Статья

Название статьи АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ КОМПЛЕКСА ЗАЩИТЫ ОБЪЕКТОВ ОТ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ
Автор В. А. Бондаренко, Г. Э. Каплинский, В. А. Павлова, В. А. Тупиков
Рубрика РАЗДЕЛ I. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ РОБОТОТЕХНИЧЕСКИХ КОМПЛЕКСОВ
Месяц, год 01, 2018
Индекс УДК 004.896: 004.932.72'1
DOI
Аннотация Рассматриваются подходы к разработке алгоритмического обеспечения оптико-электронных систем в части технического зрения. Целью исследования являются расширение области применения и повышение эффективности оптико-электронных систем в задачах защиты закрытых территорий от несанкционированного проникновения беспилотных летательных аппаратов (БЛА). Для решения задач автоматического обнаружения, распознавания и автосопровождения БЛА разработана комбинированная оптико-электронная система, включающая широкопольную (панорамную) и узкопольную подсистемы оптико-электронного мониторинга. Рассматриваемая система входит в состав специализированного комплекса средств защиты закрытых зон пространства охраняемых объектов, включающего в себя также средства радиоэлектронного мониторинга, радиоэлектронного противодействия и автоматизированное рабочее место оператора. Подробно рассмотрено поэтапное решение основных задач обработки изображений и распознавания объектов на изображениях. Из состава алгоритмического обеспечения широкопольной подсистемы оптико-электронного мониторинга рассматриваются алгоритм устранения оптических искажений, возникающих ввиду использования широкоугольных объективов, и алгоритм автоматического обнаружения объектов на панорамном изображении. Задача автоматического обнаружения объектов разбивается на два этапа. На первом этапе определяется разница между текущим панорамным изображением и панорамным изображением фоновой обстановки, которое формируется путём накопления панорамных изображений. На втором этапе алгоритма обнаружения для фильтрации и отслеживания подозрительных зон, определяемых на предыдущем этапе, применён авторский алгоритм автоматического сопровождения. Данная комбинация алгоритмов позволяет обнаружить и произвести первичную селекцию подозрительных объектов, угловые координаты которых передаются на узкопольную подсистему оптико-электронного мониторинга для дальнейшего анализа. В рамках комплекса алгоритмического обеспечения узкопольной подсистемы оптико-электронного мониторинга рассмотрено решение задач автоматического обнаружения, распознавания и автосопровождения объектов. Описан алгоритм мультиспектрального комплексирования телевизионных и тепловизионных изображений. Для решения задачи автоматического распознавания БЛА предложено использовать свёрточную искусственную нейронную сеть. Выбранная архитектура искусственной нейронной сети показала высокую точность классификации и скорость работы. Разработанное алгоритмическое обеспечение опробовано в составе оптико-электронных систем комплекса защиты объектов от беспилотных летательных аппаратов и продемонстрировало высокую эффективность.

Скачать в PDF

Ключевые слова Оптико-электронные системы; алгоритм; обработка изображений; автоматическое обнаружение объектов; автосопровождение; распознавание объектов; искусственная нейронная сеть.
Библиографический список 1. Мясников Е.В. Угроза терроризма с использованием беспилотных летательных аппаратов: технические аспекты проблемы // Центр по изучению проблем разоружения, энергетики и экологии при МФТИ. Долгопрудный. – 2004. – 29 с.
2. Luis Alvarez, Luis Gomez, and J. Rafael Sendra. Algebraic Lens Distortion Model Estimation // Image Processing On Line. – 2010. – No. 11. – P. 1-10.
3. Tsai R.Y. A versatile camera calibration technique for high-accuracy 3D machine vision metrology using off-the-shelf TV cameras and lenses // IEEE Journal of Robotics and Automation. RA-3(4). – 1987. – P. 323-344.
4. Gonzalez R.C., Woods R.E. Digital Image Processing. – 2nd ed. – Prentice-Hall, 2002. – P. 91-94.
5. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. – Красноярск: Изд-во Красноярского университета, 1992. – 248 с.
6. Тупиков В.А., Павлова В.А., Бондаренко В.А., Александров В.А. Способ автоматического обнаружения объектов на морской поверхности в видимом диапазоне // Известия ТулГУ. Технические науки. – 2016. – № 11-3. – С. 105-121.
7. Sauvola J., Pietikainen M. Adaptive document image binarization // Pattern Recognition.
–2000. – No. 33. – P. 225-236.
8. Bradley D., Roth G. Adaptive Threshholding Using Integral Image // Journal of Graphics Tools. – 2007. – Vol. 12, Issue 2. – P. 13-21.
9. Shafait F., Keysers D., Breuel T.M. Efficient implementation of local adaptive thresholding techniques using integral images // Proc. SPIE 6815, Document Recognition and Retrieval XV, 681510. – 2008. Doi: 10.1117/12.767755; https://doi.org/10.1117/12.767755.
10. LeCun Y., Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard W. and Jackel L.D. Backpropagation Applied to Handwritten Zip Code Recognition // Neural Computation.
– 1989. – No. 1 (4). – P. 541-551.
11. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2016. – 781 p.
12. Deng L. and Yu. D. Deep Learning: Methods and Applications // Foundations and Trends in Signal Processing. – 2013. – Vol. 7, nos. 3–4. – P. 197-387.
13. Ioffe, Sergey, and Christian Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift // arXiv preprint. – 2015. arXiv:1502.03167.
14. Szegedy C. et al. Going deeper with convolutions // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2015. – P. 1-9.
15. Kingma D. P., Ba J. Adam: A method for stochastic optimization // ICLR. – 2015. – P. 1-15.
16. Фролов В.Н., Тупиков В.А., Павлова В.А., Александров В.А. Методы информационного совмещения изображений в многоканальных оптико-электронных системах // Известия ТулГУ. Технические науки. – 2016. – № 11-3. – C. 95-104.
17. Тетерин В.В. и др. Метод комплексирования информации от многоканальной системы с использованием вейвлет-спектров // Оптический журнал. – 2006. – T. 73, № 10. – С. 47-52.
18. Петухов А.П. Введение в теорию базисов всплесков. – СПб.: Изд-во СПбГТУ, 1999.
– 132 c.
19. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования // ВУС. – 1999. – С. 1-204.
20. Баклицкий В.К. Корреляционно-экстремальные методы навигации и наведения. – Тверь: ТО «Книжный клуб», 2009. – 360 с.
21. Алпатов Б.А., Бабаян П.В., Балашов О.Е., Степашкин А.И. Методы автоматического обнаружения и сопровождения объектов // Обработка изображений и управление. – М.: Радиотехника. – 2008. – 176 с.

Comments are closed.