Tehnici de recunoaștere automată a obiectelor în mișcare [614391]

Tehnici de recunoaștere automată a obiectelor în mișcare

Coordonator, Studen ți,
S.l.Dr.Ing. Ruxandra ȚAPU Elena ENACHE
Ioana ILIE
Grupa:15 41-E

Bucure ști
2018

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

2

Cuprins

Capitolul 1. Detecția mișcării ………………………….. ………………………….. ………………………….. ……… 3
1.1 Introducere ………………………….. ………………………….. ………………………….. ………………….. 3
1.2 Segmentarea ………………………….. ………………………….. ………………………….. ………………… 4
1.3. Detecția de contur ………………………….. ………………………….. ………………………….. …………….. 6
1.3.1. Identificarea pragurilor de frontier ă ………………………….. ………………………….. ………….. 6
1.3.2. Tehnica de gradient ………………………….. ………………………….. ………………………….. ……. 7
1.4. Urmărirea contururilor ………………………….. ………………………….. ………………………….. ……. 11
Capitolul 2. Algoritm de identificare a mișcării în secvențele video ………………………….. ………… 12
2.1 Algoritmul de determinare a muchiilor în mișcare ………………………….. ……………………….. 13
2.2. Algoritmul de stocare a unui cadru ………………………….. ………………………….. ……………….. 13
Capitolul 3. Recunoasterea formelor ………………………….. ………………………….. ………………………. 15
3.1. Spațiul formelor ………………………….. ………………………….. ………………………….. ………….. 15
3.2. Metode teoretice decizionale ale tehnicilor de recunoastere ………………………….. ………. 16
3.3. Tehnici de decizie și clasificare ………………………….. ………………………….. ………………… 17
3.4. Tehnici de grupare ………………………….. ………………………….. ………………………….. ………. 17

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

3

Capitolul 1. Detecția mișcării

1.1 Introducere

Urmărirea obiectelor în diferite medii este foarte importantă mai ales pentru fluxurile
video în timp real, cum ar fi producția, supravegherea și monitorizarea, camerele inteligente și
așa mai departe. Analiza mișcării reprezintă un domeniu în continu ă dezvoltare, existând tehnici
variate pentru detectarea mișcării.
Fiecare imagine digitală conține foarte multe informații, fiind alcatuită dintr -un element
fundamental, de dimensiuni foarte mici, numit pixel. Cu cât mai mulți pixeli are o imagin e, cu atât
este crescută capacitatea de reprezentare a detaliilor. Cuv ântul pixel provine din alăturarea
cuvintelor “Picture Element”, milioane de pixel put ându -se combina pentru a crea o imagine
detaliată. Fiecare dintre pixelii unei imagini conține o se rie de numere care descriu culoarea și
intensitatea acestuia, precizia la care un pixel poate specifica o culoare se numește profunzime de
culoare.
Fluxul video poate fi descris ca o succesiune de imagini ordonate secvențial în timp, ce duce
la reprezentarea unor scene în mișcare. Secvențele video pot fi obținute prin achiziție (camere
video) sau prin ordonarea secvențială a unor imagini. În cadrul unui video, mișcarea obiectelor
reprezentate este evidențiată prin modificarea poziției acestuia în mai multe cadre succesive ,
putând fi descrisă ca proiecția mișcării unor obiecte cu trei dimensiuni, în planul bidimensional.
Această proiecție mai poate f i numită flux optic sau mișcare video 2D.
Mișcarea în secvențele video poate fi considerată principala caracteristică și poate fi
analizată din două puncte de vedere, global sau local. Mișcarea globală este analizată la nivel de
cadru , în timp ce mișcarea locală este analizată la nivel de pixel sau grup de pixeli. Prelucrarea
semnalelor video se realizează prin două procedee importante : segmentarea cadrelor video și
extragerea informației de mișcare existentă în secvențe.

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

4

În foa rte multe cazuri, informația vizuală este captată în mod continuu, cu scopul de a
detecta schimbările , un exemplu în acest sens fiind dat de camerele de supraveghere. În cazul
unui spațiu în care este montat un sistem video de supraveghere , a cărui orie ntare poate fi
controlată de la distanță, este important faptul ca acesta să își schimbe orientarea în cazul în care
un intrus este descoperit, pentru ca acesta să rămână în câmpul vizual. În acest caz va trebui să
calculăm mișcarea siluetei între fiecare două imagini consecutive.
Există foarte mulți algoritmi pentru analiza și urmărirea mișcării. Printre cei mai utilizați
se numără cei bazați pe analiza fluxului optic, deplasarea pixelilor între imagini successive
identificându -se prin presupun erea conform căreia, în imagine, culorile variază gradual. De
exemplu, în cazul unui imagini a unei culori care are treptat, o nuanță din ce în ce mai închisă de
la stânga la dreapta, se compară un pixel din imaginea inițială cu unul din imaginea finală. D acă
punctul final e mai închis la culoare, imaginea s -a deplasat spre stânga. Astfel, pentru fiecare
pixel din imagine se obține un vector care indică direcția și deplasarea punctului. Corespondent
acestui algoritm pentru o imagine, se poate realiza și pen tru o secvență video, urmărindu -se un
contur se pot aplica aceiași vectori de deplasare fiecărui punct de contur.

1.2 Segmentarea

Scopul segmentării este de a grupa pixelii asemănători, prezentând mai multe avantaje, printre
care reducerea complexității imaginii, creșterea eficienței reprezentării și diminuarea pierderilor.
Totodată și partiționarea imaginilor în obiecte prezi ntă numeroase avantaje precum identificarea
obiectelor, simplificări în descrierea imaginii dar și “object tracking”.
Segmentarea poate fi clasificat ă astfel :
1. Segmentare manual ă
Prin acest tip de segmentare obiectele sunt selectate manual, în mo d direct de către
utilizator, însă necesită un timp mare pentru realizare.

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

5

2. Segmentare prin cuantizare
Această metodă se referă la reprezentarea valorilor atribuite pixelilor ce constituie
imaginea, pe un număr mai mic de biți fără pierderi semnif icative ale conținutului.
3. Segmentare cu detecție de muchii
Segmentarea pe bază de muchii are ca scop final gruparea acestora în lanțuri de muchii
care sunt atribuite obiectelor din imagine. În timp ce avantajul este constituit de implementarea
simplă, rapidă, dezavantajul este dat de muchiile apărute în urma var iației intensității și a
zgomotului.

4. Segmentare cu detecție de prag
Este utilă pentru imaginile monocrome, doar în cazul în care obiectele nu sunt
foarte apropiate si daca nuanțele de gri ale obiectele sunt distincte de cele prezente pe fundal.

5. Segmentare bazată pe compararea obiectelor
Acest tip de segmentare este folosită în principiu pentru localizarea unor obiecte clar
stabilite de către utilizator într -o imagine sau un cadru al unei secvențe video, utilizând un criteriu

Figura 1. Modele de muchii

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

6

de comparație pentru a determina asemănarile dintre obiectul stabilit și regiuni din cadrul dat. Un
dezavantaj al acestei metode este dat de consumul mare de timp.
6. Segmentare bazată pe regiuni
Segmentarea bazată pe regiuni detecteză direct ce regiuni din imagine sunt ocupate
de obiecte, avand ca principiu împărțirea imaginii în zone cu omogenitate foarte mare și poi
selectarea zonelor ce conțin obiecte.

7. Segmentare bazată pe mișcare
Este o metodă ce necesită un cadru de referință și acest tip de segmentare se realizează prin
calculul diferenț ei dintre cadrul prezent și cel de referință , fiind utilă pentru identificarea obiectelor
în cadre successive. Avantajul este dat de complexitatea redusă , însă prezintă sensibilitate la
zgomot sau variații de intensitate.

1.3. Detecția de con tur

1.3.1. Identificarea pragurilor de frontier ă

Contururile sunt frontierele obiectelor din imagine. Pot fi considerante ni ște linii care
delimitează zone din imagine cu valori ale intensității asemănătoare. Identificarea acestor praguri
de frontieră reprezintă o problemă de bază în procesul de prelucrare al imaginilor, determinând
extragerea informației utile.
Acest proces presupune stabilirea unei proceduri, ce are la bază mai multe etape :
1. Identificarea pixelilo r de front
Această etapă este una greoaie, deoarece se bazează pe alegerea pixelilor ce stabilesc
conturul obiectelor, fiind caracterizați prin faptul că au variație puternica a valorilor. Acest tip de

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

7

pixel poate fi atât pixel de frontieră, dar toto dată poate reprezenta și zgomotul din imagine, lucru
care determină faptul că multe detectoare de pixeli lucreză pe o imagine netezită anterior.
2. Eliminarea pixelilor care sunt considerați a nu fi de frontieră.
3. Corelarea pixelilor identificați la etapa ant erioară pentru alcătuirea unui contur. În cadrul
acestei etape, pot fi folosite doua tipuri de metode:
• Metode locale , care au la baz ă legăturile dintre fiecare pixel din imagine si pixelii
vecini.
• Metode globale , care se bazează pe informații generale cum ar fi cunoașterea
formei frontierelor sau a ecuațiilor matematice.
Cele mai multe detectoare de contur folosesc derivata I și derivata a II -a a funcției, luându –
se în considerare două premise clare:
• Derivata de ordin I are un punct de maxim sau minim.
• Derivata de ordin II trece prin 0.
Conturul este reprezentat prin vectorul gradient – magnitudine si direcție (direcția creșterii
maxime a funcției luminozitate; ex. de la negru f(i,j)=0 la alb f(i,j)=255 ) .

1.3.2. Tehnica de gradient

Principiul acestei tehnici consta in definirea punctelor de contur ca fiind acei pixeli ai
imaginii in care apar schimbări abrupte ale nivelului de gri. Extragerea punctelor de contur se face
prin calcularea valorii maxime a gradientului fiecărui punct al imaginii si se compară cu un prag
Figura 2. Detectarea de contur prin tehnica de gradient

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

8

fixat. Dacă valoarea maximă a gradientului dintr -un punct depășește valoarea pragului, acesta este
considerat punct de contur.

Clasificarea o peratori lor de gradient:
1. operatori care aproximeaza derivatele funcției imagine prin diferențe, ( ex. Laplacianul)
2. operatori bazați pe trecerea prin zero a derivatei a doua a funcției imagine (ex: Marr –
Hildreth sau Canny).
3. operatori care încearcă să potrivească o funcție imagine la un model parametric al
contururilor (modelele parametrice : descri erea contururil or mult mai precis ă, dar volum
mare de calcule).

• Detecția de contur – Laplacianul
Datorită derivatei a doua, operatorul este urmat de o detecție a trecerilor prin zero.

Figura 3. Derivatele de ordinul întâi și doi pentru detecția de contur

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

9

Figura 4. Detecția de contur folosind Laplacianul

După cum puteți observa Laplacianul este foarte sensibil la zgomot, de aceea se folosește
un operator compus (este definit de un număr de măști de derivare), LoG (Lapacian of Gaussian).

Figura 5. Detecția de contur folosind LoG

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

10

• Detectorul de contur Canny
Această metodă se bazează pe calculul gradientului imaginii și in plus permite maximizarea
raportului semnal zgomot, o localizare bună a punctelor de muchie și eliminarea muchiilor false.
Pașii metodei sunt următorii:
o Filtrarea imaginii cu un filtru Gaussian pentru eliminarea zgomotelor: zgomotul din
imagine este o informție de frecvență înaltă care se suprapune peste imaginea
original.Aceasta induce apariția unor puncta de muchie false, de aceea folosim un filtru.
o Calculul modulului si direc ției gradientului
o Suprimarea non -maximelor modulului gradientului: subțierea muchiilor prin păstrarea
punctelor de muchie care au modulul maxim al gradientului de -a lungul direcției
o Binarizarea adaptive a punctelor de muchie și prelungirea muchiilor prin histereză:
binarizarea adaptive încearcă sa extragă un număr relative constant de puncte de muchie
pentru o dimensiune dată a imaginii. În urma binarizări, rezultatul va fi o imagine cu
foarte multe muchii fragmentate. De aceea se impune o tehnică de prelungire a muchiilor.

Exemplu: Aplicarea detectorului de contur Canny

Imagine originală Imagine prelucrat ă
Figura 6. Detecția de contur folosind detectorul Canny

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

11

B. Detectia punctelor izolate
Principalul mod de determinare a punctelor izolate este bazat pe comparația dintre valoarea
punctului testat și nivelul de gri mediu din vecinătatea acestuia. Dacă punctul testat diferă în mod
semnificativ de vecinii săi, este în consecință cel p uțin un punct izolat.

1.4. Urm ărirea contururilor

Urmărirea contururilor poate fi aplicată doar imaginilor ce conțin informații legate de contur.
După ce a fost detectat un punct de contur, operatorul caut ă toți ceilal ți pixeli ce apar țin conturului .
Metoda const ă în găsirea pixelului inițial de contur, căutarea celor 8 pixeli vecini pentru a se
găsi următorul pixel de contur și se caută in aceeași direcție pâna când nu se mai găsesc alte puncte
de contur.

1.4.1 Algoritmul de urmărire al unui contur

Se verific ă pixelii vecini ai punctului de start, astfel:
• Se aleg 3 pixeli cu valoarea cea mai mare a gradientului
• Se sorteaza cei 3 pixeli in ordine descrescătoare, aceștia vor fi stocați într -o listă
• Se alege pixelul cu valoarea cea mai mare a gradientului
• Se setează direcția de deplasare
• Se înaintează cu un pas în direcția aleasă (dir)
• Se setează pixelul curent ca vizitat
• Se verifică cei trei pixeli vecini din direcțiile: dir – 1, dir , dir + 1
• Se sortează pixelii descrescător și se stochează într -o listă ca un triplet

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

12

• Se alege primul pixel (cu gradientul cel mai mare)
Se repetă până când se găsește un pixel candidat valid
• Dacă pixelul candidat este nevizitat si gradientul este mai mare, atunci pixelul este parte a
conturului și s e scoate pixelul din lista
Altfel
• Dacă mai sunt pixeli candidați în triplet atunci se trece la următorul pixel, altfel se șterge
tripletul gol și se trece cu o poziție înapoi în listă
• Se face un pas înainte în direcția respective

Capitolul 2. Algoritm de identificare a mișcării în secvențele video

Domeniul multimedia este caracterizat în mare parte de algoritmi ce se ocupă de
recunoașterea obiectelor sau mișcării. Recunoașterea ajută la construirea unei descrieri bazate pe
conțin utul imaginii, în principiu prin interpretarea unor caracteristici importante ale mediului cum
ar fi culoarea, forma, caracteristici faciale, modificări de scenă. Recunoașterea automată este un
procedeu mai complex, fiind nevoie de un algoritm corespunzăto r pentru determinarea
caracteristicilor importante dar luându -se în calcul și optimizarea procesului.
Metodele de recunoaștere funcționează prin compararea obiectelor din imagine. De
exemplu, matching -ul se bazează pe compararea unor părți di n imagine cu altele, utilizând procesul
de intercorelare spațială. Mai exact, tehnica folosește comparația pixel cu pixel a unei imagini de
referință cu o altă imagine. Se dorește ca porțiunea să fie una mică, având obiectul de interes.
Imaginea de referin ță se va suprapune ulterilor peste următoarea imagine, pentru compararea picel
cu pixel.
Un algoritm de recunoaștere foarte important, este cel ce ajută la extragerea și identificarea
coordonatelor de mișcare dintr -o secvență video. Acest lucru este posibil prin luarea în calcul a
caracteristicilor temporale ale secvenței video dar și mișcările efectuate de camera video.

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

13

2.1 Algoritmul de determinare a muchiilor în mișcare

Acest tip de algoritm este util pentru conținutul video, prin luarea în considerare a
caracteristicilor temporale, fiind folosite ulterior pentru clasificarea cadrelor. Procedeul de
determinare a muchiilor în mișcare, necesită stabilirea poziț iei și mișcarea obiectelor între cadrele
succesive , având trei etape:
• Determinarea loca ției muchiilor în mișcare din imagine, datele video fiind procesate
precum un șir de imagini cu variație în timp, acestea devenind imagini formate din
muchii.
• Stabilire a vitezei punctelor muchiilor ce se află în mișcare de -a lungul mai multor cadre,
lucru realizat prin calculul succeciunii câmpurilor. Se face stabilirea punctelor dominante
ale muchiilor aflate în fiecare cadru, pentru determinarea unui câmp de derulare i nitial.
Dintre punctele dominante, vor fi alese doar cele cu mai mult de două puncta vecine.
• Realizarea unei succesiuni a vectorilor de mișcare pentru stabilirea direcției de mișcare a
obiectelor din imagine. După ce vectorii din fiecare cadru sunt grupați , se trasează
direcția de mișcare a grupurilor prin mai multe cadre succesive.

2.2. Algoritmul de stocare a unui cadru

Detectarea mișcării in succesiuni video, î n cea mai simplă formă, se realizează prin
stocarea unui cadru al informațiilor video și apoi prin compararea următorului cadru cu acesta
pentru a decide dacă a existat o schimbare.
Schimbarea detectată ar reprezenta o diferență în tensiunea video, indicând o schimbare
a luminozității în interiorul scenei. Aceasta ar fi inițial ignorată ca o alarmă până când un alt cadru
nu a confirmat schimbarea sau nu. Dacă este confirmată o modificare a luminozității în scenă,
atunci va fi generată o alarm ă.

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

14

Procesul de eșantionare poate dura între cincisprezece secund e și o secundă pentru a
detecta o schimbare, în funcție de metoda de prelevare a probelor. Acest detector simplu ar putea
fi folosit într -un mediu în care toa te condițiile ar fi absolut stabile și singura schimbare a
luminozității ar fi datorată de un intrus.
Cu toate acestea, intrusul ar putea fi un șoarece sau o persoană. Sistemul nu a putut face
diferența între cele două. În plus, în momentu l în care se afișează o alarmă pe un monitor, cauza
ar putea fi lipsită de vizibilitate. Dacă scena a fost înregistrată în mod continuu, evenimentul ar
putea fi revizuit, însă ar putea fi prea târziu pentru a lua măsuri eficiente.

Figura 7. Cadre succesive pentru reprezentarea mișcării

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

15

Capitolul 3. Recunoasterea formelor

Prin recunoașterea formelor se înțelege în mod obișnuit acel ansamblu de metode și
tehnici cu ajutorul căruia se poate realiza o clasificare în cadrul unei mulțimi de obiecte, procese
sau fenomene.
Scopul recunoașterii formelor constă în determinarea clasei din care face parte o colecție
de observabile. Metoda este deosebit de utilă atunci când abo rdarile directe sunt imposibile sau
când inferențele teoretice lipsesc.
Stabilirea numărului de clase în care se împart formele este o problemă particulară care
depinde exclusiv de aplicațiile concrete ale metodei.

3.1. Spațiul formelor

Conceptul ce constituie fundamentul teoriei recunoașterii formelor poate fi descries astfel :
Un obiect sau un fenomen variabil, Xj, este descris printr -un set de n caracteristici xij
(i=1,…,n). Toate aceste n caracteristici ale unui obiect formează o formă .Mulțimea x={X j}j=1,m
poartă denumirea de spațiul formelor. Deci un obiect (formă) X poate fi reprezentat printr -un punct
X(x 1,…,x n) în spațiul formelor.
O problemă este aceea a raportului dintre numărul de forme luate în considerare, m, și
numărul de dim ensiuni al spațiului formelor, n, adică raportul m/n dintre numărul maxim de
obiecte din setul respectiv, m, și numărul de caracteristici, n, aferent fiecăruia dintre obiecte. Dacă
numărul de forme, m, este mai mic, egal sau numai puțin mai mare decât numă rul de caracteristici
atunci discriminarea dintre forme și atribuirea lor la diferitele clase posibile este un proces pur
aleator.

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

16

În general, se consideră că acest raport m/n, pentru orice aplicație de recunoașterea
formelor, trebuie să îndeplinească u rmătoarele condiții:
(i)
,3nm
(ii)
,10nm (1.1)
unde m reprezintă numărul de forme, iar n este numărul de caracteristici independente (număr de
dimensiuni).
Condiția (i) reprezintă minimum necesar pentru o clasificare binară, în timp ce condiția
(ii) este de dorit în aplicațiile concrete ale tehnicilor de recunoașterea formelor.

3.2. Metode teoretice decizionale ale tehnicilor de recunoastere

Exista doua metode teoretice decizonale ale tehnicilor de recunoaștere a formelor :
1. Recunoaștere controlată – presupune existența unui set de forme a căror apartenență la clasă
este cunoscută. Acest set este împărțit în două părți: setul de formare utilizat pentru a
dezvolta un clasificator (ce utilizează, de exe mplu, matricea distanțelor dintre forme) care
să recunoască cât mai bine apartenența formelor din set la clasele corespunzătoare și setul
de predicție pe care clasificatorul format este evaluat (testat). Clasificatorul astfel dezvoltat
este utilizat în con tinuare pentru stabilirea apartenenței unei forme necunoscute la o clasă.
2. Recunoaștere necontrolată nu face apel la o cunoaștere prealabilă a apartenenței formelor
la o clasă. Metoda dezvoltă algoritmi care permit în cursul execuției acestora construirea
claselor pe măsură ce formele analizate sunt luate în considerare.
În plus, mai exista si u n caz particular al metodelor teoretice decizionale , tehnicile de
învățare. Acestea utilizează un set de forme a căror apartenență la clase este cunoscută. Setul este
utilizat în mod iterativ de un algoritm care construiește coeficienții clasificatorului, corespunzător
tipului de problemă (fără a utiliza matricea distanțelor dintre forme).

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

17

3.3. Tehnici de decizie și clasificare

Conceptul de clasificare al formelor se bazează pe o împărțire a spațiului caracteristicilor
acestuia. Clasificarea formelor poate fi interpretată ca o împărțire a acestuia în regiuni (domenii)
reciproc exclusive, fiecare domeniu aparținând unei clase de f orme particulare.

3.4. Tehnici de grupare

Aceste tehnici constau într -un set de algoritmi care duc la divizarea spațiului formelor în
clase sau grupe de forme, fără a exista în prealabil un set de predicție. Conceptul de grupare poate
fi înțeles cel mai bine prin prezentarea celui mai simplu algoritm de grupare (denumit algoritm de
tip prag). Algoritmul presupune existența în spațiul formelor a unui set de forme și stabilirea în
prralabil a unei distanțe minime (numită distanța de prag) dintre două forme.
În cazul în care distanța dintre două forme este mai mică decât distanța de prag, cele două
forme fac parte din aceeași clasă.
• Vom nota cu T distanța de prag și vom stabil i aleatoriu un centru de grup pe care
îl notăm cu Z 1 (Z1 corespunde cu una din cele N forme).
• Se calculează distanța dintre acest centru și toate celelalte forme.
• Dacă distanțele calculate sunt mai mici decât T, formele respective sunt atribuite
clasei 1, a cărei centru este Z 1.
• Prima formă situată la o dis tanță mai mare decât T conduce la crearea unei noi
grupări (clase) i cu centrul definit de forma respectivă.
• Se reia calculul distanțelor pentru formele rămase, luând în considerare noua
grupare creată.
Procesul de obținere de noi grupări și de atribuire a formelor la aceste grupări continuă până în
momentul în care sunt clasificate toate formele.

Universitatea Politehnică din București
Facultatea de Antreprenoriat, Ingineria și Managementul Afacerilor
Anul 4

18

Bibliografie

• www.scribd.com/document/251634711/Algoritmi -de-Recunoastere -a-Obiectelor -in-
Miscare
• www.revistaie.ase.ro/content/10/drula.pdf
• www. florinleon.byethost24.com/curs_aia.htm?i=1
• www.cs.cmu.edu/~mihaib/articles/vedere/vedere -html.html
• www.comm.pub.ro/preda/apdsv/cursuri/
• www.alpha.imag.pub.ro/ro/cursuri/archive/ai_curs7.pdf
• andrei.clubcisco.ro/cursuri/4spg/Segmentarea%20imaginilor.pdf
• carcamwarehouse.com/camera_motion_detection.html
• ac.upg -ploiesti.ro/gradulescu/Vasilescu_Stanescu_Radulescu_Timisoara_2008.pdf
• rbrad.ulbsibiu.ro/teaching/courses/docs/acs/curs%20part3.pdf
• www.cctv -information.co.uk/i/Video_Motion_Detection
• reolink.com/outdoor -motion -activated -camera/
• en.wikipedia.org/wiki/Canny_edge_detector
• http://users.utcluj.ro/~rdanescu/pi_c9.pdf