На правах рукописи

КРУПЕННИКОВ ИЛЬЯ ВЛАДИМИРОВИЧ

Разработка методов и алгоритмов обработки данных систем

машинного зрения в реальном масштабе времени

Специальность 05.13.15 – Вычислительные машины, комплексы и

компьютерные сети

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

Москва – 2011 2 кафедре «Информационные технологии» в

Работа выполнена на (государственный Московском авиационном институте технический университет).

Научный руководитель: доктор технических наук, профессор Шаронов Анатолий Васильевич

Официальные оппоненты: доктор технических наук, профессор Митрофанов Сергей Александрович доктор физико-математических наук, профессор Михайлюк Михаил Васильевич

Ведущая организация: Федеральное государственное унитарное предприятие «Государственный научноисследовательский институт авиационных систем», г. Москва

Защита состоится «28» июня 2011 г. в 12 часов на заседании диссертационного совета Д 212.133.03 в Московском государственном институте электроники и математики (техническом университете) по адресу: 109028, Москва, Б. Трехсвятительский пер., д. 3.

С диссертацией можно ознакомиться в библиотеке МИЭМ (ТУ).

Автореферат разослан «_» 2011г.

Ученый секретарь диссертационного совета, доктор технических наук, профессор Ю.Л. Леохин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы В последние годы увеличилось число задач, относящихся к различным областям, таких как авиационные комплексы, интеллектуальные робототехнические комплексы, комплексы дистанционного зондирования и системы автоматического управления движущимися объектами, требующих автоматизации обработки визуальной информации, осуществляемой цифровыми вычислительными машинами. Для решения этих задач создаются системы обработки визуальной информации. Их проектирование в настоящее время является сложной и актуальной проблемой. Одним из основных направлений создания таких систем является построение наземных бортовых видеоинформационных комплексов, предназначенных для оценки местоположения движущихся объектов.

Функционирование наземных подвижных комплексов, в целях надежности выполнения поставленной задачи, не должно быть автономным, однако возникают задачи, когда принятие решений следует осуществлять, непрерывно анализируя большой массив информации. Для таких целей должны использоваться бортовые системы, автономно функционирующие в реальном масштабе времени.

Характерной чертой существующих бортовых систем является обработка видеоинформации, позволяющая получать сведения о геометрии препятствий (координаты вершин и координаты нормалей), с дальнейшей привязкой их к текстурным координатам изображения. Требование обработки в реальном масштабе времени играет важную роль при использовании результатов в формировании законов управления подвижными объектами.

Другой характерной чертой существующих видеоинформационных систем является наличие в их составе устройств специального подсвета, облегчающего извлечение информации из изображений. Однако такие устройства преимущественно используются на стационарных комплексах.

В этой связи актуальной является постановка и решение задачи обработки данных видеоинформационной вычислительной системы, что при достаточном быстродействии позволит обеспечить задачу формирования управляющих сигналов в реальном масштабе времени. Решение такой задачи требует нахождения новых подходов.

видеоинформационной вычислительной системы машинного зрения, позволяющей осуществлять в реальном масштабе времени оценку местоположения подвижного объекта относительно препятствий на подстилающей поверхности.

Для достижения поставленной цели решены следующие задачи:

• разработана структура многомодульной высокопроизводительной вычислительной системы обработки данных стереоизображений в реальном масштабе времени по информации, получаемой с двух • разработан многоэтапный алгоритм функционирования модуля стереоотождествления изображений;

• разработан алгоритм функционирования модуля определения трехмерных координат точек, задающих образ препятствий;

вычисления оценки местоположения препятствий на подстилающей поверхности относительно видеоинформационной системы объекта;

• создан метод формирования данных о появлении препятствий в области подстилающей поверхности.

Методы исследований. В работе использовались теоретические и экспериментальные методы исследования.

Теоретические методы основаны на методах теории компьютерного зрения, математической обработки изображений, цифровой фотограмметрии, корреляционной теории, математической статистики, теории оптимизации и функционального анализа, основы которых были заложены в работах Желтова С.Ю., Красильщикова М.Н., Себрякова Г.Г., Визильтера Ю.В., Путятина Е.П., Форсайта Д.А. и др.

Экспериментальные методы исследования базировались на положениях теории статистического и полунатурного моделирования.

Научная новизна диссертации состоит в том, что в ней впервые решается задача построения трехмерной модели изображения подстилающей поверхности корреляционными методами с подвижной платформы, снабженной видеоинформационной системой, в реальном масштабе времени. При этом система располагает лишь двумя ПЗС-камерами и вычислительным модулем и не использует устройств специального подсвета, облегчающих извлечение информации из изображений, которые входят в состав стационарных комплексов технического зрения. Также система способна производить обнаружение всех находящихся в зоне наблюдения, протяженностью от 5 до 150 метров и шириной до 10 метров, подвижного средства препятствий, рассчитывая расстояние до них и вычислять их положение относительно подстилающей поверхности с точностью до 8 мм.

Практическая ценность результатов диссертации заключается в создании алгоритмического и программного обеспечения модулей видеоинформационной вычислительной системы, входящих в состав систем оперативного получения информации о наблюдаемой местности.

Достоверность результатов проведенных исследований подтверждена большим объемом математического и полунатурного моделирования на серии тестовых изображений, полученных со стереосистемы, установленной на подвижной платформе.

Внедрение результатов работы Результаты, полученные в диссертационной работе, были использованы при выполнении:

• НИР «Скорость», по Федеральной целевой программе «Национальная технологическая база» (раздел «Информационные технологии»), • НИОКР «Топаз», по заказам ФГУП «МНИИ Интеграл» и Правительства • НИОКР «Создание программно-аппаратных средств для обучения контролеров навыкам идентификации личности», по заказу ПНИЦ ФСБ • НИР «Формат», «Монитор», «Калибр».

Также, алгоритмы функционирования модулей использовались в составе систем безопасности подвижных средств для оценки их собственного положения и обнаружения препятствия и при решении задач контроля геометрических характеристик изделий, в реальном масштабе времени, в системах автоматизации производственных процессов.

На защиту выносятся:

1. Результаты разработки алгоритмического и программного обеспечения многомодульной высокопроизводительной вычислительной системы обработки данных стереоизображений, включающие:

- многоуровневый алгоритм функционирования модуля быстрого стереоотождествления снимков, на основе яркостного и градиентного представлений изображений с пирамидальной структурой, - алгоритм функционирования в реальном масштабе времени модуля, построения облака точек подстилающей поверхности.

2. Метод формирования области нахождения препятствий относительно видеоинформационной системы и заданной подстилающей поверхности.

Апробация работы. Основные результаты работы докладывались на следующих конференциях:

Конференция РОФДЗ МИИГАИК «Фотограмметрия в задачах получения и управления данными», Москва, декабрь 2005 г.

Конференция молодых специалистов ГосНИИАС, Москва, февраль 2006г.

XIV международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» Алушта, сентябрь 2005г.

XV международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации», Алушта, сентябрь 2006г.

XVI международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации», Алушта, сентябрь 2007г.

Вторая международная Российско-Китайская конференция "Проектирование аэрокосмической техники" г.Москва 2007г.

Всеросийская выставка «Системы машинного зрения», Москва, февраль 2008г.

Выставка VIT Expo 2008 "Машинное зрение и системы обработки изображений и системы автоматической идентификации", Москва, март 2008г.

Всеросийская выставка «Системы машинного зрения», Москва, февраль 2008г.

Международный научно-технический семинар "Визуальный компьютинг в фундаментальной науке и академических исследованиях", Москва, 2009г.

Публикации. По теме диссертационной работы опубликовано 13 печатных работ, в том числе две статьи в издании из Перечня ВАК. Общий объем печатных работ – 12 печатных листов, в том числе личный вклад – 6 печатных листов.

Результаты исследования отражены в отчетах по НИР.

Объем и структура работы. Диссертационная работа состоит из введения, четырех разделов, выводов и списка литературы из 90 наименований. Общий объем 138 страниц, 3 таблицы, 57 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационного исследования, кратко характеризуется состояние проблемы, сформулированы цели и задачи исследования, научная новизна и практическая ценность полученных результатов, приведены основные положения, выносимые на защиту.

В первой главе проведен анализ состояния проблемы и обоснована актуальность направления исследований. Результаты этого анализа показали, что для её решения необходимо разработать видеоинформационную вычислительную систему, определяющую трехмерные координаты точек препятствий в зоне наблюдения со скоростью, которая позволит обеспечить задачу движения в реальном масштабе времени. Задача построения такой видеоинформационной системы требует создания алгоритмов функционирования модулей для быстрой обработки данных.

Также приводится структурная схема разрабатываемой системы оценки местоположения движущегося объекта по последовательности стереоизображений, которая отличается от существующих схем построения таких систем, наличием дополнительных блоков, выделенных темным цветом (Рис. 1).

Рис. 1. Структура видеоинформационной системы, включающей модули оценки местоположения движущегося объекта по последовательности стереоизображений Во второй главе сформулирована задача стереоотождествления точек снимков, которая является одной из основных в разрабатываемой видеоинформационной системе. Для решения этой задачи создаются алгоритмы (удовлетворяющие осуществляющие обработку информации для поиска искомой точки на изображениях со скорость, позволяющей решать задачу в реальном масштабе времени (Рис. 2).

Рис. 2. Место задачи стереоотождествления в общей схеме определения местоположения подвижной платформы относительно подстилающей поверхности Для их формирования были решены несколько задач, возникающих при стереоотождествлении двух изображений, при этом выбор метода решения производился по результатам анализа реальных изображений подстилающей поверхности, и с учетом основных факторов, затрудняющих стереоотождествление:

• наличие на изображениях областей с малой вариацией яркости, • возникновение при съемке поверхности объектов под разными углами существенных яркостных различий изображений стереопары, • возникновение, вследствие потенциально сложного рельефа подстилающей поверхности, существенных геометрических искажений.

Разработанный многоэтапный алгоритм стереоотождествления на начальной стадии редуцирует изображение, уменьшая размер исходного изображения по вертикали и горизонтали.

Алгоритм функционирования модуля стереоотождествления, после получения первой пары изображений с левой и правой камеры, производит масштабирование изображений для построения пирамиды. Использование пирамидальной структуры изображения на этапе работы модуля стереоотождествления точек левого снимка на правом, позволяет осуществлять поиск стереосоответствия на изображении, которое составляет 1/20 от исходного (5%) (размер верхнего уровня при разрешении камеры 640х480 пикселей будет составлять 40х30 пикселей).

Количество уровней пирамиды определяется детализацией изображения, на которых функционирует алгоритм определения стереосоответствия точек, причем на каждом последующем уровне изображение уменьшается в 2 раза. При выбранном количестве уровней пирамиды осуществляется быстрый переход на другой уровень, при этом обработка проводится только в области поиска этой точки. Каждая ячейка (пиксель) изображения на более высоком уровне пирамиды изображений преобразуется в четыре, увеличиваясь вдвое по оси х и вдвое по оси y.

Поиск характерной точки изображения с левой камеры на изображении с правой камеры проводится по 5 уровням пирамиды:

Для нахождения стереосоответствия точек левого снимка точкам правого снимка осуществляется процедура корреляционного стереоотождествления точки снимка с использованием яркостных признаков. Чтобы найти некоторый пиксель (ячейку) P левого изображения с координатами (xP,yP) на правом изображении, вся область перекрытия правого изображения должна быть проверена на наличие пикселя P.

Каждая точка прямоугольной области поиска на правом изображении выбирается в качестве центра изображения, которое сравнивается с выбранным участком на левом изображении, при этом мера сходства задается корреляционной функцией где ( xL, yL ) - координаты центра выбранной прямоугольной области на левом изображении;

( xR, y R ) - координаты центра прямоугольной области, выбранной на правом изображении;

v( x + xL, y + yL ) - функция яркости выбранной прямоугольной области на левом изображении;

g ( x + xR, y + y R ) - функция яркости на искомом (правом) изображении;

R = {( xR, yR ) : xmin xR xmax ; ymin y R ymax } – прямоугольная область поиска на правом изображении;

N - количество ячеек в выбранной области левого изображения, Значения искомых координат ( xR, y R ), при которых корреляционная функция достигает максимума, являются решением экстремальной задачи Её решение может быть найдено методом субпиксельной корреляции, разработанным Желтовым С.Ю. и Себряковым Г.Г.

Однако, для решения поставленной задачи, в диссертационной работе использован и метод наименьших квадратов, который эквивалентен методу субпиксельной корреляции и, кроме того, он позволяет ещё и вычислять ковариационную матрицу оценки параметра сдвига левого изображения относительно правого, которая характеризует степень достоверности полученного результата.

Пусть координаты любых точек, принадлежащих выбранной области в системах координат левого снимка преобразованиями и с точностью до неизвестного параметра h где h – неизвестный векторный параметр, задающий начало системы координат oi, xi, yi в системе координат oxy.

Этот вектор определяется значениями горизонтального и вертикального допустимого диапазона, которые необходимо определить Заметим, что в идеальных условиях, в отсутствии геометрических и яркостных искажений Однако, в реальных условиях, в предположении о независимости геометрических и яркостных искажений левого и правого изображений где – w,b - мультипликативный и аддитивный параметры яркостных искажений, e(x,y)N(0,e) – аддитивный гауссовский шум, v( x, y) - функция яркости выбранной прямоугольной области на левом изображении, g ( xi, yi ) - функция яркости на искомом (правом) изображении.

В качестве меры сходства двух изображений принимается квадрат длины вектора невязки Тогда задача поиска оценок неизвестных координат центров пикселей правого изображения, сводится к стандартной задаче метода наименьших квадратов Для учета искажения формы участков в качестве (1) используется аффинное преобразование вида преобразования, образующие вектор Для определения неизвестных параметров обозначим g ( x, y ) распределение яркости на участке правого изображения, а его положение пусть задается начальным вектором линейного преобразования с принятыми координатами ( x R,1,0, y R,0,1)T.

Тогда g ( xi, yi ) примет следующий вид В функциях g аргумент ( x, y ) для простоты написания упущен.

В матричной форме уравнение измерений имеет вид МНК-оценкой для h является оценка вида При этом точность оцениваемого параметра h определяется ковариационной матрицей Для уточнения координаты найденной точки, разработанный алгоритм функционирования модуля стереоотождествления осуществляет сравнение значений яркостей для каждой ячейки области поиска левого изображения (аLi,bLj) из областей поиска правого изображения (аRi,bRj) вдоль эпиполярной линии, где а – номер строки области поиска, b – номер столбца области поиска.

Поиск искомой точки на правом изображении осуществляется последовательным смещением области размером 5х5 пикселя, относительно центрального пикселя (рис. 3).

При этом сравниваются девять областей правого снимка с исходной областью левого снимка. Поскольку значениями областей являются яркости пикселей, то ищется такая область размерами 3х3 пикселя на правом снимке, яркость которой в наименьшей степени отличается от значений яркостей области той же размерности левого снимка, содержащего исходную точку. Рис. 4 иллюстрирует процесс сравнения, где ALn – матрица, содержащая значения яркости исходной области, а BRn – матрица, содержащая значения яркости искомой области.

Рис. 4. Сравнение областей левого изображения с областью правого Процедура сравнения осуществляется в соответствии с критерием K – коэффициент, характеризующий совпадение яркостей областей, n – количество областей размером 3х3 пикселей, АL– матрица значений яркости элемента области поиска левого ВR – матрица значений яркости элемента области поиска правого изображения, Чем больше будет число совпавших значений яркости ячеек изображения для каждой области, тем меньше будет значение коэффициента K, которое и будет решением задачи уточнения координаты искомой точки.

Анализ большого количества снимков подстилающей поверхности, полученных камерами стереосистемы, использующий яркостные признаки, показал, что их использование для отождествления может привести к случаям неверного определения искомой точки левого снимка на правом.

Для исключения такого явления производится преобразование изображений к градиентному виду в соответствии с правилом PixxL,yL – пиксели левого изображения, PixxR,yR – пиксели правого изображения, Вычисление значений градиентов осуществляется с использованием сверток изображений с маской Собеля.

Предположим, что каждое значение градиента присутствует на изображениях с одной и той же вероятностью. Известно, что на области поиска размером M1 х N ячеек, при работе с черно-белыми изображениями, будет в среднем M1N1/ отождествлений ячейки P, из которых только одно правильное. Для нечетких изображений вырастает вероятность ложных отождествлений. Как правило, вероятность ложного отождествления коррелирует с вероятностью пропуска события (ошибки второго рода).

Для устранения ошибок первого и второго рода при отождествлении используются эталоны с размерами большими, чем одна ячейка. Чем больше размеры эталона, тем сильнее он отличается от других участков изображения, тем самым обеспечивается однозначность отождествления точки.

Для уточнения границ препятствий на изображении, разработанный алгоритм функционирования модуля стереоотождествления, производит сравнение норм изображениях, что позволяет достигать субпиксельной точности нахождения стереосоответствия точек на изображениях Размер области поиска выбирается экспериментальным путем с учетом размера низшего уровня пирамиды. Значения ячеек области поиска правого изображения, через которые проходит эпиполярная линия, сопоставляются со значениями ячеек исходной области поиска точки на левом изображении.

В разработанном алгоритме стереоотождествления проводится сравнение пар значений скалярных произведений градиентов для каждой ячейки, области поиска левого изображения, относящейся к проходящей через неё эпиполяре из областей поиска правого изображения. При этом, чем больше произведение, тем выше сходство между ячейками левого и ячейками правого изображений.

Для каждой точки в некоторой области левого снимка, с использованием эпиполярной геометрии, находится нескольких точек на правом снимке вдоль эпиполярной линии.

Минимальное значение скалярного произведения градиентов между любой точкой А левого изображения и каждой из обнаруженных точек в области правого снимка на эпиполярной линии А1, А2, А3, А4, А5 является тем значением, которое принимается за верное при поиске стереосоответствия.

После нахождения искомой точки на уровне наименьшего размера пирамиды, осуществляется переход на следующий уровень, большего размера.

Для выполнения требования решения задачи в реальном масштабе времени, была проведена оценка временных затрат и построена зависимость времени T(мс) стереоотождествления точки от количества уровней N в пирамиде изображений (рис. 5).

Рис. 5. Зависимость времени, затрачиваемого на стереоотождествление, Результатом работы алгоритма стереоотождествления является определение точек правого снимка по точкам на левом снимке.

В третьей главе представлено решение задачи вычисления пространственных координат точек препятствий, и реконструкции трехмерной модели подстилающей поверхности, по которой движется платформа, с установленной на ней видеоинформационной системой.

Пространственные координаты препятствий вычисляются при заданном положении и ориентации (угловое положение) съемочных камер, а также координат изображения точек на снимках, соответствующих одной и той же точке объекта.

Система координат выбирается таким образом, что её начало помещается в левый верхний пиксель изображения, ось ОpixХpix направлена вправо вдоль строк изображения, а ось OpixYpix вниз. Единицей измерения координат в этой системе является пиксель.

При вычислении пространственных координат P, учитывается её возможное смещение в момент наблюдения, из-за особенностей камер и условий наблюдения.

Рис. 6 иллюстрирует частную задачу нахождения координат точки для плоского случая.

Рис. 6. Геометрическая иллюстрация поиска координаты точки P Для нахождения пространственных координат точки P, вычисляется координата xs точки P`, являющейся её изображением в фокальной плоскости, и расстояние до начала координат ys.

Смещение (невязки) ex и ey удовлетворяют следующим соотношениям f – фокусное расстояние камеры, a11,…, a33 - элементы матрицы направляющих косинусов, определяющей угловое положение камеры относительно фотограмметрической системы координат, xs = - координата точки съемки в фотограмметрической X,Y,Z – координаты точки объекта в фотограмметрической системе Соотношения для вычисления невязок могут быть приведены к виду bx, by, - пиксельные координаты точки снимка, изображении удовлетворяет системе нормальных уравнений В четвертой главе методами математического и полунатурного моделирования процесса решения поставленной задачи, осуществлена проверка работоспособности сформированных алгоритмов.

Формируется структура видеоинформационной системы оценки местоположения движущегося объекта по последовательности стереоизображений, которая включает разработанные модули:

• блок редукции изображения, • модуль уменьшения размеров изображения, • модуль определения меры сходства изображений, • модуль градиентного уточнения по яркостным признакам, • модуль вычисления оценок трехмерных координат, • модуль формирования информационного файла.

При проведении математического и полунатурного моделирования использовались данные, полученные с двух видеокамер Basler A601f (разрешением 640х480 пикселей и скоростью съемки 30 кадров/с), установленных на подвижной платформе (автомобиль), двигающейся со скоростью, не превышающей 60 км/ч.

Разработанные алгоритмы обработки видеоинформации были реализованы на персональном компьютере с процессором Intel Core 2 Duo.

Вычисление оценки местоположения движущегося объекта по последовательности стереоизображений проводилось при скорости съемки камер кадров/с. При этом время обработки каждого второго кадра не должно превышать 65 мс.

Для проверки выполнения этого требования был проведен расчет временных затрат на получение информации с обрабатываемого кадра (сумма времени работы всех алгоритмов и модулей), результаты которого сведены в Таблицу 1. Расчет суммарных временных затрат осуществляется исходя из максимального количества получаемых точек с обрабатываемой стереопары, равной ~100 тыс. точек. Общее число точек изображения, получаемого с камер равно 307 200.

Результаты, сведенные в Таблицу 1 показывают, что временные затраты на обработку одной стереопары составили 63 мс, что на 2 мс меньше максимально допустимого.

Результаты обработки изображения стереопары образуют информационный текстовый файл, содержащий информацию по каждой найденной точке изображения (Рис. 7). Информация, содержащаяся в этом файле, является исходной для принятия решений о появлении в контролируемой области объектов, которые могут быть отнесены к классу препятствий. Критерием принадлежности к классу препятствий является превышение среднеквадратического отклонения от заданной базовой плоскости, а, следовательно, и для формирования управляющих воздействий системы управления подвижной платформы. Подобный формат не является конечным и единственно удобным вариантом, но в рамках данной работы он приведен для демонстрации работоспособности всех разработанных алгоритмов и методик.

Рис. 7. Информационный текстовый файл с координатами найденных точек

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В диссертационной работе решена задача разработки многомодульной высокопроизводительной вычислительной системы, позволяющая повысить эффективность обработки данных стереоизображений в реальном масштабе времени.

Основные результаты, полученные в диссертационной работе:

1. Разработан новый алгоритм функционирования модуля обработки изображений, позволяющий осуществлять их последовательное стереоотождествление (до 15 раз в секунду находить точки изображения с субпиксельной точностью, без использования аппаратных средств, формирующих подсвет наблюдаемой сцены) в реальном масштабе времени.

2. Разработан новый алгоритм функционирования модуля определения в реальном времени трехмерных координат точек препятствий, который позволил учитывать возможное смещение искомой точки в момент наблюдения.

3. Разработан алгоритм функционирования модуля оценки местоположения объектов на подстилающей поверхности относительно видеоинформационной системы. Преимуществом такого алгоритма является возможность определять наличие сразу нескольких препятствий в зоне наблюдения камер стереосистемы.

Полученная информация должна использоваться для формирования управляющих воздействий при целенаправленном движении объекта.

4. Создан метод формирования массива данных об области нахождения препятствий относительно видеоинформационной системы и заданной подстилающей поверхности, позволяющий производить классификацию препятствий.

5. Выработаны рекомендации по применению созданных алгоритмов при создании видеоинформационных вычислительных систем машинного зрения.

6. Результаты диссертационной работы, в частности методы и алгоритмы функционирования модулей стереоотождествления и нахождения трехмерных координат точек, использовались в нескольких НИОКР («Топаз», «Скорость», «Формат»), выполненных в ГНЦ ФГУП ГосНИИАС, а также при выполнении научно-исследовательской и опытно-конструкторской работы «Монитор» по контракту с Минпромторг, что подтверждено соответствующими актами внедрения.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Крупенников И.В. Фотограмметрия в задачах получения и управления данными // Тезисы доклада. Конференция РОФДЗ МИИГАИК, М.: 2005 г. – с.21-22.

Крупенников И.В. Разработка методов обнаружения объектов при подвижном видеодатчике // Тезисы доклада. Конференция молодых специалистов ГосНИИАС, М.: 2006г. – с.18-19.

Князь В.А., Крупенников И.В., Шаронов А.В. Разработка методов построения трехмерных компьютерных моделей крупногабаритных сцен. // Труды XIV международного научно-технического семинара «Современные технологии в задачах управления, автоматики и обработки информации». Алушта: 2005 г.

с.251-252.

Князь В.А., Крупенников И.В., Шаронов А.В. Обнаружение движущихся объектов видеоинформационной системой при помощи разностных алгоритмов сегментации. // Труды XIV международного научно-технического семинара «Современные технологии в задачах управления, автоматики и обработки информации». Алушта: 2006 г. с.258-259.

видеоинформационной системы для оценки собственного положения автомобиля относительно дороги. // Труды XIV международного научнотехнического семинара «Современные технологии в задачах управления, автоматики и обработки информации», Алушта: 2007 г. с.283-284.

Князь В.А., Крупенников И.В., Шаронов А.В. Использование корреляционного видеоинформационной системы автомобиля. // Труды Российско-Китайской международной Конференции по проектированию Аэрокосмической техники.

Князь В.А., Крупенников И.В. Системы обработки изображений и автоматическая идентификация // Тезисы Всероссийской выставки «Системы машинного зрения». М.: 2008 г. с. Князь В.А., Крупенников И.В. Машинное зрение и системы обработки изображений и системы автоматической идентификации. // Тезисы выставки «VIT Expo 2008». М.: 2008г. с.106.

Князь В.А., Крупенников И.В. Разработка технологий автоматизированного контроля в реальном масштабе времени геометрических параметров деталей, изготавливаемых методом лазерного послойного синтеза // Тезисы Международного научно-технического семинара «Оптические измерения и визуализация - для проектирования, производства, контроля изготовления».

Князь В.А., Крупенников И.В., Шаронов А.В. Корреляционное 10.

стереоотождествление по видеоизмерениям, использующее пирамиды стереопар с градиентным уточнением. // Труды XV международного научнотехнического семинара «Современные технологии в задачах управления, автоматики и обработки информации». Алушта: 2008 г. с.232- Князь В.А., Крупенников И.В., Шаронов А.В. Видеоизмерения и решение 11.

задачи корреляционного стереоотождествления, использующей градиентный подход и пирамиды стереопар. – Вестник МАИ, 2008, №3, с.98-101 (личный Князь В.А., Крупенников И.В. Визуальный компьютинг в фундаментальной 12.

науке и академических исследованиях. // Международный научнотехнический семинар, М.: 2009г. – с.91- Крупенников И.В., Князь В.А., Шаронов А.В. «Корреляционное 13.

стереоотождествление изображений, получаемых с видеоинформационной системы». // – Научный вестник МГТУ ГА, 2011, №164, с.72-78 (личный вклад Формат 30х42 1/8. Бумага типографская №1. Печать офсетная.

109028, Москва, Б. Трехсвятительский пер., д.