Il existe une classe de tâches dans lesquelles les informations sur la structure et le mouvement des objets d'une scène complexe revêtent une importance particulière (vidéosurveillance dans des espaces clos, dans des lieux bondés, contrôle du mouvement de complexes robotiques, surveillance du mouvement de véhicules, etc.). Les séquences d'images sont une ressource d'information complexe qui est structurée dans l'espace et dans le temps et combine des informations initiales sous la forme de signaux multidimensionnels, la forme de sa représentation dans un ordinateur et des modèles physiques d'objets, de phénomènes et de processus dynamiques. De nouvelles capacités techniques de traitement d'images numériques permettent de prendre en compte partiellement ces spécificités d'images, tout en utilisant simultanément les acquis de la théorie cognitive de la perception humaine des images visuelles.

L'analyse du volume spatio-temporel de données permet d'identifier non seulement les caractéristiques statiques, mais aussi dynamiques des objets d'observation. Dans ce cas, le problème de reconnaissance peut être défini comme une classification d'ensembles d'états ou comme une classification de trajectoires, dont la solution ne peut être trouvée par les méthodes de reconnaissance classiques, car les transitions temporelles peuvent générer des transformations d'image qui ne sont pas décrites par des dépendances analytiques connues ; Outre la tâche de reconnaissance d'objets dynamiques, il existe également des tâches de reconnaissance d'actions et d'événements actifs, par exemple pour détecter des actions non autorisées dans des endroits bondés ou pour déterminer le genre d'une scène à indexer dans des bases de données multimédia. Si nous considérons la tâche de reconnaissance d'objets et d'événements à partir de séquences d'images comme un processus unique, alors la plus appropriée est une approche hiérarchique avec des éléments de traitement parallèle à chaque niveau.

L'amélioration des moyens techniques de collecte et de restitution d'informations sous forme d'images statiques (photos) et de séquences vidéo nécessite le développement de méthodes et d'algorithmes pour leur traitement, l'analyse des situations et la reconnaissance des objets représentés. La formulation théorique initiale du problème de la reconnaissance d'images remonte aux années 1960-1970. et se reflète dans un certain nombre d'œuvres d'auteurs bien connus. La formulation d'un problème de reconnaissance d'image peut varier du problème de reconnaissance d'objet lui-même, des problèmes d'analyse de scène aux problèmes de compréhension d'image et aux problèmes de vision artificielle. Dans le même temps, les systèmes décisionnels intelligents basés sur des méthodes de reconnaissance de formes et d'images utilisent des informations d'entrée de type complexe. Il comprend à la fois des images obtenues dans une large gamme d'ondes du spectre électromagnétique (ultraviolet, visible, infrarouge, etc.), ainsi que des informations sous forme d'images sonores et de données de localisation. Malgré la nature physique différente, ces informations peuvent être représentées sous la forme d'images réelles d'objets et d'images spécifiques. Les données radiométriques sont des images plates d'une scène présentées en perspective ou en projection orthogonale. Ils sont formés en mesurant l'intensité des ondes électromagnétiques d'une certaine gamme spectrale, réfléchies ou émises par les objets de la scène. Habituellement, des données photométriques mesurées dans le domaine spectral visible sont utilisées - images monochromatiques (luminosité) * ou en couleur : les données de localisation sont les coordonnées spatiales des points observés de la scène. Si les coordonnées sont mesurées pour tous les points de la scène, alors un tel tableau de données de localisation peut être appelé une image de la profondeur de la scène. Il existe des modèles d'image simplifiés (par exemple, des modèles de projection affine, représentés par des projections à faible perspective, para-perspective, orthogonales et parallèles), dans lesquels la profondeur de la scène est considérée comme une valeur constante, et l'image de localisation de la scène ne ne contiennent pas d'informations utiles. Dans ce cas, l'information sonore a un caractère d'événement auxiliaire.

Les données photométriques sont mesurées le plus rapidement. Les informations de localisation sont généralement calculées à partir des données reçues de dispositifs spéciaux(par exemple, un télémètre laser, un radar) ou en utilisant une méthode stéréoscopique pour analyser les images de luminosité. En raison des difficultés à obtenir rapidement des données de localisation (en particulier pour les scènes avec une forme d'objets visuels en évolution rapide), les tâches de description d'une scène à partir d'une seule image visuelle prévalent, c'est-à-dire tâches de perception visuelle monoculaire de la scène. Dans le cas général, il est impossible de déterminer complètement la géométrie de la scène à partir d'une seule image. Ce n'est que sous certaines restrictions pour des scènes modèles assez simples et la disponibilité d'informations a priori sur la disposition spatiale des objets, qu'il est possible de construire une description tridimensionnelle complète à partir d'une seule image. L'un des moyens de sortir de cette situation est le traitement et l'analyse de séquences vidéo reçues d'une ou plusieurs caméras vidéo installées immobiles ou en mouvement dans l'espace.

Ainsi, les images sont la principale forme de représentation des informations sur le monde réel, et un développement ultérieur des méthodes de transformation et d'analyse sémantique des images individuelles et des séquences vidéo est nécessaire. L'une des directions les plus importantes dans le développement de tels systèmes intelligents est l'automatisation du choix des méthodes de description et de transformation des images, en tenant compte de leur nature informationnelle et des objectifs de reconnaissance dès les premières étapes du traitement des images.

Les premiers travaux de chercheurs américains (Louisiana State University, Carnegie Mellon University, Pittsburgh), suédois ("Computational Vision and Active Perception Laboratory (CVAP), Department of Numerical Analysis and Computer Science), français (INRIA), britannique ( Université de Leeds), Allemagne (Université de Karlsruhe), Autriche (Université du Queensland), Japon, Chine (School of Computer Science, Fudan University) sur le traitement de séquences d'images et la reconnaissance dynamique d'objets ont été publiés à la fin des années 1980 Plus tard, des travaux similaires ont commencé à comparaître et en Russie: à Moscou (MGU, MAI (STU), MIPT, GosNII AS), Saint-Pétersbourg (SPbSU, GUAP, FSUE GOI, LOMO), Ryazan (RGRTU), Samara (SSAU), Voronej (VSU) , Yaroslavl (YarSU), Kirov (VSU), Taganrog (TTI SFU), Novosibirsk (NSU), Tomsk (TSPU), Irkutsk (IrSU), Ulan-Ude (ESTU) et d'autres villes de cette région, en tant qu'académicien Académie russe des sciences, docteur en sciences techniques Yu. I. Zhuravlev, Membre correspondant de l'Académie russe des sciences, docteur en sciences techniques V. A. Soifer, docteur en sciences techniques N. G. Zagoruiko, docteur en sciences techniques L. M. Mestetsky, docteur en sciences techniques B. A. Alpatov et autres À ce jour, des progrès significatifs ont été réalisés dans la construction de systèmes de vidéosurveillance, de systèmes d'authentification d'identité basés sur des images, etc. Cependant, il existe des problèmes non résolus dans la reconnaissance des images dynamiques en raison de la complexité et de la diversité du comportement des objets dans le monde réel. Ainsi, cette direction doit améliorer les modèles, les méthodes et les algorithmes de reconnaissance d'objets et d'événements dynamiques à partir de séquences d'images dans différentes gammes de rayonnement électromagnétique, ce qui permettra de développer des systèmes de vidéosurveillance à un niveau qualitativement nouveau.

L'objectif du travail de thèse est d'augmenter l'efficacité de la reconnaissance d'objets dynamiques, de leurs actions et événements actifs dans des scènes complexes par des séquences d'images pour des systèmes de vidéosurveillance extérieurs et intérieurs.

L'objectif fixé a déterminé la nécessité de résoudre les tâches suivantes :

Analyser des méthodes d'estimation de mouvement et de recherche de signes de mouvement d'objets à partir d'un ensemble d'images séquentielles, des méthodes de segmentation d'objets dynamiques et d'analyse sémantique de scènes complexes, ainsi que des approches de construction de systèmes de reconnaissance et de suivi d'objets dynamiques de divers but désigné.

Développer des modèles de reconnaissance d'images statiques et dynamiques basés sur une procédure hiérarchique de traitement de séries temporelles, en particulier de séquences d'images.

Développer une méthode d'estimation du mouvement de structures dynamiques basée sur des informations spatio-temporelles obtenues dans différentes gammes de rayonnement électromagnétique, qui permet de choisir des méthodes de segmentation en fonction de la nature du mouvement et, ainsi, d'effectuer une reconnaissance adaptative d'images dynamiques.

Créer un modèle de mouvement à plusieurs niveaux de structures dynamiques dans une scène complexe, qui permet, sur la base des données odométriques obtenues, de construire des trajectoires de mouvement de structures dynamiques et d'émettre des hypothèses sur l'existence d'objets visuels basés sur l'analyse de la préhistoire de mouvements.

Développer un algorithme de segmentation complexe qui prend en compte l'ensemble des caractéristiques identifiées des structures dynamiques pour les directions arbitraires de mouvement et le chevauchement des projections d'objets, basé sur un modèle de mouvement à plusieurs niveaux dans des scènes complexes.

Développer une méthode de reconnaissance d'images dynamiques présentées en termes de grammaire formelle et de vidéographie de scène basée sur la méthode de prise de décision collective, ainsi que des méthodes de reconnaissance d'actions et d'événements actifs dans une scène complexe à l'aide de graphes d'actions et d'événements actifs (extension le vidéographe d'une scène complexe), et un réseau bayésien .

Sur la base des méthodes et modèles développés, concevoir des systèmes expérimentaux à diverses fins ; conçu pour le traitement de séquences d'images d'objets caractérisés par un ensemble fixe et arbitraire de 2£>-projections, et -reconnaissance d'images dynamiques c. scènes difficiles.

Méthodes, recherche. Lors de l'exécution des travaux de thèse, des méthodes de théorie de la reconnaissance des formes, de la théorie descriptive de la reconnaissance d'images, de la théorie du traitement du signal, des méthodes d'analyse vectorielle et de calcul tensoriel, ainsi que de la théorie des groupes, de la théorie des grammaires formelles ont été utilisées.

La nouveauté scientifique du travail de thèse est la suivante :

1. Un nouveau modèle de transformation d'image dynamique a été construit, qui se distingue par des niveaux hiérarchiques étendus de segmentation (selon les vecteurs de mouvement locaux et globaux) et de reconnaissance (des objets et de leurs actions actives), ce qui permet de trouver des caractéristiques cibles pour les scènes statiques avec objets en mouvement et scènes dynamiques basés sur le concept d'invariant dynamique maximal.

2. La théorie descriptive de la reconnaissance d'images a été élargie en introduisant quatre nouveaux principes : la prise en compte de l'objectif de reconnaissance aux stades initiaux de l'analyse, la reconnaissance du comportement des objets dynamiques, l'estimation de la préhistoire, un nombre variable d'objets d'observation, qui améliore la qualité de la reconnaissance des objets en mouvement en augmentant le contenu informatif des données initiales.

3. Pour la première fois, une méthode spatio-temporelle adaptative d'estimation de mouvement dans des séquences synchrones des gammes visible et infrarouge de rayonnement électromagnétique a été développée, qui permet d'extraire des signes de mouvement à différents niveaux hiérarchiques, combinant les avantages des deux types de séquences d'images.

4. Un nouveau modèle de mouvement à plusieurs niveaux a été développé ; permettant de décomposer la scène en niveaux séparés ; non > limité ; division généralement acceptée en premier plan et arrière-plan, qui permet une segmentation plus fiable des images d'objets dans ; scènes de perspective complexes.

5 : Justifié ? et construit ; nouveau; algorithme généralisé de segmentation d'objets dynamiques ; avec, en appliquant, un ensemble de caractéristiques, y compris des histoires de comportement ; et vous permet de suivre à la fois la dynamique des objets visuels individuels et l'interaction des objets dans la scène (projections qui se chevauchent ; l'apparition/la disparition d'objets du champ de vision du capteur vidéo) en fonction des transformations de groupe ; et la première analyse proposée de la partie commune des projections d'objets (à partir de deux images adjacentes) en utilisant des estimations intégrales et invariantes.

6. La méthode de prise de décision collective est modifiée, ce qui diffère dans la recherche de signes de projections inter-images d'un objet et permet de prendre en compte l'historique des observations pour reconnaître les actions et événements actifs basés sur le réseau bayésien, ainsi que quatre types de pseudo-distances sont proposées pour trouver une mesure de similarité v des images dynamiques avec des images dynamiques de référence en fonction de la représentation des caractéristiques dynamiques.

Importance pratique. Les méthodes et algorithmes proposés dans le travail de thèse sont destinés à une utilisation pratique dans la surveillance des véhicules en circulation à plusieurs voies dans le cadre du projet d'État Safe City, dans les systèmes de contrôle automatisés pour divers processus de production technologiques par séquences vidéo, dans les systèmes de vidéosurveillance extérieurs et la vidéosurveillance intérieure, ainsi que dans les systèmes d'identification d'objets sur photographies aériennes et de reconnaissance d'images de paysage.Sur la base des recherches de la thèse, des systèmes logiciels de traitement et de reconnaissance d'objets dynamiques utilisés dans divers domaines d'activité ont été développés.

Mise en œuvre des résultats du travail. Les programmes développés sont inscrits au registre russe des programmes informatiques: le programme «Segmentation d'images de texte manuscrit (SegPic)» (certificat n ° 2008614243, Moscou, 5 septembre 2008); Programme d'estimation de mouvement (certificat n° 2009611014, Moscou, 16 février 2009) ; programme "Localisation du visage (FaceDetection)" (certificat n° 2009611010, Moscou, 16 février 2009); le programme "Système d'imposition d'effets naturels visuels sur une image statique (imitation d'effets naturels)" (certificat n° 2009612794, Moscou, 30 juillet 2009) ; programme "Détection visuelle de fumée (SmokeDetection)" (certificat n° 2009612795, Moscou, 30 juillet 2009) ; "Programme d'enregistrement visuel des plaques d'immatriculation nationales des véhicules pendant le trafic multithread (FNX CTRAnalyzer)" (certificat n° 2010612795, Moscou, 23 mars 2010), programme "Amélioration d'image non linéaire" (certificat n° 2010610658, g. Moscou , 31 mars 2010

Des actes ont été reçus sur le transfert et l'utilisation d'algorithmes et de logiciels pour la reconnaissance de boîtiers de réfrigérateurs sur une chaîne de montage (OJSC KZH Biryusa, Krasnoïarsk), pour l'identification d'images d'objets sur des images de paysage (Concern of Radio Engineering Vega, OJSC KB Luch, Rybinsk, Yaroslavl région), pour segmenter la végétation forestière par un ensemble de photographies aériennes consécutives (LLC Altex Geomatica, Moscou), pour détecter les plaques d'immatriculation des véhicules dans des séquences vidéo lors d'un trafic multiflux et améliorer la qualité de leur affichage ^ (UGIBDD GUVD pour Territoire de Krasnoïarsk, Krasnoïarsk).

Les algorithmes et logiciels développés sont utilisés dans le processus éducatif lors de la conduite de cours dans les disciplines "Traitement intelligent des données", "Technologies informatiques dans les sciences et l'éducation", "Fondements théoriques du traitement d'images numériques", "Reconnaissance de formes", "Réseaux de neurones" , « Algorithmes de traitement d'images », « Algorithmes de traitement de séquences vidéo », « Analyse de scène et vision artificielle » à l'Université aérospatiale d'État de Sibérie du nom de l'académicien M.F. Reshetnev (SibGAU).

La fiabilité des résultats obtenus dans le travail de thèse est assurée par l'exactitude des méthodes de recherche utilisées, la rigueur mathématique des transformations effectuées, ainsi que la correspondance des dispositions et conclusions formulées avec les résultats de leur vérification expérimentale.

Les principales dispositions pour la défense:

1. Un modèle de traitement et de reconnaissance d'images dynamiques dans des scènes complexes, considérablement étendu par des niveaux hiérarchiques de segmentation et de reconnaissance non seulement des objets, mais également de leurs actions actives.

2. Extension de la théorie descriptive de la reconnaissance d'images pour les séries temporelles (séquences d'images) en augmentant le contenu informationnel des données analysées non seulement dans le domaine spatial, mais aussi dans la composante temporelle.

3. Méthode spatio-temporelle adaptative pour estimer le mouvement sur. sur la base de représentations tensorielles des volumes IS locaux dans des séquences synchrones des domaines visible et infrarouge du rayonnement électromagnétique.

4. Un modèle de mouvement à plusieurs niveaux dans des scènes complexes, qui étend la décomposition des scènes de perspective en niveaux séparés pour une analyse plus fiable des trajectoires de mouvement des objets.

5. Un algorithme de segmentation généralisé pour les objets dynamiques qui permet, sur la base des transformations de groupe et des estimations intégrales et invariantes proposées, d'identifier les projections d'objets qui se chevauchent, l'apparition / la disparition d'objets du champ de vision du capteur vidéo.

6. Méthodes de reconnaissance d'images dynamiques basées sur une méthode modifiée de prise de décision collective et de recherche de pseudo-distances dans des espaces métriques, ainsi que d'actions et d'événements actifs dans des scènes complexes.

Approbation du travail. Les principales dispositions et résultats de la recherche de thèse ont été rapportés et discutés lors de la 10e conférence internationale "Pattern Recognition and Image Analysis: Modern Information Technologies", (S.-Petersburg, 2010), le congrès international "Ultra Modern Telecommunications and Control Systems ICUMT2010" (Moscou, 2010) ; XII Symposium international sur les méthodes non paramétriques en cybernétique et analyse de système (Krasnoyarsk, 2010), II Symposium international "Intelligent Decision-Technologies - IDT 2010" (Baltimore, 2010), III Conférence internationale. « Automatisation, contrôle ? et technologies de l'information - AOIT-ICT"2010" (Novossibirsk, 2010), 10ème, 11ème et 12ème conférences et expositions internationales "Traitement du signal numérique et ses applications" (Moscou, 2008 - 2010), Xème conférence scientifique et technique internationale "Théorie et questions appliquées des technologies de l'information modernes" (Ulan-Ude, 2009), IXe conférence scientifique et technique internationale "Cybernétique et hautes technologies du XXIe siècle" (Voronezh, 2008), conférence panrusse "Modèles et méthodes de traitement d'images" (Krasnoyarsk , 2007), aux X, XI et XIII conférences scientifiques internationales « Reshetnev readings » (Krasnoïarsk, 2006, 2007, 2009), ainsi qu'à des séminaires scientifiques Université d'État Instrumentation aérospatiale (Saint-Pétersbourg, 2009), Institut de modélisation informatique du CO

RAS (Krasnoïarsk, 2009), Institut des systèmes de traitement d'images RAS (Samara, 2010).

Publications. Selon les résultats de la recherche de thèse, 53 travail imprimé, dont 1 monographie, 26 articles (dont 14 articles - dans des publications incluses dans la liste des VAK, 2 articles - dans des publications répertoriées dans le "Thomson Reuters : Science Citation Index Expanded / Conference Proceedings Citation Index"), 19 abstracts, 7 certificats inscrits au registre russe des programmes informatiques, ainsi que 3 rapports de recherche.

Contribution personnelle. Tous les principaux résultats présentés dans la thèse, y compris la formulation des problèmes et leurs solutions mathématiques et algorithmiques, ont été obtenus par l'auteur personnellement ou réalisés sous sa direction scientifique et avec une participation directe. Sur la base des matériaux du travail, deux mémoires ont été soutenus pour le diplôme de candidat en sciences techniques, au cours desquels l'auteur était le directeur officiel.

Structure de travail. L'ouvrage comprend une introduction, six chapitres, une conclusion, une bibliographie. Le texte principal du mémoire contient 326 pages, la présentation est illustrée par 63 figures et 23 tableaux. La liste bibliographique comprend 232 titres.

6.7 Conclusions du chapitre

Dans ce chapitre, la structure et les principales fonctions du complexe logiciel expérimental "ZROEL", v.1.02, qui effectue un traitement hiérarchique systémique des séquences d'images jusqu'aux plus hauts niveaux de reconnaissance d'objets et d'événements, sont examinées en détail. Système automatisé, qui nécessite une participation humaine pour la formation et le réglage des graphes, des réseaux et des classificateurs. Un certain nombre de modules système de bas niveau fonctionnent automatiquement. La structure du progiciel est telle qu'il est possible de modifier des modules sans affecter les autres modules du système. Représentée schémas fonctionnels les principaux modules du système : module, prétraitement, module d'estimation de mouvement, module de segmentation, module de reconnaissance d'objets et module de reconnaissance d'actions actives.

Des études expérimentales basées sur ce progiciel ont été menées sur plusieurs séquences vidéo et séquences infrarouges de la base de données de test OTCBVS^07, sur les séquences vidéo de test du taxi de Hambourg, Rubik cube. "Silent", ainsi que sur leur propre matériel vidéo. Cinq méthodes d'estimation de mouvement ont été testées. Il a été démontré expérimentalement que la méthode d'appariement de blocs et la méthode de séquence infrarouge proposée montrent des valeurs similaires et sont les moins précises. La méthode proposée pour la séquence vidéo et la méthode de suivi des caractéristiques ponctuelles montrent des résultats similaires. Dans le même temps, l'approche tensorielle développée nécessite une plus petite quantité de calculs informatiques par rapport à la méthode de suivi des caractéristiques ponctuelles. Il convient d'utiliser l'utilisation conjointe de séquences vidéo synchronisées et de séquences infrarouges pour trouver le module du vecteur vitesse dans des conditions d'éclairement réduit de la scène.

Pour reconnaître les objets visuels, quatre types de pseudo-distances ont été utilisées (pseudo-distances de Hausdorff, Gromov-Hausdorff, Fréchet, pseudo-distance naturelle) pour trouver une mesure de similarité des images dynamiques d'entrée avec les images dynamiques de référence (selon la présentation de une caractéristique dynamique - un ensemble de caractéristiques numériques, des ensembles de vecteurs, des ensembles de fonctions). Ils ont montré leur validité pour des images avec des transformations morphologiques admissibles. Nous avons utilisé des estimations normalisées intégrées de la forme du contour Kc de la partie commune de la projection de l'objet entre des cadres conditionnellement adjacents et l'aire de la partie commune 5e et une estimation invariante - la fonction de corrélation des parties communes du projections Fcor. L'utilisation d'une méthode modifiée de prise de décision collective permet de "rejeter" les observations infructueuses des images d'entrée (cas de projections d'objets qui se chevauchent, distorsion de la scène des sources d'éclairage, etc.) et de sélectionner les observations les plus appropriées. Des expériences ont montré que l'utilisation d'une méthode modifiée de prise de décision collective augmente la précision de la reconnaissance de 2,4 à 2,9 % en moyenne.

Des résultats expérimentaux d'évaluation de mouvement, de segmentation et de reconnaissance d'objets ont été obtenus sur des séquences test d'images ("Taxi de Hambourg", "Rubik cube". "Silencieux", séquences vidéo et séquences infrarouges de la base de données de test "OTSVVS" 07). bases de données de test "PETS", "CAVIAR", "VACE". La nature de la séquence visuelle de test affecte les performances. Les objets qui effectuent un mouvement de rotation sont reconnus moins bien ("cube Rubik"), mieux - objets fabriqués par l'homme de petites tailles ("Taxi de Hambourg", "Vidéo 1"). Les meilleurs résultats sont montrés par la reconnaissance par deux séquences. De plus, les meilleurs résultats expérimentaux ont été obtenus lors de la reconnaissance d'actions actives périodiques de personnes qui ne sont pas en groupe (marcher, courir, lever les mains). Les faux positifs sont dus à la présence d'ombres à plusieurs endroits de la scène.

À la fin * du sixième chapitre, des "projets appliqués tels que" Enregistrement visuel des plaques d'immatriculation nationales des véhicules en trafic multi-thread "," Système d'identification des modèles de boîtiers de réfrigérateur par des images "," Algorithmes de traitement de la segmentation i, images de paysage. Identification des objets ". Algorithmique et. Le logiciel a été transféré aux organisations intéressées : les résultats de l'opération de test ont montré l'opérabilité du logiciel développé sur la base des modèles et des méthodes proposés dans le travail de thèse.

CONCLUSION

Dans le travail de thèse, un problème scientifique et technique important de traitement de données spatio-temporelles obtenues à partir de séquences des gammes visible et infrarouge de rayonnement électromagnétique et de reconnaissance d'images dynamiques dans des scènes complexes a été posé et résolu. Le système de méthodes hiérarchiques de traitement et d'extraction de caractéristiques à partir de données spatio-temporelles est une base méthodologique pour résoudre des problèmes appliqués dans le domaine de la vidéosurveillance.

L'introduction justifie la pertinence du travail de thèse, formule le but et fixe les objectifs de la recherche, montre la nouveauté scientifique et la valeur pratique de la recherche effectuée, et présente les principales dispositions soumises à la soutenance.

Le premier chapitre montre que les objets visuels dans les séquences vidéo sont caractérisés par un vecteur de caractéristiques plus multidimensionnel que les images dans la formulation classique du problème de reconnaissance d'images statiques.

Une classification des principaux types de problèmes de reconnaissance pour les images statiques, les scènes statiques avec des éléments de mouvement et les séquences d'images est construite, ce qui reflète la nature historique du développement des méthodes mathématiques dans ce domaine. Une analyse détaillée des méthodes d'estimation de mouvement, des algorithmes de segmentation pour les objets en mouvement et des méthodes d'interprétation des événements dans des scènes complexes a été réalisée.

Les systèmes matériels et logiciels commerciaux existants dans des domaines tels que la surveillance des véhicules à des fins diverses, le traitement des vidéos sportives, la sécurité (reconnaissance faciale, entrée non autorisée de personnes dans une zone protégée) sont examinés.Les développements de la recherche pour les systèmes de vidéosurveillance sont également analysés.

A la fin du chapitre 1, l'énoncé du problème de traitement spatio-temporel des séquences d'images est présenté, présenté sous la forme de trois niveaux et cinq étapes de traitement et de reconnaissance des informations visuelles des séquences d'images.

Dans le deuxième chapitre de la thèse, des modèles formels de traitement et de reconnaissance d'objets par leurs images statiques et leurs séquences d'images sont développés. Les applications admissibles sont construites dans l'espace des images et dans l'espace des caractéristiques pour le problème direct et le problème inverse. Des règles pour construire des fonctions de décision invariantes et un invariant dynamique maximal généralisé sont données. Lors de la reconnaissance, les trajectoires de différentes images dans l'espace multidimensionnel des caractéristiques peuvent se croiser. Lorsque les projections d'objets se croisent, trouver un invariant dynamique maximal généralisé devient encore plus difficile, voire impossible dans certains cas.

Les principes de base de la théorie descriptive de la reconnaissance d'images sont considérés, qui est basée sur des méthodes régulières pour sélectionner et synthétiser des procédures algorithmiques pour le traitement de l'information dans la reconnaissance d'images. Des principes supplémentaires sont proposés qui élargissent la théorie descriptive des images dynamiques : prise en compte de l'objectif de reconnaissance aux étapes initiales du traitement des séquences d'images, reconnaissance des situations comportementales des objets dynamiques, estimation de la préhistoire des objets dynamiques, un nombre variable d'objets d'observation dans des scènes complexes.

Le problème de la recherche de caractéristiques cibles pour l'analyse des séquences d'images en fonction du type de prise de vue (dans le cas d'une prise de vue à angle unique), du mouvement du capteur vidéo et de la présence d'objets en mouvement dans la zone de visibilité est examiné en détail. Les descriptions de quatre situations dans l'espace des caractéristiques sont données au fur et à mesure que la tâche devient plus complexe.

Le troisième chapitre formule les étapes de traitement des séquences d'images et de reconnaissance des objets, des actions actives, des événements et du genre de scène. Les étapes reflètent la nature hiérarchique séquentielle du traitement de l'information visuelle. Les conditions et limites des méthodes hiérarchiques de traitement spatio-temporel des séquences d'images sont également présentées.

La classification des régions dynamiques image est réalisée en analysant les valeurs propres 31) du tenseur structurel, dont les vecteurs propres sont déterminés à partir des déplacements locaux des intensités image des trames voisines et servent à estimer les orientations locales des régions dynamiques. Une nouvelle méthode pour estimer le mouvement dans le volume spatio-temporel de données dans les gammes de rayonnement visible et infrarouge basée sur l'approche tensorielle est étayée. La possibilité d'utiliser un noyau spatialement variable, adaptatif à la taille et à l'orientation de l'environnement ponctuel, est envisagée. L'adaptation de l'environnement, qui a initialement la forme d'un cercle, puis se transforme en forme d'ellipse orientée après 2-3 itérations, améliore l'évaluation des structures orientées dans l'image. Une telle stratégie améliore les estimations de gradient dans l'ensemble de données spatio-temporelles.

L'estimation des paramètres de mouvement locaux est effectuée en calculant les primitives géométriques et les points singuliers de la région locale. Ainsi, l'évaluation des signes locaux du mouvement des régions est la base pour émettre des hypothèses ultérieures selon lesquelles les objets visuels appartiennent à l'une ou l'autre classe. L'utilisation de séquences vidéo synchrones et de séquences infrarouges améliore les résultats de la segmentation des régions mobiles dans l'image et la recherche de vecteurs de mouvement locaux.

Il est montré que les frontières dans les images couleur peuvent être estimées sur la base de méthodes de gradients multidimensionnels construits dans toutes les directions en chaque point de la frontière, de méthodes vectorielles utilisant des statistiques d'ordre sur une image couleur, ainsi que d'une approche tensorielle dans le cadre d'une analyse multidimensionnelle. méthodes de gradient. Les moyens d'affiner les informations de contour sont essentiels pour les régions montant arbitraire projections autorisées.

Dans le quatrième chapitre, un modèle de mouvement à plusieurs niveaux est construit sur la base de structures de mouvement, qui reflète la dynamique des objets dans des scènes réelles et élargit la représentation à deux niveaux de la scène, divisée en objets d'intérêt et en arrière-plan stationnaire.

Des modèles de mouvement d'objets sur un plan basés sur la théorie des groupes de Lie compacts sont étudiés. Des modèles de transformation projective et des variétés de modèles de transformation affine sont présentés. De telles transformations décrivent bien des structures de mouvement avec un nombre limité de projections (objets technogéniques). La représentation de structures avec un nombre illimité de projections (objets anthropiques) par des transformations affines ou projectives s'accompagne d'un certain nombre de conditions supplémentaires (notamment exigence d'éloignement des objets du capteur vidéo, objets de petite taille, etc.) . Des définitions et un théorème prouvés par L. S. Pontryagin sont donnés, sur la base desquels il a été possible de trouver un automorphisme interne de coordonnées de groupe décrivant un objet jusqu'à des décalages entre cadres voisins. L'amplitude des décalages est déterminée par la méthode d'estimation du mouvement de la différence intertrame développée au chapitre 3.

Une extension des transitions admissibles entre groupes de transformations dues à la dualité de nature des 2£)-images (affichage des changements dans la projection d'un objet individuel et intersection visuelle de plusieurs objets : (interaction d'objet)) est construite. On trouve des critères qui, lors du changement de groupes de transformations, fixent des actions et des événements actifs dans la scène, à savoir des estimations intégrées de la forme du contour Kc de la partie commune de la projection entre des cadres conditionnellement voisins et la zone du commun partie 5e et estimations invariantes - la fonction de corrélation des parties communes des projections Pcog et les constantes structurelles du groupe de Lie c "g, qui nous permettent d'estimer le degré de variabilité et de révéler la nature du mouvement des objets observés.

Un modèle de la préhistoire du mouvement des objets dans des séquences d'images a également été construit, comprenant des séries temporelles de trajectoires de mouvement, les changements de forme d'un objet lorsqu'il se déplace dans l'espace 3L>, ainsi que les changements de forme d'un objet. associé à l'interaction des objets dans la scène et à l'apparition/disparition d'un objet du champ de vision du capteur (utilisé pour reconnaître les actions et événements actifs dans la scène). 1

Un algorithme généralisé de segmentation d'objets dans des scènes complexes a été développé qui prend en compte des cas complexes de segmentation (superposition d'images, apparition et disparition d'objets du champ de vision de la caméra, mouvement vers la caméra), qui comprend trois sous-étapes : pré-segmentation, segmentation et post-segmentation. Pour chaque sous-étape, des tâches, des données initiales et de sortie sont formulées, des organigrammes d'algorithmes sont développés qui permettent la segmentation de scènes complexes en utilisant les avantages des séquences synchrones de différentes plages de rayonnement.

Le cinquième chapitre traite du processus de reconnaissance dynamique des formes à l'aide d'une grammaire formelle, d'un vidéaste de scène et d'une méthode modifiée de prise de décision collective. Une scène dynamique avec un mouvement à plusieurs niveaux a une structure variable dans le temps, il est donc conseillé d'utiliser des méthodes de reconnaissance structurelle. La grammaire contextuelle à trois niveaux proposée pour reconnaître des scènes complexes avec des mouvements d'objets à plusieurs niveaux met en œuvre deux tâches : la tâche d'analyse d'une séquence d'images et la tâche d'analyse d'une scène.

Un moyen plus visuel de description sémantique d'une scène est un vidéographe construit à l'aide de la méthode de regroupement hiérarchique. Basé sur des fonctionnalités complexes niveau inférieur des structures spatiales locales, stables dans le temps, des objets spatiaux locaux sont formés et un vidéographe de la scène est construit, comprenant des objets spatiaux reconnus, un ensemble d'actions qui leur sont inhérentes, ainsi que des connexions spatio-temporelles entre eux.

La méthode modifiée de prise de décision collective repose sur une procédure de reconnaissance à deux niveaux. Au premier niveau, la reconnaissance de l'appartenance d'une image à un domaine de compétence particulier est effectuée. Au deuxième niveau entre en vigueur la règle de décision dont la compétence est maximale dans un domaine donné. Des expressions pour les pseudo-distances sont construites lors de la recherche d'une mesure de similarité des images dynamiques d'entrée avec des images dynamiques de référence, en fonction de la représentation des caractéristiques dynamiques - un ensemble de caractéristiques numériques, un ensemble de vecteurs, un ensemble de fonctions.

Lors de la reconnaissance d'événements, le vidéaste de scène complexe est étendu au vidéaste d'événement : un modèle dépendant de l'objet d'un objet dynamique est construit. En tant que fonction de mise en correspondance, les classificateurs les plus simples dans l'espace des caractéristiques sont utilisés (par exemple, par la méthode ^-means), puisque la mise en correspondance est effectuée selon un ensemble limité de modèles associés à un objet préalablement identifié. Les manières de former des modèles de projections d'objets visuels sont considérées.

Le vidéographe des événements est construit sur la base des réseaux de Markov. Des procédés de détection d'actions actives d'agents, ainsi que la procédure de construction et de découpage d'un vidéographe d'événement pour reconnaître des événements dans une scène, sont considérés. En même temps, pour chaque événement, son propre modèle est construit, qui est formé sur des exemples de test. La détection d'événements est réduite au regroupement d'actions actives exécutées séquentiellement sur la base d'une approche bayésienne. Une découpe récursive est effectuée - la matrice des coefficients de pondération dans la séquence vidéo d'entrée et la comparaison avec les événements de référence obtenus à l'étape d'apprentissage. Ces informations sont* la source pour déterminer le genre de la scène et, si nécessaire, indexer la séquence vidéo dans la base de données. Un système de compréhension et d'interprétation d'images et de matériel vidéo pour l'indexation dans des bases de données Internet multimédia a été développé.

Le sixième chapitre présente une description du complexe logiciel expérimental "SPOER", v.l.02 pour le traitement de séquences d'images et la reconnaissance d'objets et d'événements en mouvement. Il effectue un traitement hiérarchique systémique des séquences d'images jusqu'aux plus hauts niveaux de reconnaissance d'objets et d'événements. Il s'agit d'un système automatisé qui nécessite une intervention humaine pour former et ajuster les graphes, les réseaux et les classificateurs. Un certain nombre de modules système de bas niveau fonctionnent automatiquement.

Dans des études expérimentales menées à l'aide du progiciel SPOER, v.l.02, des séquences vidéo et des séquences d'images infrarouges de la "base de test 07" de l'OTCBVS, des séquences vidéo de test "Hamburg taxi", "Rubik cube", "Silent" et nos propres supports vidéo ont été Cinq méthodes d'estimation de mouvement ont été testées.La méthode proposée pour la séquence vidéo montre les résultats les plus précis et nécessite moins de calculs informatiques par rapport aux autres méthodes.L'utilisation combinée de séquences vidéo synchronisées et de séquences infrarouges est utile pour trouver des modules de vecteur de vitesse à faible -conditions de la scène lumineuse.

Pour reconnaître les objets visuels avec des transformations morphologiques acceptables des projections, nous avons utilisé des estimations normalisées intégrées de la forme du contour Kc de la partie commune de la projection de l'objet entre des cadres conditionnellement adjacents et la zone de la partie commune 5e et une estimation invariante - la fonction de corrélation des parties communes des projections Fcor. L'utilisation d'une méthode modifiée de prise de décision collective permet de "rejeter" les observations infructueuses des images d'entrée (cas de projections d'objets qui se chevauchent, distorsions visuelles de la scène à partir de sources lumineuses, etc.) et de sélectionner les observations les plus appropriées. Des expériences ont montré que l'utilisation d'une méthode modifiée de prise de décision collective augmente la précision de la reconnaissance de 2,4 à 2,9 % en moyenne.

Résultats expérimentaux de score-mouvement ; la segmentation et la reconnaissance d'objets ont été obtenues sur des séquences test d'images ("Hamburg taxi", "Rubik cube", "Silent", séquences vidéo et séquences infrarouges de la base de test "OTCBVS*07"). Pour reconnaître les actions actives des personnes, des exemples des bases de données de test "PETS", "CAVIAR", "VACE" ont été utilisés. Les meilleurs résultats sont montrés par la reconnaissance par deux séquences. De plus, les meilleurs résultats expérimentaux ont été obtenus lors de la reconnaissance d'actions actives périodiques de personnes n'appartenant pas à des groupes (marcher, courir, lever la main). Les faux positifs sont causés par le contre-jour et la présence d'ombres à plusieurs endroits de la scène.

Sur la base du complexe expérimental "ZROEYA", V. 1.02, des systèmes de traitement d'informations vidéo à des fins diverses ont été développés: "Enregistrement visuel des plaques d'immatriculation nationales des véhicules en circulation multiflux", "Système d'identification des modèles de caisses de réfrigérateur par images", "Algorithmes de traitement et de segmentation d'images de paysage . Reconnaissance d'objets". Algorithmique et logiciel ont été transférés aux organisations intéressées. Les résultats de l'opération de test ont montré l'opérabilité du logiciel développé sur la base des modèles et méthodes proposés dans le travail de thèse.

Ainsi, les résultats suivants ont été obtenus dans le travail de thèse :

1. Des modèles formels de traitement et de reconnaissance de structures spatio-temporelles sont construits selon une procédure hiérarchique adaptative. traitement de séquences d'images, qui diffèrent en ce qu'ils prennent en compte des transformations isomorphes et homomorphes et dérivent des fonctions généralisées d'invariants statiques et dynamiques. Des modèles de recherche de caractéristiques statiques et dynamiques d'objets ont également été construits pour quatre tâches d'analyse de séquences d'images, en fonction de la présence d'un capteur vidéo en mouvement1 et d'objets en mouvement dans la scène.

2. Les principales dispositions de l'approche descriptive de la reconnaissance des séquences d'images ont été élargies, permettant de prendre en compte les objectifs de reconnaissance aux étapes initiales du traitement des séquences d'images avec segmentation ultérieure des zones d'intérêt, de construire des trajectoires de mouvement et de reconnaître le comportement de objets dynamiques, tenir compte de l'historique du mouvement des objets lors du franchissement de leurs projections, accompagner un nombre variable d'objets d'observation.

3. Une méthode hiérarchique de traitement et de reconnaissance des structures spatio-temporelles a été développée, composée de trois niveaux et cinq étapes et impliquant la normalisation des projections d'objets, ce qui permet de réduire le nombre de normes pour une classe lors de la reconnaissance d'objets dynamiques complexes .

4. Une méthode d'estimation de mouvement pour des séquences d'images dans les domaines visible et infrarouge du rayonnement électromagnétique a été développée, qui diffère par l'utilisation de jeux de données spatio-temporelles, présentés sous la forme de tenseurs structuraux 3£> et de tenseurs bB. flux, respectivement. L'estimation de mouvement résultante vous permet de choisir la méthode la plus efficace pour segmenter les objets visuels dynamiques qui diffèrent par le nombre de projections valides.

5. Un modèle de mouvement multiniveau des régions d'image basé sur des vecteurs de vitesse locaux a été construit, qui diffère en ce qu'il permet de diviser la scène non seulement en objets de premier plan et d'arrière-plan, mais aussi en niveaux de mouvement d'objets éloignés de l'observateur. Cela est particulièrement vrai pour les scènes complexes enregistrées par un capteur vidéo en mouvement, lorsque tous les objets de la scène sont en mouvement relatif.

6. Un algorithme de segmentation adaptative pour les objets dynamiques a été développé : a) pour les objets avec un nombre limité de projections, basé sur l'analyse de la préhistoire du mouvement des régions dynamiques locales, caractérisé en ce que lorsque les images se chevauchent, la forme des la région est complétée selon le gabarit courant et, sous réserve de l'application du filtre de Kalman, on prédit la trajectoire courante ; b) pour des objets avec un nombre arbitraire de projections basées sur des caractéristiques complexes d'analyse, de couleur, de texture, statistiques, topologiques et de mouvement, caractérisé en ce que lorsque les images se chevauchent, la forme de la région est complétée en utilisant la méthode des contours actifs.

7. Une méthode est proposée pour construire un vidéographe dynamique d'une scène complexe en utilisant la méthode de regroupement hiérarchique d'éléments complexes de niveau inférieur en structures spatiales locales stables dans le temps, puis en objets spatiaux locaux. Le vidéaste généré établit des relations temporelles entre les objets et conserve toutes les caractéristiques généralisées pour reconnaître les événements de la scène. La grammaire bidimensionnelle de M.I. Schlesinger dans le cadre de la méthode de reconnaissance structurelle à une grammaire contextuelle à trois niveaux.

8 : Pour la reconnaissance d'objets dynamiques, la méthode de prise de décision collective est modifiée, qui reconnaît d'abord que l'image appartient au domaine de compétence, puis choisit la règle de décision dont la compétence est maximale dans le domaine donné. Quatre types de pseudo-distances sont construits pour trouver une mesure de similarité entre les images dynamiques d'entrée et les normes, en fonction de la représentation des caractéristiques dynamiques.

9. Une méthode de reconnaissance d'événements basée sur le réseau bayésien a été développée, qui effectue un découpage récursif de la matrice de coefficients de pondération dans la séquence vidéo d'entrée et une comparaison avec des événements de référence obtenus à l'étape d'apprentissage. Ces informations sont à l'origine de la détermination du genre de la scène et de l'indexation des séquences vidéo dans des bases de données Internet multimédia.

10. Les problèmes pratiques de traitement et de reconnaissance de séquences d'images sont résolus à l'aide de la méthode adaptative-hiérarchique de traitement spatio-temporel, l'efficacité de la méthode est démontrée, l'efficacité du système de méthodes de traitement hiérarchique est démontrée, etc. reconnaissance d'informations visuelles avec possibilité de sélection adaptative de caractéristiques c. processus de résolution de problèmes. Les résultats obtenus sous la forme de systèmes expérimentaux conçus ont été transférés aux organisations intéressées.

Ainsi, dans ce travail de thèse, un problème scientifique et technique important de support d'information pour les systèmes de vidéosurveillance a été résolu et une nouvelle direction a été développée dans le domaine du traitement spatio-temporel et de la reconnaissance d'images dynamiques.

1. Analyse automatique d'images complexes / Ed. EM. Bra-vermana. M. : Mir, 1969. - 309 p. Bongard M.M. Problèmes de reconnaissance. - M. : Nauka, 1967.-320 p.

2. Alpatov, B.A., Détection d'un objet en mouvement dans une séquence d'images en présence de restrictions sur la surface et la vitesse de l'objet / B.A. Alpatov, A.A. Kitaev // Traitement numérique des images, n° 1, 2007. p. 11-16.

3. Alpatov, B.A., Sélection d'objets en mouvement dans des conditions de distorsions géométriques de l'image / B.A. Alpatov, P.V. Babayan // Traitement numérique du signal, n° 45 2004. p. 9-14.

4. Alpatov, B.A., Babayan P.V. Méthodes de traitement et d'analyse d'images" dans les systèmes embarqués de détection et de suivi d'objets / B.A. Alpatov, P.V. Babayan // Traitement numérique du signal, n° 2, 2006. 45-51 p.

5. Bolshakov, A.A., Méthodes de traitement des données multivariées et des séries chronologiques : Manuel pour les universités / A.A. Bolchakov, R.I. Karimov/M. : Hotline-Telecom, 2007. 522 p.6 : Bongard, M.M. Problèmes de reconnaissance / M.M. Bongard / M. : Nauka, 1967.-320 p.

6. Bulinsky, A.B. Théorie des processus aléatoires1 / A.B. Bulinsky, A.N. Shiriaev / M. : FIZMATLIT, 2005. 408 p.

7. Weinzweig, M.N. Architecture du système de représentation de scène dynamique visuelle en termes de concepts / M.N. Vaintsvaig, M.N. Polyakov // sam. tr. 11e panrusse. conf. "Méthodes mathématiques de reconnaissance de formes (MMRO-11)", M., 2003. pp. 261-263.

8. Vapnik, V.N. La tâche d'apprentissage de la reconnaissance des formes / V.N. Vapnik/M. : Connaissance, 1970. - 384 p.

9. P.Vapnik, V.N. Théorie de la reconnaissance des formes (problèmes statistiques d'apprentissage) / V.N. Vapnik, A.Ya. Chervonenkis / M. : Nauka, 1974. 416 p.

10. Vasiliev, V.I. Reconnaissance des corps en mouvement / V.I. Vasiliev, A.G. Ivakhnenko, V.E. Reutsky et autres // Automation, 1967, n° 6, p. 47-52.

11. Vasiliev, V.I. Systèmes de reconnaissance / V.I. Vasiliev / Kyiv : Nauk. Dumka, 1969. 292 p.

12. Vasiliev, V.I. Reconnaître les systèmes. Répertoire / V.I. Vasiliev / Kiev, Nauk, Dumka, 1983. 422 p.

13. Vizilter, Yu.V. Application de la méthode d'analyse des preuves morphologiques dans les problèmes de vision artificielle>/ Yu.V. Vizilter // Bulletin de l'informatique et des technologies de l'information, n° 9, 2007 p. 11-18.

14. Vizilter, Yu.V. Morphologies projectives basées sur l'interpolation / Yu.V. Vizilter // Bulletin de l'informatique et des technologies de l'information, n° 4, 2008.-p. 11-18.

15. Vizilter, Yu.V., Les morphologies projectives et leur application à l'analyse structurale des images numériques / Yu.V. Vizilter, S.Yu. Jeltov // Izv. COURU. TiSU, n° 6, 2008. p. 113-128.

16. Vizilter, Yu.V. Étude du comportement des filtres autorégressifs dans le problème de détection et d'analyse de mouvement sur des séquences vidéo numériques / Yu.V. Vizilter, B.V. Vishnyakov // Bulletin des technologies informatiques et de l'information, n ° 8, 2008. - p. 2-8.

17. Vizilter, Yu.V. Morphologies d'images projectives basées sur des modèles décrits par des fonctionnelles structurantes /Yu.V. Vizilter, S.Yu. Jeltov // Bulletin des technologies informatiques et de l'information, n ° 11, 2009.-p. 12-21.

18. Vishnyakov, B.V. Utilisation de la méthode modifiée des flux optiques dans le problème de la détection de mouvement et du suivi interimage.

19. Ganebnykh, S.N. Analyse de scène basée sur l'utilisation de représentations arborescentes d'images / S.N. Ganebnykh, M.M. Lange // sam. tr. 11e panrusse. conf. "Méthodes mathématiques de reconnaissance de formes (MMRO-11)", M., 2003.-p. 271-275.

20. Glushkov, V.M. Introduction à la cybernétique / V.M. Glushkov / Kyiv: Maison d'édition de l'Académie des sciences de la RSS d'Ukraine, 1964. 324 p.

21. Gonzalez, R., Woods R. Traitement d'image numérique. Traduction de l'anglais. éd. P.A. Chochia / R. Gonzalez, R. Woods / M. : Technosfera, 2006. 1072 p.

22. Goroshkin, A.N., Segmentation d'images textuelles manuscrites (SegPic) / A.N. Goroshkin, M.N. Favorskaya // Certificat n° 2008614243. Inscrit au registre des programmes informatiques, Moscou, 5 septembre 2008.

23. Grenander, W. Conférences sur la théorie des images / W. Grenander / En 3 volumes / Traduit de l'anglais. Éd. Yu.I. Zhuravleva. Moscou : Mir, 1979-1983. 130 s.

24. Gruzman, I.S. Traitement d'image numérique dans les systèmes d'information : manuel. Allocation / I.S. Gruzman, C.-B. Kirichuk, V.P. Kosykh, G.I. Peretyagin, A.A. Spektor / Novosibirsk, maison d'édition NSTU, 2003. p. 352.

25. Inférence fiable et plausible dans les systèmes intelligents, Ed. V.N. Vagin, D.A. Pospelov. 2e éd., rév. et supplémentaire - M. : FIZMATLIT, 2008. - 712 p.

26. Duda, R. Reconnaissance de formes et analyse de scène / R. Duda, P. Hart / M. : Maison d'édition Mir, 1978. 512 p.

27. Zhuravlev Yu.I. Sur l'approche algébrique pour résoudre les problèmes de reconnaissance et de classification / Yu.I. Zhuravlev // Problèmes de cybernétique : sam. st., question. 33, M. : Nauka, 1978. p. 5-68.

28. Zhuravlev Yu.I. Sur la correction algébrique des procédures de traitement (transformation) de l'information / Yu.I. Zhuravlev, K.V. Rudakov // Problèmes de mathématiques appliquées et d'informatique, M.: Nauka, 1987. p. 187-198.

29. Zhuravlev Yu.I. Reconnaissance de formes et reconnaissance d'images / Yu.I. Zhuravlev, I.B. Gurevich // Annuaire « Reconnaissance. Classification. Prévision. Les méthodes mathématiques et leur application », vol. 2, M. : Nauka, 1989.-72 p.

30. Zhuravlev Yu.I. Reconnaissance de formes et analyse d'images / Yu.I. Zhuravlev, I.B. Gurevich / L'intelligence artificielle en 3 livres. Livre. 2. Modèles et méthodes : Handbook / Ed. OUI. Pospelova, M.: maison d'édition "Radio et Communication", 1990. - pp. 149-190.

31. Zagoruiko, N. G. Les méthodes de reconnaissance et leur application / N.G. Za-goruiko / M. : Sov. Radio, 1972. 206 p.

32. Zagoruiko, N. G. Intelligence artificielle et prédiction empirique / N.G. Zagoruiko / Novossibirsk : éd. NSU, ​​1975. 82 p.

33. Ivakhnenko AG De l'application de la théorie de l'invariance et du contrôle combiné à la synthèse et à l'analyse des systèmes d'apprentissage / A.G. Ivakhnenko // Automatisation, 1961, n° 5, p. 11-19.

34. Ivakhnenko, G.I. Systèmes de reconnaissance et de contrôle automatique à apprentissage automatique / A.G. Ivakhnenko / Kiev : Tekhnika, 1969. 302 p.

35. Kashkin, V.B. Télédétection de la Terre depuis l'espace. Traitement d'image numérique : Manuel / V.B. Kashkin, A.I. Su-hinin / Moscou : Logos, 2001. 264 p.

36. Kobzar, A.I. Statistiques mathématiques appliquées. Pour ingénieurs et scientifiques / A.I. Kobzar / M. : FIZMATLIT, 2006. 816 p.

37. Kovalevsky, V.A. Méthode de corrélation de reconnaissance d'image / V.A. Kovalevsky // Zhurn. Calcul. Mathématiques et physique mathématique, 1962, 2, n° 4, p. 684-690.

38. Kolmogorov, A.N. : Epsilon-entropie et epsilon-capacité des ensembles dans les espaces fonctionnels / A.N. Kolmogorov, V.M. Tikhomirov // Théorie de l'information et théorie des algorithmes. M. : Nauka, 1987. p. 119-198.

39. Korn, G. Manuel de mathématiques pour scientifiques et ingénieurs / G.Korn, T. Korn // M. : Nauka, Ch. éd. Phys.-Math. lit., 1984. 832 p.

40. Kronover, R. Fractales et chaos dans les systèmes dynamiques / R. Kronover // M. : Tekhnosfera, 2006. 488 p.

41. Lapko, A.B. Systèmes de classification non paramétriques* et hybrides pour données hétérogènes / A.V. Lapko, BlA. Lapko // Tr. 12e panrusse. conf. "Méthodes mathématiques et modèles de reconnaissance de formes" (MMRO-12), M., 2005.-p. 159-162.

42. Levtin, K.E. Détection visuelle de fumée (SmokeDetection) / K.E. Levtin, M.N. Favorskaya // Certificat n° 2009612795. Inscrit au registre des programmes informatiques, Moscou, 3 juillet 2009.

43. Lutsiv, V.R. Principes d'unification des systèmes optiques des robots / V.R. Lutsiv, M.N. Favorskaya // V-livre. "Unification et standardisation des robots industriels", Tachkent, 1984. p. 93-94.

44. Lutsiv, V.R. Système optique universel pour HAP / V.R. Lutsiv, M.N. Favorskaya // Dans le livre. "Expérience dans la création, la mise en œuvre et l'utilisation de systèmes de contrôle de processus dans les associations et les entreprises", L., LDNTP, 1984. p. 44-47.

45. Medvedeva, E.V. Méthode d'estimation des vecteurs de mouvement dans les images vidéo / E.V. Medvedeva, B.O. Timofeev // Dans les documents de la 12e conférence et exposition internationale "Le traitement du signal numérique et son application", M. : V 2 vol. T. 2, 2010. p. 158-161.

46. ​​​​Méthodes de traitement d'images par ordinateur / Éd. V.A. Soifer. 2e éd., espagnol. - M. : FIZMATLIT, 2003. - 784 p.

47. Méthodes de détection et de suivi automatiques d'objets. Traitement et contrôle d'images / B.A. Alpatov, P.V. Babayan, O.E. Balachov, A.I. Stepashkine. -M. : Ingénierie radio, 2008. - 176 p.

48. Méthodes d'optique informatique / Ed. V.A. Soifer. M. : FIZMATLIT, 2003. - 688 p.

49. Mudrov, A.E. Méthodes numériques pour PC en BASIC, Fortran et Pascal / A.E. Mudrov / Tomsk: MP "RASKO", 1991. 272 ​​​​p.

50. Pakhirka, A.I. Localisation du visage (FaceDetection) / A.I. Pakhirka, M.N. Favorskaya // Certificat n° 2009611010. Inscrit au registre des programmes informatiques, Moscou, 16 février 2009.

51. Pakhirka, A.I. Amélioration d'image non linéaire / A.I. Pakhirka, M.N. Favorskaya // Certificat n° 2010610658. Inscrit au registre des programmes informatiques, Moscou, 31 mars 2010.

52. Pontryagin L. S. Groupes continus J L. S. Pontryagin // 4e éd., M. : Nauka, 1984.-520 p.

53. Potapov, A.A. Fractales en radiophysique et radar : topologie d'échantillonnage / A.A. Potapov // éd. 2e, révisé. et supplémentaire - M. : Universitetskaya kniga, 2005. 848 p.

54. Radchenko Yu.S. Enquête sur l'algorithme spectral de détection des "changements dans la séquence vidéo" / Yu.S. Radchenko, A.V. Bulygin, T.A. Radchenko // Izv.

55. Salnikov, II. Signaux spatio-temporels raster dans les systèmes d'analyse d'images / I.I. Salnikov // M. : FIZMATLIT, 2009. -248 p.

56. Sergunin, S.Yu. Schéma de construction dynamique d'une description multiniveau d'images / S.Yu.Sergunin, K.M.Kvashnin, M.I. Kumskov // sam. tr. 11e panrusse. conf: "Méthodes mathématiques de reconnaissance de formes (MMRO-11)", M., 2003. p. 436-439 :

57. Slynko Yu.V. Résoudre le problème du suivi et du contournement simultanés par la méthode du maximum de vraisemblance / Yu.V. Slynko // Traitement numérique du signal, n° 4, 2008. p. 7-10

58. Solso, R. Psychologie cognitive / R. Solso / Saint-Pétersbourg : Peter, 6e éd., 2006. 590 p.

59. Tarasov, I.E. Développement d'appareils numériques basés sur le FPGA Xi-linx utilisant le langage VHDL / I.E. Tarasov / M.: Hotline-Telecom, 2005. - 252 p.

60. Favorskaya, M.N. Développement d'algorithmes de reconnaissance d'images numériques dans des systèmes robotiques adaptatifs / M.N*. Favorskaya // L!, Institut d'aviation de Leningrad. Instrumentation, 1985. Dépôt du manuscrit : chez VINITI le 23.01.85. N° 659-85 Dép.

61. Favorskaïa ; M.N. Application de méthodes spectrales pour la normalisation et la reconnaissance d'images dans des complexes robotiques adaptatifs / M.N. * Favorskaya // L., Leningradsky, in-t aviation. priborostr., 1985. Manuscrit dép. chez VINITI le 23 janvier 1985. N° 660-85 Dép.

62. Favorskaya, M.N. Expérience dans le développement d'algorithmes de reconnaissance d'objets pour la production d'emboutissages / M.N. Favorskaya // Dans le livre. "État, expérience et directions de travail sur l'automatisation intégrée basée sur GPS, RTK et PR", Penza, 1985. p. 64-66.

63. Favorskaya, M.N. Etude des propriétés projectives des groupes d'objets / M.N. Favorskaya, Yu.B. Kozlova // Bulletin de l'Université aérospatiale d'État de Sibérie. Problème. 3, Krasnoïarsk, 2002. - p. 99-105.

64. Favorskaya, M.N. Détermination de la structure affine d'un objet par mouvement / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie, Vol. 6, Krasnoïarsk, 2005. - p. 86-89.

65. Favorskaya-M.N. Classification générale des approches de reconnaissance d'images / M-.N. Favorskaïa // V< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Fonctions de décision invariantes dans les problèmes de reconnaissance d'images statiques / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Problème. 1 (14), Krasnoïarsk, 2007. p. 65-70.

67. Favorskaya, M.N. Méthodes probabilistes de segmentation de flux vidéo en tant que problème de données manquantes / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Problème. 3 (16), Krasnoïarsk, 2007. p. 4-8.

68. Favorskaya, M.N. Sélection de caractéristiques informatives cibles dans les systèmes de reconnaissance d'images / M.N. Favorskaya // Dans les matériaux du XI Inter-Dunar. scientifique conf. "Lectures Reshetnev" SibGAU, Krasnoïarsk, 2007 p. 306-307.

69. Favorskaya, M.N. Stratégies de segmentation d'images bidimensionnelles / M.N. Favorskaya // Dans les documents de la conférence scientifique panrusse "Modèles et méthodes de traitement d'image MMOI-2007", Krasnoïarsk, 2007. p. 136-140.

70. Favorskaya, M.N. Segmentation des images de paysage selon l'approche fractale / M.N. Favorskaya // Dans les documents de la 10e conférence et exposition internationale "Le traitement du signal numérique et son application", M., 2008. p. 498-501.

71. Favorskaya, M.N. Modèle de reconnaissance d'image de texte manuscrit / M.N. Favorskaya, A.N. Goroshkin // Bulletin de l'Université aérospatiale d'État de Sibérie. Problème. 2" (19), Krasnoïarsk, 2008. pp. 52-58.

72. Favorskaya, M.N. Algorithmes pour la mise en œuvre de l'estimation de mouvement dans les systèmes de vidéosurveillance / M.N. Favorskaya, A.S. Shilov // Systèmes de gestion et technologies de l'information. Recherche avancée / IPU RAS ; VSTU, n° 3.3(33), M.-Voronej, 2008. p. 408^12.

73. Favorskaya, M.N. Sur la question de l'utilisation des grammaires formelles dans la reconnaissance d'objets dans des scènes complexes // M.N. Favorskaya / Dans les documents de la XIIIe conférence scientifique internationale. "Lectures de Reshetnev". A 2 h 4.2, Krasnoïarsk, 2009. p. 540-541.

74. Favorskaya, M.N. Reconnaissance dynamique de formes basée sur des filtres prédictifs / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Problème. 1(22) à 2 heures 4f. 1, Krasnoïarsk, 20091 p. 64-68.

75. Favorskaya, M.N., Methods, motion search in video sequences / M.N. Favorskaya, A.I. Pahirka, AC Chilov; M.V. Damov // Bulletin. Université aérospatiale d'État de Sibérie. Problème. 1 (22) à 2 h Partie 2, Krasnoïarsk, 2009. p. 69-74.

76. Favorskaya, M.N. Recherche d'objets vidéo en mouvement à l'aide de tenseurs structurels 3D locaux / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Problème. 2 (23), Krasnoïarsk, 2009. p. 141-146.

77. Favorskaya, M.N. Évaluation du mouvement des objets dans des scènes complexes basée sur l'approche tensorielle / M.N. Favorskaya // Traitement numérique du signal, n° 1, 2010.-p. 2-9.

78. Favorskaya, M.N. Calcul complexe des caractéristiques des images de paysage / M.N. Favorskaya, N.Yu. Petoukhov // Optical Journal, 77, 8, 2010.-p. 54-60.

79. Bien, C.-B. Reconnaissance d'image / B.C. Fin // M. : Nauka, 1970.-284 p.

80. Forsythe, DA Vision par ordinateur. Approche moderne / D.A. Forsyth, J. Pons // M. : Williams Publishing House, 2004. 928 p.

81. Fu, K. Méthodes séquentielles en reconnaissance de formes et apprentissage automatique / K. Fu / M. : Nauka, 1971. 320 p.

82. Fu, K. Méthodes structurelles en reconnaissance de formes / K. Fu / M. : Mir, 1977.-320 p.

83. Fukunaga, K. Introduction à la théorie statistique de la reconnaissance des formes / K. Fukunaga / M. : Nauka, 1979. 368 p.

84. Shelukhin, O.I. Auto-similarité et fractales. Applications de télécommunication / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / Éd. O.I. Chelukhine. M. : FIZMATLIT, 2008. 368 p.

85. Shilov, AS Définition du mouvement (MotionEstimation) / A.S. Shilov, M.N. Favorskaya // Certificat n° 2009611014. Inscrit au registre des programmes informatiques, Moscou, 16 février 2009.

86. Sh.Shlezinger, M.I. Méthode de corrélation pour la reconnaissance de séquences d'images / M.I. Schlesinger / Dans le livre : Machines à lire. Kiev : Nauk.dumka, 1965. p. 62-70.

87. Schlesinger, MI. Analyse syntaxique de signaux visuels bidimensionnels sous interférence / M.I. Schlesinger // Cybernetics, n° 4, 1976. - pp. 76-82.

88. Stark, G.-G. Application des ondelettes pour DSP / G.-G. Shtark/Ml : Technosphère, 2007. 192 p.

89. Shup, T. Méthodes numériques appliquées en physique et technologie : Per. de l'anglais. / T. Shup / Éd. S.P. Merkuriev ; M. : Plus haut. École, 19901 - 255 p.11 "5. Electr, ressource : http://www.cse.ohio-state.edu/otcbvs-bench

90. Electr, ressource : http://www.textures.forrest.cz/ ressource électronique (base de texture images textures library forrest).

91. Electr, ressource : http://www.ux.uis.no/~tranden/brodatz.html ressource électronique (base de données d'images de texture Brodatz).

92. Allili M.S., Ziou D. Contours actifs pour le suivi d'objets vidéo à l'aide d'informations de région, de frontière et de forme // SIViP, Vol. 1, non. 2, 2007.pp. 101-117.

93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. Estimation robuste du mouvement de la caméra à l'aide de modèles de flux optiques // Lecture Notes in

94. Computer Science (y compris les sous-séries Lecture Notes in Artificial Intelligence et Lecture Notes in Bioinformatics) 5875 LNCS (PART 1), 2009. pp. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Classification des événements vidéo à l'aide de noyaux de chaînes // Multimed. Outils Appl., Vol. 48, non. 1, 2009.pp. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Catégorisation des actions dans les vidéos de football à l'aide de noyaux de cordes // Dans : Proc. of IEEE Int "l Workshop on Content-Based Multimedia Indexing (CBMI). La Canée, Crète, 2009. pp. 13-18.

97. Barnard K., Fan Q. F., Swaminathan R., Hoogs A., Collins R, Rondot P. et Kaufhold J. Évaluation de la sémantique localisée : données, méthodologie et expériences // International Journal of Computer Vision, IJCV 2008, Vol. 77, non. 1-3,2008.-pp. 199-217.

98. Bertini M., Del Bimbo A., Serra G. Règles d'apprentissage pour l'annotation sémantique d'événements vidéo // Notes de cours en informatique ; Dans : Proc. of Int "l Conference on Visual Information Systems (VISUAL), Vol. 5188, 2008. pp. 192-203.

99. Bobick A.F., Davis J.W. La reconnaissance du mouvement humain à l'aide de modèles temporels // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, non. 3, 2001.pp. 257-267.

100. Boiman O., Irani M. Détection des irrégularités dans les images et dans la vidéo // International Journal of Computer Vision, Vol. 74, non. 1, 2007.pp. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.-P. Un modèle variationnel pour la segmentation d'objets à l'aide d'informations sur les limites et d'un a priori de forme4 par le Mumford-Shah Functional // International Journal of Computer Vision, vol. 68, non. 2, 2006.-pp. 145-162.

102. Cavallaro A., Salvador E., Ebrahimi T. Traitement vidéo basé sur les objets sensible aux ombres // IEEE Vision ; Traitement d'image et de signal, Vol. 152, non. 4, 2005.-pp. 14-22.

103. Chen J., Ye J. Entraînement SVM avec des noyaux indéfinis // Dans : Proc. de la 25e conférence internationale sur l'apprentissage automatique (ICML), Vol. 307, 2008.pp. 136-143.

104. Cheung S.-M., Moon Y.-S. Détection des piétons en approche à distance à l'aide de modèles d'intensité temporelle // MVA2009, Vol. 10, non. 5, 2009.-pp. 354-357.

105. Dalai N., Triggs B. et Schmid G. Détection humaine à l'aide d'histogrammes orientés de flux et d'apparence // Dans ECCV, vol. II, 2006. p. 428^141.

106. Dalai N., Triggs B. Histogrammes de gradients orientés pour la détection humaine // Conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR), vol. II, 2005-pp. 886-893.

107. Dani A.P., Dixon W.E. Structure de caméra unique et estimation de mouvement // Lecture Notes in Control and Information Sciences, 401, 2010. pp. 209-229.

108. Datta Ri, Joshi D;, Li J. et Wang J. Z1 Récupération d'images : Idées, influences et tendances de la nouvelle ère // ACM"-Computing Surveys, Vol. 40 :, no : 2, 2008. ■ -pp. 1-60.

109. Dikbas S., Arici T., Altunbasak Y. Estimation de mouvement rapide avec précision de sous-échantillon sans interpolation // IEEE Transactions on Circuits and Systems for Video Technology 20(7), 2010. -pp. 1047-1051.

110. Dollar P., Rabaud V., Cottrell G., Belongie S. Reconnaissance du comportement via des traits spatio-temporels clairsemés // Dans : Proc. 2nd Joint IEEE International Workshop on Evaluation of Tracking and Surveillance, VS-PETS, 2005. pp. 65-72.

111. Donatini P. et Frosini P. Pseudodistances naturelles entre surfaces fermées // Journal of the European Mathematical Society, Vol. 9, non. 2, 2007pp. 231-253.

112. Donatini P. et Frosini P. Pseudodistances naturelles entre courbes fermées // Forum Mathematicum, Vol. 21, non. 6, 2009.pp. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Détection d'événements visuels à l'aide de dynamiques de concepts multidimensionnels // In : Proc. of IEEE Int "l Conference on Multimedia and Expo (ICME), 2006. pp. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Modélisation 3D réaliste de la croissance forestière avec effet naturel // Actes du deuxième symposium international KES IDT 2010, Baltimore. ETATS-UNIS. Springer-Verlag, Berlin, Heidelberg. 2010.-pp. 191-199.

115. François A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL : Un cadre d'ontologie pour représenter et annoter des événements vidéo // IEEE Multimedia, Vol : 12 ; Non. 4, 2005.pp. 76-86.

116. Gao J., Kosaka A., Kak A.C. Une approche de filtrage multi-Kalman pour le suivi vidéo d'objets délimités par l'homme dans des environnements encombrés // IEEE Computer Vision and Image Understanding, 2005, V. 1, n° 1. pp. 1-57.

117 Gui L., Thiran J.-P., Paragios N. Joint Object Segmentation and Behaviour Classification in Image Sequences // IEEE Conf. on Computer Vision and Pattern Recognition, 17-22 juin 2007. pp. 1-8.

118. Haasdonk B. Interprétation de l'espace des caractéristiques des SVM avec des noyaux indéfinis // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 27, non. 4, 2005.pp. 482-492.

119. Harris C. et Stephens M. Un détecteur combiné de coins et de bords // In Fourth Alvey Vision Conference, Manchester, UK, 1988. pp. 147-151.

120. Haubold A., Naphade M. Classification des événements vidéo à l'aide de fonctions de mouvement compressées dans le temps en 4 dimensions // Dans CIVR "07 : Actes de la 6e conférence internationale ACM sur la récupération d'images et de vidéos, NY, États-Unis, 2007. -pp 178-185.

121. Haykin S. Réseaux de neurones : une introduction complète. / N.Y. : Prentice-Hall, 1999 ; .- 658 pi.

122. Hoynck M., Unger M., Wellhausen J. et Ohm J.-R. Une approche robuste de l'estimation du mouvement global pour l'analyse vidéo basée sur le contenu // Actes de SPIE Vol. 5601, Bellingham, WA, 2004. pp. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Désentrelacement à l'aide d'une analyse de mouvement hiérarchique // IEEE Transactions on Circuits and Systems for Video Technology 20(5), 2010. pp. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-trees, Oct-trees et K-trees : une approche généralisée de la décomposition récursive de l'espace euclidien // IEEE Transactions onPAMI, Vol. 5, non. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R., Hebert Mi. Détection efficace d'événements visuels à l'aide de fonctions volumétriques // In : Proc. of Int "l Conference on Computer Vision (ICCV), vol. 1, 2005.-pp. 166-173.

126. Klaser A., ​​​​Marszalek M. et Schmid C.A Spatio-Temporal Descriptor Based on 3D-Gradients // Dans BMVC, British Machine Vision, Conference, 2008. -pp. 995-1004.

127. Kovashka, A., Grauman, K. Apprendre une hiérarchie des caractéristiques de voisinage spatio-temporelles discriminantes pour la reconnaissance de l'action humaine // Actes de la conférence IEEE Computer Society sur la vision par ordinateur et la reconnaissance de formes, 2010. pp.2046-2053.

128. Kumskov M.I. Schéma de calcul de l'analyse d'image contrôlée par les modèles des objets à reconnaître // Pattern Recognition and Image Analysis, Vol. 11, non. 2, 2001.p. 446-449 :

129. Kwang-Kyu S. Récupération d'images basée sur le contenu en combinant un algorithme génétique et une machine à vecteurs de support // Dans ICANN (2), 2007. pp. 537-545.

130. Lai C.-L., Tsai S.-T., Hung Y.-P. Une étude sur l'étalonnage tridimensionnel des coordonnées à l'aide d'un système flou // Symposium international sur l'informatique, la communication, le contrôle et l'automatisation 1, 2010. - pp. 358-362.

131. Laptev I. Sur les points d'intérêt spatio-temporels // International Journal of Computer Vision, Vol. 64, non. 23, 2005.pp. 107-123.

132. Leibe B., Seemann E., Schiele B. Détection de piétons dans des scènes bondées* // Conférence IEEE sur la vision par ordinateur et "Pattern Recognition, Vol. 1, 2005.-pp. 878-885.

133. Lew M. S., Sebe N., Djeraba C. et Jain R. Récupération d'informations multimédias basées sur le contenu1 : État de l'art et défis // ACM Transactions on Multimedia Computing, Communications, and Applications, Vol. 2, non. 1, 2006.pp. 1-19.

134. Li J. et Wang J. Z. Annotation informatisée en temps réel des images // IEEE Trans. PAMI, Vol. 30, 2008.pp. 985-1002.

135. Li L., Luo R., Ma R., Huang W. et Leman K. Évaluation d'un système IVS pour la détection d'objets abandonnés sur les ensembles de données PETS 2006 // Proc. 9 Stagiaire IEEE. Atelier sur les PETS, New York, 2006. pp. 91-98.

136. Li L., Socher R. et Fei-Fei L. Towards Total Scene Understanding: Classification, Annotation and Segmentation in an Automatic Framework // IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2009. pp. 2036-2043.

137. Li Q., ​​​​Wang G., Zhang G.) Chen S. Estimation précise du mouvement global basée sur une pyramide avec masque // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao/Journal of Computer-Aided Design and Computer Graphics, Vol: 21 , non. 6, 2009.pp. 758-762.

138. Lindeberg T., Akbarzadeh A. et Laptev I. Opérateurs d'intérêt spatio-temporel galiléen-diagonalisés // Actes de la 17e Conférence internationale sur la reconnaissance de formes (ICPR"04), 2004. pp. 1051-1057.

139. Lim J., Barnes, N. Estimation de l'épipole à l'aide du flux optique aux points antipodaux // Computer Vision and Image Understanding 114, no. 2, 2010.pp. 245-253.

140. Lowe D. G. Caractéristiques d'image distinctives à partir de points clés invariants à l'échelle // International Journal of Computer Vision, Vol. 60, non. 2, 2004.pp. 91-110.

141. Lucas B.D., Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision // International Joint Conference on Artificial Intelligence, 1981. pp. 674-679.

142. Mandelbrot B;B. La géométrie fractale de la nature / N.Y. : Freeman^ 1982. 468 p. ; russ, trans. : Mandelbrot B. Fractale, géométrie de la nature : Per. de l'anglais. / M. : Institut de Recherche Informatique, 202. - 658 p.

143. Mandelbrot V.V., Frame M.L. Fractales, graphisme et enseignement des mathématiques/N. Y. : Springer-Verlag, 2002. 654 p.

144. Mandelbrot B.B. Fractals and Chaos: The Mandelbrot Set. and Beyond / N.Y.: Springer-Verlag, 2004. 308 p.

145. Memoli F. Sur l'utilisation des distances de Gromov-Hausdorff pour la comparaison de formes // Actes du Symposium Eurographics sur les graphiques basés sur des points. Prague, République tchèque, 2007. pp. 81-90.

146. Mercer J. Fonctions de type positif et négatif et leur lien avec la théorie des équations intégrales // Transactions of the London Philosophical Society (A), vol. 209, 1909. p. 415-446.

147. Mikolajczyk K. Détection de caractéristiques locales invariantes aux transformations affines, thèse de doctorat, Institut National Polytechnique de Grenoble, France. 2002.171 p.

148. Mikolajczyk K. et Schmid G. An Affine Invariant Interest Point Detector // Actes de l'ECCV. Vol. 1. 2002. pp. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Reconnaissance d'actions humaines à l'aide d'une machine d'apprentissage extrême basée sur des vocabulaires visuels // Neurocomputing, Vol. 73 (10-12), 2010. p. 1906-1917.

150. Mladenic D., Skowron A., éd. : CELV. Vol. 4701 de Lecture Notes in Computer Science, Springer, 2007. pp. 164-175.

151. Moshe Y., Hel-Or H. Estimation de mouvement de bloc vidéo basée sur des noyaux de code gris // IEEE Transactions on Image Processing 18(10), 2009. pp. 22432254.

152. Nakada T., Kagami S;, Mizoguchi H. Détection des piétons à l'aide de séquences de flux optiques 3D pour le robot afMobile // Capteurs IEEE, 2008. pp : 116-119 :

153. Needleman, S. B :,. Wunsch C.D. ; Une méthode générale applicable à la recherche de similitudes dans la* séquence d'acides aminés de deux protéines // Journal" of Molecular Biology Vol. 48, n° : 3, 1970. pp. 443-453.

154. Neuhaus M., Bunke H. Modifier les fonctions du noyau basées sur la distance - pour la classification des modèles structurels // Reconnaissance des modèles. Vol. 39, non. 10, 2006. pages : 1852-1863.

155. Nevatia R., Hobbs J. et Bolles B. Une ontologie pour la représentation d'événements vidéo // In Workshop on Event Detection and Recognition. IEEE, Vol.12, no. 4, 2004.pp. 76-86.

156. Nguyen.N.-T., Laurendeau D:, Branzan-Albu A. Une méthode robuste d'estimation du mouvement de la caméra dans les films basée sur le flux optique // The 6th International