроль пульса длительное время, в том числе с записью в запоминающие устройства и последующим анализом. Учащение пульса в течение нескольких лет может служить симптомом при ранней диагностике опасных заболеваний.
При занятиях физкультурой и спортом портативный измеритель пульса позволяет оценивать уровень нагрузки, чтобы поддерживать тренировку на достаточно интенсивном, но не чрезмерном уровне. Кроме того, систематические наблюдения пульса позволяют оценивать результативность тренировок, их влияние на здоровье и при необходимости корректировать их периодичность.
Измерители пульса применяются при корректирующей физкультуре для желающих похудеть. Существует оптимальный диапазон частоты пульса, при котором жир "сжигается" наиболее эффективно.
В настоящее время измерители пульса производятся в основном фирмами США, Финляндии, Японии и Швейцарии. Большинство из них являются относительно дорогими устройствами. Наиболее точным методом измерения частоты сердечного ритма остается электрокардиография (ЭКГ). Однако ЭКГ требует применения электродов, что может быть неприемлемым во многих ситуациях. Такие измерители пульса требуют, как минимум, одевания не очень удобного нагрудного пояса. Существует также много разновидностей контактных оптоэлектронных измерителей, требующих прикрепления датчиков на палец или на запястье.
В связи с недостатками контактных методов измерения пульса представляет интерес исследование бесконтактных, не требующих прикрепления датчиков. Известны несколько подходов к решению этой задачи. Во всех случаях используется активное или пассивное зондирование пользователя или пациента тем или иным излучением. Получили определенное развитие методы дистанционного измерения пульса с помощью радиоволн сверхвысокочастотных диапазонов, ультразвука и с помощью светового излучения. В качестве датчиков они используют лазерные измерители, доплеровские микроволновые радары, термовизоры.
Среди бесконтактных последнее время особенно интригующими представляются методы, использующие видеокамеры. Эта группа методов по возможностям своего применения и с точки зрения принципов действия относится к давно существующему направлению медицинской диагностики, называемому фотоплетизмографией. При использовании видеокамер в качестве датчиков можно говорить о видеоплетизмографии.
Возможность измерения пульса с помощью светового излучения основана на том, что кровеносные капилляры и окружающие ткани по разному отражают свет с разной длиной волны. Наполнение капилляров кровью меняется в такт с биениями сердца. Поэтому, зарегистрировав эти колебания с помощью датчика светового излучения, можно зарегистрировать и пульс.
Традиционная фотоплетизмография измеряет пульс с помощью облучения объекта инфракрасным излучением. Однако, не так давно было показано, что можно зарегистрировать сигнал с частотой пульса, пользуясь только обычными источниками света видимого диапазона. В этом случае принцип действия системы или прибора для измерения пульса основан на том, что колебания наполнения капилляров кровью приводят к колебаниям цвета кожи. Долгое время этот факт ускользал от внимания, так как получающиеся колебания цвета очень слабы и не замечаются зрением, находясь ниже порога восприятия.
Цвет - качественная субъективная характеристика электромагнитного излучения оптического диапазона, определяемая на основании возникающего физиологического зрительного ощущения. В компьютерах для представления каждого из этих цветовых компонентов традиционно используется один байт, значения которого лежат в диапазоне от 0 до 255 включительно. В соответствии с этим цвет пикселя в современных системах чаще всего задается в виде трехбайтного кода, содержащего 24 бита и позволяющего закодировать до 224 = 16777216 цветов.
Возможности зрения человека различать цвета намного скромнее. Количество цветов и оттенков, различаемых человеком с нормальным цветовым зрением, хотя и велико (достигает примерно 17000[32]), но все же на порядки меньше, чем приведенный выше диапазон кодирования.
Таким образом, современные системы ввода-вывода видеоинформации обеспечивают запись и обработку таких изменений цвета, которые не воспринимаются глазом.
Недавно было показано, что можно дистанционно измерить пульс, пользуясь таким недорогим оборудованием, как обычнаяweb-камера. Использование столь доступных датчиков, видимо, может существенно расширить сферу применения бесконтактных методов измерения пульса. Было также обнаружено, что точность измерения, достигаемая с web-камерой на расстояниях менее 1 м, сравнима с точностью контактных фотоплетизмографических датчиков [5].
Информация о пульсе содержится не во всем кадре видеопотока, а только в той зоне, которая изображает открытый участок тела - как правило, лицо объекта. Поэтому любой алгоритм, реально применимый для этой цели состоит из двух сравнительно независимых частей:
-выделения зон интереса в кадрах - например, зон, содержащих лицо;
-обработки данных, полученных из зон интереса в ряде последовательных кадров.
Хотя задачу выделения зон интереса пока нельзя считать достаточно полно решенной, все же существует ряд успешных методов, среди которых широко применяется метод Виолы-Джонса [7]. В настоящей работе мы не будем больше останавливаться на этом этапе, так как он представляет целое направление исследований и применяется не только для измерения пульса.
В то же время, пока остаются неисследованными многие вопросы, касающиеся применения видеокамер для измерения пульса. Например, неизвестны ограничения по дальности действия, требуемым параметрам камеры, освещению, неподвижности объекта. Нет ясности с оптимальными алгоритмами обработки и возможностями их реализации в автономных микропроцессорных устройствах.
Настоящая выпускная квалификационная работа ставит своей основной целью экспериментальное сравнение некоторых методов цифровой обработки сигналов, получаемых с видеокамеры с целью подавления помех, возникающих в бесконтактной системе измерения пульса.


1. Конструкторский раздел
1.1. Обоснование актуальности проблемы
1.1.1. Обзор аналогичных исследований
Понятие «цвет» имеет 2 смысла: оно может относиться как к психологическому ощущению (оранжевый апельсин), так и быть однозначной характеристикой самих источников света (оранжевый свет). Поэтому следует заметить, что в тех случаях, когда мы хотим дать цветовую характеристику источников света, некоторых имён цвета просто «не существует» - так, нет серого, коричневого, бурого света (коричневый цвет ощущается от оранжевого света низкой яркости). В настоящей работе мы будем использовать понятие цвет в первом смысле.
Различный спектральный состав света может давать одинаковый отклик на зрительных рецепторах (эффект метамерии цвета).
Ощущение цвета возникает в головном мозге при возбуждении и торможении цветочувствительных клеток - рецепторов глазной сетчатки человека или животного (колбочек). Считается, что у человека и приматов существует три вида колбочек ,различающихся по спектральной чувствительности - ? (условно «красные»), ? (условно «зелёные») и ? (условно «синие»), соответственно. Косвенным подтверждением этой теории служит успешная эксплуатация миллионов систем ввода и вывода видеоинформации, построенных на основе трехкомпонентной цветовой модели RGB.
RGB (Red, Green, Blue- красный, зелёный, синий) - аддитивная цветовая модель, описывающая способ синтеза цвета для цветовоспроизведения.
Если на изображении объекта присутствуют такие не воспринимаемые изменения цвета от пикселя к пикселю, то их, очевидно, можно отнести к малозаметным.
Обозначим DR, DG и DВ - отклонения значений цветовых компонентов объекта от цветовых компонентов фона. При преобразовании цветового пространства цветовые компоненты R, G и В складываются в оптимальной пропорции так, чтобы усилить желаемые изменения цвета DR, DG и DВ и подавить фоновые значения R, G и В и, по возможности, те изменения цвета, которые вызваны помехами.
В ряде случаев объект отличается от других объектов не столько средним значением цвета, сколько зависимостью цвета от времени. Например, камуфляжная накидка слегка меняет свой оттенок, колеблясь под воздействием ветра. Однако эти изменения отличаются от тех, которые характерны для листвы деревьев.
Поэтому представляет интерес обработка информации, полученной в течение нескольких кадров, то есть обработка видеопотока.
В настоящее время в открытой печати опубликовано немного работ, посвященных этому направлению. Рассмотрим особенности систем, описанных в [3-5, 10, 11].
В работе [3] применялась камера iSight, встроенная в ноутбук Apple Macbook Pro. Встроенная камера iSight использует внутренний интерфейс USB 2.0, пластиковый объектив, фиксированный фокус[6]. Датчиком является КМОП-матрица с разрешением 1280x1024 пикселей, но при доступе к камере через API разрешение изображения с камеры может быть лишь 640*480 пикселей.
В [3] запись видео велась с разрешением 640*480 пикселей при частоте кадров 15 Гц. Записывались видеофайлы в формате AVI при кодировке RGB 24 бит/пиксель. Длительность записи составляла 1 мин. Последующая обработка осуществлялась не в реальном времени с помощью программного обеспечения и включала в себя следующие этапы.
1. Для автоматического определения области интереса(regionofinterest, ROI), совпадающей с лицом, использовался алгоритм Виолы-Джонса (Viola-Jones)[7]. Программная реализация алгоритма применялась из совместимой с MATLAB версии библиотеки функцийOpenCV2.0 (OpenComputerVision). Использовалась центрированная область шириной 60% и высотой 100% от прямоугольника, возвращаемого этим алгоритмом.
2. Область интереса разделялась на три цветовых канала R, G, B.
3. Все пиксели в каналах области интереса усреднялись, что давало по три отсчета для данного кадра: R(t), G(t), B(t), формирующих три временных ряда. Количество отсчетов в каждом ряду составляло, следовательно, 15*60 = 900.
4. Проводилась скользящая нормализация отдельно для каждого из трех сигналов. Под этим понимается алгоритм, вычитающий текущее среднее значение и нормирующий быстрые колебания сигнала к его среднеквадратичному отклонению . Например, для красной составляющей
, (1.1)
где
; (1.2)
. (1.3)
В [3] для такой нормализации и для последующих шагов алгоритма применялось «скачущее» окно с T = 30 c (15*30 = 450 отсчетов) и со смещением в 1 с (15 отсчетов). Об интерполяции выходных отсчетов между положениями окна и о краевых эффектах в этой работе не упоминается.
5. К трем рядам применялся анализ независимых компонент (independent component analysis, ICA). Задачей анализа независимых компонент в данном применении является нахождение такого линейного преобразования
, (1.4)
чтобы три выходные сигнала были статистически максимально независимы.
Предполагается, что этот метод обеспечивает хорошее разделение полезного сигнала от помех. ICAпроводился по алгоритмуJADE (joint approximate diagonalizationof eigenmatrices). Реализация JADE на языке C, в том числе и для MATLAB, свободно доступна в [8].
6. Недостатком метода ICA является то, что он не указывает, в каком из трех сигналов оказывается наиболее ярко выражена полезная составляющая. В работе эмпирически выбиралась вторая составляющая S2(t).
7. Проводилось преобразование Фурье от S2(t) с помощью алгоритма быстрого преобразования Фурье (БПФ). Длительность окна преобразования, вероятно, выбиралась 512, чтобы превышать упомянутый размер окна данных 450 отсчетов.
8. Вычислялась мощность спектральных составляющих (находился спектр мощности).
9. В диапазоне от 0,75 Гц до 4 Гц (от 45 до 240 ударов в минуту) находилось положение максимума спектра по частоте, что давало значение пульса. Такое значение формировалось один раз в секунду.
10. Для подавления помех импульсного характера к полученным значениям применялась нелинейная рекурсивная фильтрация по следующему алгоритму. Если модуль разности значений пульса между текущим измерением и предыдущим измерением (ранее на 1 с) превышает порог 12 ударов в минуту, то текущее измерение считается ошибочным и ищется второй по величине максимум в спектре. Если же и для этого максимума не выполняется пороговый критерий, то в качестве текущего принимается предыдущее измеренное значение.
Перечисленные этапы обработки сигнала схематично изображены на рис. 1.1.

Рис. 1.1. Система, описанная в [3]
В работе [4] использовалась система, отличающаяся следующими усовершенствованиями.
Во-первых, перед нормализацией из сигналов удалялся тренд, для чего применялся алгоритм, описанный в [9]. Алгоритм сводится к линейной фильтрации с переменными параметрами фильтра.
Во-вторых, после анализа независимых компонент для выбора наиболее информативного ряда из трех вычислялась спектральная плотность мощности каждого. Сигнал, имеющий наибольший пик спектра мощности, выбирался для дальнейшего анализа.
В-третьих, после такого выбора расчет пульса производился по более сложному, но более помехоустойчивому алгоритму, состоящему из следующих этапов обработки.
1. Выбранный ряд сглаживался простым усредняющим фильтром из 5 отсчетов.
2. Осуществлялась линейная полосовая фильтрация с полосой 0,7-4 Гц оконным фильтром (окно Хэмминга со 128 точками).
3. Сигнал передискретизовывался на частоту 256 Гц с использованием сплайн-интерполяции.
4. Интервал между ударами (interbeatinterval, IBI) измерялся как расстояние между соседними пиками передискретизованного сигнала.
5. Для фильтрации артефактов применялся фильтр «non causal of variablethreshold» (NC-VT) [13] с допуском 30%.
6. Пульс вычислялся, как 60/(средний IBI за 60 с).
Схема этапов обработки в этой системе показана на рис. 1.2.
Также нужно отметить, что в этой работе методом периодограмм Ломба находился спектр мощностиряда значений периода пульса. По нему определялась частота дыхания и производился анализ нестабильности пульса «нeartratevariability»(HRV). Таким образом, дистанционно доступны и некоторые другие важные биомедицинские показатели.
Система, описанная в [5], имела следующие особенности (рис. 1.3).
Применялась камера Logitech Quick Cam Pro 9000. Разрешение ее видео до 1600*1200, подключение через USB 2.0, автоматическая фокусировка. Запись видео велась с разрешением 640*480 пикселей при частоте кадров 20 Гц. Записывались видеофайлы в формате AVI при кодировке RGB 24 бит/пиксель. Длительность записи составляла 30с.
Камера имеет поддержку функции нахождения лица в программном обеспечении от изготовителя. Кроме такой зоны интереса проверялась также уменьшенная зона интереса в области лба. Уменьшенная зона интереса выбиралась по экспериментально найденному геометрическому правилу, которое определяет ее положение относительно глаз. Правило было выведено с помощью предварительно сделанных записей с термографической камеры, которые позволили найти для каждого участника эксперимента наиболее однородные участки кожи в области лба.
В этой системе использовались два метода нахождения оптимальной линейной комбинации трех цветовых сигналов:
- анализ независимых компонент;
- менее затратный в вычислительном смысле метод главных компонент (Principal Component Analysis, PCA), также известный, как преобразование Карунена-Лоэва.

Рис. 1.2. Система, описанная в [4]

Рис. 1.3. Система, описанная в [5]
Вместо удаления тренда применялась линейная полосовая фильтрация нерекурсивным фильтром с окном Хэмминга из 32 отсчетов и полосой 0,5-3,7 Гц. Анализ независимых компонент выполнялся алгоритмом FastICA, реализованным вMATLAB. Анализ главных компонент - функцией MATLAB processpca.
Подводя итог этому обзору, можно сделать следующие вывод, что все найденные аналоги так или иначе выполняют функции:
- пространственного усреднения;
- фильтрации отдельных цветовых каналов или другой обработки, которую дальше будем называть предобработкой;
- вычисления оптимальной взвешенной суммы нескольких каналов;
- фильтрации суммы или другой обработки, которую дальше будем называть постобработкой;
- получения оценки частоты пульса, обычно по спектру суммы.
Основными недостатками всех рассмотренных систем являются:
- работа не в реальном времени, то есть с записанным видеофайлом;
- чувствительность к помехам, например, к помехам от искусственного освещения.
Для того, чтобы хотя бы частично преодолеть второй недостаток, в данной работе предлагается использовать вторую зону интереса, расположенную вне объекта. Тогда вычитанием сигнала от двух зон можно ослабить помехи.
Далее в ходе эксперимента предполагается сравнить также методы анализа главных компонент и независимых компонент.

1.1.2. Существующая экспериментальная система
В работах [10, 11] описываются эксперименты с упрощенной системой, показанной на рис. 1.4.
Так как в задачу экспериментов не входила тонкая оптимизация коэффициентов суммирования цветовых каналов, был использован их ручной подбор, который проводился в интерактивном режиме при помощи визуальной оценки сравнительного уровня помех и полезной составляющей на диаграмме спектра суммарного сигнала.
Изначально идея системы опирается на применение максимально простых аппаратных средств. Поэтому неудивительно, что структурная схема аппаратной части системы несложна (рис. 1.5.) и содержит только видеокамеру и компьютер. Вся обработка видеопотока выполняется в компьютере.


Рис. 1.4. Система, с которой проводились работы [10, 11]
Web-камера направлена на объект. Изображение вводится через USBв типовой персональный компьютер с помощью программы IDiffPulse - специально написанного приложения под Windows. Пользователь интерактивно задает две зоны интереса и другие параметры обработки.

Рис. 1.5. Схема системы цифровой обработки изображений для измерения пульса
IDiffPulse выполняет с каждым изображением следующие действия:
- пространственное усреднение по зонам интереса;
- предобработку;
- вычисление взвешенной суммы каналов
- постобработку;
- оценку параметров колебаний цветности;
- индикацию всех результатов;
- по желанию пользователя - запись результатов в файл.
В большинстве экспериментов использовалась веб-камера QUMOWCQ-107, обладающая следующими параметрами:
- фокусное расстояние - 4,8 мм;
- относительное отверстие (апертура) - 2,0;
- разрешение матрицы - 1600*1200;
- тип матрицы - цветная CMOS;
- автоматическая регулировка усиления (АРУ);
- автоматическая регулировка баланса белого (AWB);
- автоматическая экспозиция (AE);
- поддерживаемые разрешения (без программной интерполяции в ПК) - 1600*1600, 800*600, 640*480, 320*240;
- частота кадров для разрешения 1600*1200 - до 5 Гц;
- частота кадров для разрешения 800*600 - до 12 Гц;
- частота кадров для разрешения 640*480 - до 30 Гц;
- интерфейс USB 2.0.
При небольшой цене (1000 руб) камера показала удовлетворительные результаты. Основным недостатком является необходимость снижать частоту кадров при недостаточном освещении. Однако, указанный недостаток свойствен всем недорогим камерам. Его преодоление требует значительно более дорогих высокочувствительных камер, что резко удорожает систему.

1.1.3. Постановка задачи
В приведенном выше обзоре показано, что потенциал использования цифровых видеосистем заключается не только в решении задач обеспечения безопасности. Широкое развитие технологий открывает новые горизонты использования их возможностей во многих сферах бизнеса и науки, а инновационные подходы к решению различных проблем отвечают потребностям настоящего времени.
Несмотря на расширяющуюся сферу применения цифровой обработки видеоинформации для дистанционного измерения пульса человека, остается много неясных вопросов в теоретических основах такой обработки. Особенности применения цифровых видеокамер для этой цели исследованы пока слабо.
В частности, мало данных о выборе оптимальных и субоптимальных методов обработки.
В настоящие время до сих пор не известен оптимальный способ выделения зон интереса, так же не известен оптимальный метод анализа обработки данных видеопотока.
Поэтому настоящая выпускная квалификационная работа имеет научно-исследовательский характер. Ее цель - экспериментальное сравнение нескольких таких методов, в том числе метода главных компонент и метода независимых компонент. Для достижения этой цели необходимо решить следующие задачи:
- построить модель формирования видеопотока, учитывающую только существенные для поставленной задачи преобразования информации;
- провести экспериментальное исследование различных методов.
Указанные задачи соответствуют одному из научных направлений выпускающей кафедры «Информационный и электронный сервис».

1.2. Обработка сигналов при дистанционном измерении пульса
1.2.1. Модель формирования сигналов
1.2.1.1. Идеализированная модель
Рассматриваемые методы обрабатывают последовательность кадров, полученную с помощью цифрового датчика изображения, объектив которого направлен на объект. Такую последовательность кадров далее будем называть видеопотоком. Таким образом, видеопоток - подвижное изображение, изображение, меняющееся от времени.
Очевидная модель цифрового монохромного видеопотока - дискретная функция от трех целых координат , где , - номера пикселей соответственно вдоль строки и вдоль столбца кадра; - номер кадра; , - ширина и высота кадра в пикселях; - количество кадров.
Конечно, в реальных системах видеопоток ограничен по всем трем координатам размерами кадра и количеством кадров, используемых для обработки. Наиболее полная информация об объекте содержится во всей трехмерной функции. В некоторых случаях достаточно использовать двумерное сечение видеопотока, например, - сечение плоскостью , параллельной осям i, k.
В случае видеопотока, создаваемого цветным датчиком модель усложняется до четырехмерной функции , где - номера цветовых каналов, C-количество цветовых каналов.
В стандартных цветных системах C= 3 и в этом случае может быть удобно преобразовать эту модель в виде системы трехмерных функций:
, (1.5)
или в векторном виде
(1.6)
Изменения во времени яркости или цвета объекта отображаются в виде колебаний значений этих функций вдоль координаты k, то есть с изменением номера кадра.
В настоящее время наибольший практический интерес для данной работы представляют периодические изменения цвета, поэтому дальше будем применять термин колебания цвета.
Те части видеопотока, в которых объект не присутствует, не содержат этих колебаний. Частота, амплитуда, возможно, спектральный состав этих колебаний, их соотношение по цветовым каналам представляют собой информативные признаки объекта.
В системах специального назначения (многозональных или мультиспектральных) количество каналов может быть больше, тогда может оказаться более практичным представление видеопотока четырехмерной функцией. Для целей настоящей работы будем использовать модель видеопотока в виде (1).
Будем называть сценой некоторую фоновую окружающую среду, в которой находится распознаваемый объект (или не находится в случае, возможном в задаче обнаружения). Система распознавания собирает информацию о сцене и преобразует ее в сильно сжатое представление, которое будем называть признаками, как это принято в теории распознавания образов.
По наличию и количественному значению признаков классификатор принимает решение о наличии того или иного объекта в сцене. Так как наша задача исследовать только формирование признаков, классификатор далее не рассматриваем.
В настоящей работе не ставится задача формирования признаков, связанных с трехмерными свойствами сцены, поэтому сразу упростим модель, считая сцену двумерной. Также не будем учитывать влияние несовершенства оптической системы, считая его пренебрежимо малым в условиях рассматриваемой задачи.
Тогда можно считать, что видеопоток
(1.7)
представляет собой дискретизацию векторной функции изменяющейся яркости цветовых компонентов :
, (1.8.)
где - интервалы дискретизации по двум пространственным координатам (в плоскости изображения) и времени.
Если объект или фон сцены содержат колебания цвета, то очевидно, будет содержать существенные зависимости от t даже в том случае, когда объект и фон механически неподвижны.
Для упрощения записи ниже обозначение векторного характера величин опущено.

1.2.1.2. Искажения и помехи
Идеализация приведенной выше модели состоит еще и в том, что она не учитывает многие свойства системы формирования изображения, приводящие к тому, что на дальнейших этапах функция изображения B(x, y,t) только приблизительно совпадает с функцией B0(x, y), описывающей цвет (коэффициент отражения) объекта:
(1.9)
Эти свойства обычно называют искажениями изображения и помехами:
- световые помехи;
- геометрические искажения;
- неравномерность освещения;
- функция рассеяния точки (отражающая неидеальную резкость изображения);
- внутренние шумы камеры;
- нелинейные искажения яркости;
- искажения, вызванные дискретизацией и квантованием.
Любая система видеонаблюдения подвержена помехам трех различных видов:
-возникающих до преобразования свет-сигнал - будем называть такие помехи световыми;
-возникающих в преобразователе свет-сигнал (датчике изображения) - это внутренние шумы камеры;
-возникающих после преобразования свет-сигнал.
Последняя разновидность помех принципиально не отличается от помех в каналах связи систем любого назначения, методы борьбы с которыми широко известны. В большинстве случаев в современных цифровых видеосистем........

Библиографический список использованных источников
1. Форсайт, Д. А. Компьютерное зрение. Современный подход [Текст] / Д. А. Форсайт, Ж. Понс. - М.: Издательский дом «Вильямс», 2004. - 928 с.
2. Гонсалес, Р. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2005. - 1072 с.
3. Poh, M. Z. Non-contact, automated cardiac pulse measurements using video imaging and blind source separation [Текст] / M. Z. Poh, D. J. McDuff, R. W. Picard // Optics Express. - 2010. - V. 18. - N. 10. - P. 10762-10774.
4. Poh, M. Z. Advancements in Noncontact, Multiparameter Physiological Measurements Us-ing a Webcam [Текст] / M. Z. Poh, D. J. McDuff, R. W. Picard // IEEE Transactions on Biomedical Engineering. - 2011. - V. 58. - N. 1. - P. 7-11.
5. Lewandowska, M. Measuring Pulse Rate with a Webcam - a Non-contact Method for Evaluating Cardiac Activity [Текст] / M. Lewandowska, J. Rumi?ski, T. Kocejko, J. Nowak // Proceedings of the Federated Conference on Computer Science and Information Systems. - 2011. - P. 405-410.
6. iSight[Электронный ресурс] / Википедия. - URL: wiki/ISight (дата обращения: 23.04.2013).
7. Viola, P. Rapid object detection using a boosted cascade of simple fea-tures [Текст] / P. Viola, M. Jones // Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. - 2001. - V. 1. - P. 511-518.
8. C implementations for JADE, SHIBBS [Электронныйресурс] / J. F. Cardoso. - URL: icacentral/Algos/cardoso/ (датаобращения: 23.04.2013).
9. Tarvainen, M. P. An advanced detrending method with application to HRV analysis [Текст] / M. P. Tarvainen, P. O. Ranta-aho, P. A. Karjalainen // IEEE Transactions on Biomedical Engineering. - 2002. - V. 49. - N. 2. - P. 172-175.
10. Папкова, А. В. Обработка сигналов для объектов с малозаметными изменениями цвета [Текст] / Шестая международная научно-практическая конференция «Наука и творчество: взгляд молодых профессионалов». - Тольятти: Изд-во ПВГУС, 2012.
11. Будилов, В. Н.Обработка сигналов в портативных измерителях частоты сердечных сокращений /Наука - промышленности и сервису: сборник статей Пятой международной научно-практической конференции / Поволжский государственный университет сервиса. - Тольятти: Изд-во ПВГУС, 2010. - Ч. II. - С. 30-35.
12. Будилов, В. Н. О дальности дистанционного измерения пульса с помощью видеокамеры [Текст] / А. В. Папкова, В. Н. Будилов // II-ая международная заочная научно-техническая конференция «Информационные технологии. Радиоэлектроника. Телекоммуникации (ITRT-2012)». - Тольятти: ПВГУС, 2012. - Т.1.- C. 264-271.
13. Костевич, А.Г. Зрительно-слуховое восприятие аудиовизуальных программ: учебное пособие [Текст]. - Томск: Томский межвузовский центр дистанционного образования, 2006. - 230 с.
14. Vila, J. Time-frequency analysis of heart-rate variability [Текст] / J. Vila, F. Palacios, J. Presedo, M. Fernandez-Delgado, P. Felix, S. Barro // IEEE Engineering in Medicine and Biology. - 1997. - V. 16. - N. 5. - P. 119-126.
15. Будилов, В. Н. Метод измерения частоты колебаний сооружений и конструкций с помощью цифровой видеокамеры [Текст] // Научно-технический вестник Поволжья. - 2012. - №1. - С. 91-94.
16. Будилов, В. Н. О возможностях измерения частоты механических колебаний с помощью видеокамеры [Текст] / В. Н. Будилов, П. В. Дреманович // Научно-технический вестник Поволжья. - 2012. - №5. - С. 114-117.
17. Будилов, В. Н. Метод обработки видеопотока для измерения частоты колебаний наблюдаемых объектов [Текст] / В. Н. Будилов, П. В. Дреманович // Школа университетской науки: парадигма развития. - 2012. - № 2(6) . - Т. I. - С. 47-52.
18. Будилов, В. Н. Метод бесконтактного измерения частоты вибраций с помощью цифрового датчика изображения [Текст] // Наука - промышленности и сервису. - 2011. - № 6. - Ч. II. - С. 231-231.
19. Будилов, В. Н. Световые помехи в видеосистемах обнаружения и анализа малых движений [Текст] // Школа университетской науки: парадигма развития. - 2012. - № 3(7) . - С. 81-86.
20. Будилов, В. Н. Моделирование бесконтактного метода измерения параметров вибраций при субпиксельных амплитудах [Текст] / В. Н. Будилов, П. В. Дреманович // II-ая международная заочная научно-техническая конференция «Информационные технологии. Радиоэлектроника. Телекоммуникации (ITRT-2012)». - Тольятти: ПВГУС, 2012. - Т.1. - C. 257-263.
21. Будилов, В. Н. Исследование помех от системы автоподстройки экспозиции IP-камеры [Текст] / В. Н. Будилов, И.В.Баткова// II-ая международная заочная научно-техническая конференция «Информационные технологии. Радиоэлектроника. Телекоммуникации (ITRT-2012)». - Тольятти: ПВГУС, 2012. - Т.1. - C. 251-256.
22. Будилов, В. Н. Сетевые протоколы для поддержки IP-камер [Текст] / В. Н. Будилов, И.В.Баткова// Наука - промышленности и сервису. - 2011. - № 6. - Ч. II. - С. 238-246.
23. Будилов, В. Н. Технологии ввода изображений в среде Windows [Текст] / В. Н. Будилов, Е.В. Иванченко// Наука - промышленности и сервису. - 2011. - № 6. - Ч. II. - С. 247-252.
24. Прэтт, У. Цифровая обработка изображений [Текст]: Пер. с англ. - М.: Мир, 1982. - Кн.1 -312 с.
25. Джакония, Е. В. Телевидение: Учебник для вузов [Текст] / В. Е. Джакония, А. А. Гоголь, Я. В. Друзин и др. - М.: Горячая линия-Телеком, 2007. - 616 с.
26. Овчинников, А.М.Принцип работы и устройство активно-пиксельных датчиков [Текст] /А.М.Овчинников, А.А.Ильин, М.Ю.Овчинников //Институт прикладной математики им. М.В. Келдыша РАН. -Препринт № 85, 2003. -30 с.
27. Папкова, А.В. Частотно-контрастные характеристики web-камер[Текст] / VI Международная научно-практическая конференция «Наука промышленности и сервису». - Тольятти: Изд-во ПВГУС, 2011.
28. Визуальный шум цифровой камеры [Электронныйресурс] / CambridgeinColour. - URL: ru/tutorials/image-noise.htm(датаобращения: 10.11.2012).
29. GunnarBolle[Электронныйресурс] / TorrysDelphiPages. - URL: authorsmore.php?id=1125 (датаобращения: 23.04.2013).
30. Tarvainen, M. P. An advanced detrending method with application to HRV analysis [Текст] / M. P. Tarvainen, P. O. Ranta-aho, P. A. Karjalainen // IEEE Transactions on Biomedical Engineering. - 2002. - V. 49. - N. 2. - P. 172-175.
31. Сергиенко, А. Б. Цифровая обработка сигналов: учеб.пособие. 3-е изд. [Текст]. - СПб.: БХВ-Петербург, 2011. - 768 с
32. Цвет [Электронныйресурс] / - URL: wiki/цвет
33. Метод главных компонент [Электронныйресурс] / Graphics&Medialab. - URL: pubbin/view_prop.pl?prop_id=19 (датаобращения: 23.04.2013).
34. Анализ независимых компонент[Электронныйресурс] / Graphics&Medialab. - URL: pubbin/view_prop.pl?prop_id=25 (датаобращения: 23.04.2013).
35. The FastICA package for MATLAB [Электронныйресурс] / Aalto University. - URL: ica/fastica/ (дата обращения: 30.05.2013).
36. Влияние звуков на человека: его здоровье и сознанье / [Электронный ресурс] / Режим доступа: < 3297>
37. Низкочастотные звуки в музыки, их влияние на человека / [Электронный ресурс] / Режим доступа: ?p=58650
38. Звук / [Электронный ресурс] / Режим доступа: wiki/звук



Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.