HYBRID METHOD OF ARTIFACT DETECTION IN IMAGES IN VIDEO SURVEILLANCE SYSTEMS
DOI:
https://doi.org/10.17308/sait/1995-5499/2025/3/110-122Keywords:
artifact detection, brightness histogram, quantile analysis, image contrast, block artifact, video surveillance, computer vision, object recognitionAbstract
The article solves the problem of detecting artifacts in images in video surveillance systems. To solve this problem, the main approaches to artifact detection are considered: analysis of high-frequency image components, use of machine learning methods, analysis of spatial image gradients, threshold analysis of brightness. The analysis of the approaches showed their effectiveness only in detecting certain types of artifacts. To solve the problem, it was additionally necessary to select and analyze specific methods for detecting artifacts in images. The choice of methods is due to the specificity of the images used in the work, obtained from urban video surveillance systems. Such images often contain artifacts caused by adverse weather conditions (snow, fog), technical failures (vertical stripes, JPEG distortions), and lighting (overexposure, low contrast). To assess the effectiveness of their recognition, the methods of constructing brightness histograms and quantile analysis, checking for low contrast, detecting vertical stripes and identifying block artifacts are analyzed. Each of the methods has its own advantages and disadvantages. To improve the efficiency of artifact detection, all methods were integrated into one hybrid method. To evaluate its efficiency, testing was conducted on a sample of 700 images from street surveillance cameras in Kazan. One half of the images were without artifacts, and the other half were with artifacts. Based on the testing results, the following classification quality metrics were obtained: accuracy = 98.86 %, precision = 97.84 %, recall = 100 %, F1-measure = 98.91 %. The results of the study showed the efficiency of the hybrid method and the possibility of its use in video surveillance systems for efficient artifact detection in images.
References
Ходосевич А. В. Клиент-серверная система управления парковками на основе анализа данных систем видеонаблюдения / А. В. Ходосевич, Р. П. Богуш // Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки. – 2022. – № 4. – С. 32–37. – DOI: 10.52928/2070-1624-2022-38-4-32-37.
Габдурахманов Л. Р. Интеллектуальные транспортные системы – современная концепция обеспечения безопасности дорожного движения / Л. Р. Габдурахманов, Р. Н. Минниханов, Р. Ф. Тинчурин // Научный портал МВД России. – 2022. – № 1(57). – С. 41–50.
Evaluation of the Approach for the Identification of Trajectory Anomalies on CCTV Video from Road Intersections / R. Minnikhanov, M. Dagaeva, A. Kadyrov [et al.] // Mathematics. – 2022. – Vol. 10, No. 3. – DOI: 10.3390/ math10030388.
Real Time Multi Object Detection & Tracking on Urban Cameras / R. Minnikhanov, M. Dagaeva, T. Aslyamov [et al.] // Sustainable Civil Infrastructures. – 2022. – P. 257–268. – DOI: 10.1007/978-3-030-79801-7_18.
Китенко А. М. Метод поиска и разметки артефактов на изображениях с использованием алгоритмов детекции и сегментации / А. М. Китенко // Системы анализа и обработки данных. – 2021. – № 4(84). – С. 7–18. – DOI: 10.17212/2782-2001-2021-4-7-18.
Varlamova A. A. Image splicing localization based on CFA-artifacts analysis / A. A. Varlamova, A. V. Kuznetsov // Computer Optics. – 2017. – Vol. 41, No 6. – P. 920–930. – DOI: 10.18287/2412-6179-2017-41-6-920-930.
Learning JPEG Compression Artifacts for Image Manipulation Detection and Localization / M. J. Kwon, S. H. Nam, In. Ja. Yu [et al.] // International Journal of Computer Vision. – 2022. – Vol. 130, No 8. – P. 1875–1895. – DOI: 10.1007/ s11263-022-01617-5.
Глозман О. С. Методика оценки спроса на краткосрочную аренду автомобилей (каршеринг) с целью расчета требуемого количества временных парковочных мест на жилых территориях / О. С. Глозман, А. М. Скобелев, С. А. Лирник // Транспортное дело России. – 2025. – № 1. – С. 221–223.
Дементьев Н. А. Фильтрация изображений на основе дискретного косинусного преобразования с использованием робастных индикаторов негауссовских распределений / Н. А. Дементьев, А. А. Бутов // Ученые записки УлГУ. Серия: Математика и информационные технологии. – 2023. – № 1. – С. 19–27.
A Comprehensive Review of Deep Learning-Based Real-World Image Restoration / L. Zhai, Y. Wang, S. Cui, Yu. Zhou // IEEE Access. – 2023. – Vol. 11. – P. 21049–21067. – DOI: 10.1109/access.2023.3250616.
Алексеева А. А. Нейросетевое распознавание рукописных букв английского алфавита / А. А. Алексеева, Д. В. Катасёва // Вестник Технологического университета. – 2025. – Т. 28, № 4. – С. 84–88. – DOI: 10.55421/30344689_2025_28_4_84.
Нургалиев Б. Х. Нейросетевая модель и программный комплекс распознавания изображений типа CAPTCHA / Б. Х. Нургалиев, Д. В. Катасёва, А. С. Катасёв // Вестник Технологического университета. – 2021. – Т. 24, № 1. – С. 104–107.
Катасёв А. С. Нейросетевые модели обнаружения и классификации знаков дорожного движения / А. С. Катасёв, Н. И. Фаттахов // Вестник Технологического университета. – 2023. – Т. 26, № 3. – С. 79–84. – DOI: 10.55421/1998-7072_2023_26_3_79.
Borisova I. V. Application of the gradient orientation for systems of automatic target detection / I. V. Borisova, V. N. Legkiy, S. A. Kravets // Computer Optics. – 2017. – Vol. 41, No 6. – P. 931–937. – DOI: 10.18287/2412-6179-201741-6-931-937.
Нгуен А. Т. Блочно-сегментный поиск локальных экстремумов изображений на основе анализа яркостей смежных пикселей и областей / А. Т. Нгуен, В. Ю. Цветков // Системный анализ и прикладная информатика. – 2019. – № 4. – С. 4–9.
Раухваргер А. Б. Об алгоритме изменения контраста цифрового изображения с учетом локальных статистических характеристик распределения яркости пикселей / А. Б. Раухваргер, Р. И. Абунагимов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2020. – № 2. – С. 26–33. – DOI: 10.24143/2072-95022020-2-26-33.
EAO-435/PO-BR-009 | Visualization of cell proliferation using the Farneback algorithm // Clinical Oral Implants Research. – 2021. – Vol. 32, No S22. – P. 73–74. – DOI: 10.1111/clr.8_13856.
Molchanov A. Estimation of accuracy in determining the translational velocity of a video camera using data from optical flow / A. Molchanov, V. Kortunov, F. R. Mohammadi // Eastern-European Journal of Enterprise Technologies. – 2017. – Vol. 4, No 9(88). – P. 37–45. – DOI: 10.15587/1729-4061.2017.108449.
Алпатов А. В. Методы распознавания артефактов зонда на изображениях атомно-силовой микроскопии / А. В. Алпатов, В. В. Стротов // Вестник Рязанского государственного радиотехнического университета. – 2012. – № 42-2. – С. 33–39.
Минаков Е. И. Проблемы кодирования и передачи квазистационарных аэровидеоизображений в информационно измерительных системах видеомониторинга состояния автотранспортных потоков / Е. И. Минаков, Д. С. Калистратов, А. П. Киселев // T-Comm: Телекоммуникации и транспорт. – 2016. – Т. 10, № 6. – С. 48–51.
Исследование алгоритма анализа изображений радужной оболочки глаза на основе сверточной нейронной сети / З. М. Гизатуллин, И. И. Глушков, С. А. Ляшева, М. П. Шлеймович // Научно-технический вестник Поволжья. – 2023. – № 6. – С. 55–57.
Глебов В. В. Сравнительный анализ алгоритмов обнаружения человека на изображении / В. В. Глебов, А. Н. Марьенков // Прикаспийский журнал: управление и высокие технологии. – 2023. – № 2(62). – С. 97–106.
Dimensions Measurement Algorithm of Rebar Based on Image Analysis / Y. Chen, Y. Ding, C. Fan, X. Kang // Chinese Journal of Sensors and Actuators. – 2021. – Vol. 34, No 3. – P. 311–318. – DOI 10.3969/j.issn.1004-1699.2021.03.005.
Пархоменко С. С. Вычисление интервальных чисел на основе нейронных сетей прямого распространения / С. С. Пархоменко, Т. М. Леденева // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. – 2015. – № 2. – С. 121–129.
Kohler M. Analysis of Convolutional Neural Network Image Classifiers in a Rotationally Symmetric Model / M. Kohler, B. Kohler // IEEE Transactions on Information Theory. – 2023. – Vol. 69, No 8. – P. 5203–5218. – DOI 10.1109/ tit.2023.3262745.
Панин М. А. Нейросетевой анализ цифровых изображений лейкоцитов для об наружения заболеваний крови / М. А. Панин, Э. Ш. Мамедов, Д. В. Тараканов // Вестник кибернетики. – 2023. – Т. 22, № 3. – С. 43–51. – DOI 10.35266/1999-7604-2023-3-43-51.
Downloads
Published
Issue
Section
License
Условия передачи авторских прав in English
