АЛГОРИТМ ОБНАРУЖЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ С ОБУЧЕНИЕМ В РЕАЛЬНОМ ВРЕМЕНИ
Аннотация
В целях создания нового алгоритма автоматического обнаружения объектов с обучением
в реальном времени произведено исследование мирового научного задела в области автоматиче-
ского сопровождения общего назначения с возможностью распознавания объекта слежения с
потенциалом применения во встраиваемых вычислительных системах оптико-электронных
систем перспективных робототехнических комплексов. На основе проведенных исследований
отобраны и протестированы методы и подходы, которые позволяют с наибольшей точностью, при сохранении высокой вычислительной эффективности, обеспечивать обучение клас-
сификаторов на лету (online learning) без априорного знания о типе объекта слежения и обес-
печивать последующее обнаружение исходного объекта в случае его кратковременной потери.
В число таких способов входит гистограмма направленных градиентов – дескриптор ключевых
признаков, основывающийся на анализе распределения градиентов яркости изображения объ-
екта. Его использование позволяет сократить количество используемой информации без поте-
ри ключевых данных об объекте и увеличить скорость обработки изображений. В статье
обоснован выбор одного из алгоритмов классификации в режиме реального времени, позволяю-
щего решить задачу бинарной классификации – метода опорных векторов. В виду высокой ско-
рости обработки данных и необходимости небольшого количества исходных обучающих дан-
ных для построения разделяющей гиперплоскости, на основе которой и происходит классифи-
кация объектов, данный метод выбран как наиболее подходящий для решения поставленной
задачи. Для осуществления online-обучения была выбрана модификация метода опорных векто-
ров, реализующая стохастический градиентный спуск на каждом шаге работы алгоритма –
Pegasos. Авторами исследования проведена разработка и полунатурное моделирование выбран-
ного алгоритма, проведена оценка эффективности его работы в задачах обнаружения объекта
интереса в режиме реального времени с предварительным online-обучением в процессе слеже-
ния за объектом. Разработанный алгоритм показал высокую эффективность при решении
поставленной задачи и планируется к внедрению в составе специального программного обеспе-
чения оптико-электронных систем перспективных робототехнических комплексов. В заключе-
нии представлены предложения по дальнейшему повышению точности и вероятности обна-
ружения объекта интереса разработанным алгоритмом, а также по повышению его произво-
дительности путем оптимизации вычислений.
Литература
Networks for Object Tracking. In: Hua G., Jégou H. (eds) Computer Vision – ECCV
2016 Workshops. ECCV 2016. Lecture Notes in Computer Science, Vol. 9914. Springer,
Cham, 2016.
2. Zhang Y., Wang L., Qi J., Wang D., Feng M., Lu H. Structured Siamese Network for Real-
Time Visual Tracking. In: Ferrari V., Hebert M., Sminchisescu C., Weiss Y. (eds) Computer
Vision – ECCV 2018. ECCV 2018. Lecture Notes in Computer Science, Vol. 11213. Springer,
Cham, 2018.
3. Li D., Yu Y. & Chen X. Object tracking framework with Siamese network and re-detection
mechanism, J Wireless Com Network, 2019, 261.
4. Kalal Z., Mikolajczyk K., Matas J. Tracking-Learning-Detection, IEEE Transactions on Pattern
Analysis and Machine Intelligence, 2012, Vol. 34, No. 7, pp. 1409-1422.
5. Henriques J.F., et al. High-Speed Tracking with Kernelized Correlation Filters, IEEE Transactions
on Pattern Analysis and Machine Intelligence, 2015, Vol. 37, No. 3, pp. 583-596.
6. Davis P.J. Circulant Matrices. Wiley-Interscience, NY, 1979.
7. Dalal N., Triggs B. Histograms of oriented gradients for human detection, 2005 IEEE Computer
Society Conference on Computer Vision and Pattern Recognition (CVPR'05), San Diego,
CA, USA, 2005, Vol. 1, pp. 886-893. Doi: 10.1109/CVPR.2005.177.
8. Rybski P.E., Huber D., Morris D.D., Hoffman R. Visual classification of coarse vehicle orientation
using Histogram of Oriented Gradients features, 2010 IEEE Intelligent Vehicles Symposium,
La Jolla, CA, USA, 2010, pp. 921-928. Doi: 10.1109/IVS.2010.5547996.
9. Dollár P., Appel R., Belongie S. and Perona P. Fast Feature Pyramids for Object Detection,
IEEE Transactions on Pattern Analysis and Machine Intelligence, Aug. 2014, Vol. 36, No. 8,
pp. 1532-1545.
10. Samsonov N.A., Gneushev A.N. Deskriptor v akkumulyatornom prostranstve khafa
gradientnogo polya izobrazheniya dlya detektirovaniya peshekhodov [Textural descriptor in
the Hough accumulator space of the gradient field for detecting pedestrians], Mashinnoe
obuchenie i analiz dannykh [Machine learning and data analysis], 2017, No. 3, Vol. 3, pp. 203-
215. eISSN: 2223-3792.
11. Misra I., Shrivastava A., Hebert. M. HOG and Spatial Convolution on SIMD Architecture,
Technical report, Robotics Institute, Carnegie Mellon University, 2013.
12. Huang C., Huang J. A Fast HOG Descriptor Using Lookup Table and Integral Image. ArXiv,
abs/1703.06256, 2017.
13. Roshan K., Saurabh S. Machine Learning: A Review on Binary Classification, International
Journal of Computer Applications, 2017.
14. Cortes C., Vapnik V. Support Vector Networks, Mach. Learn., 1995, Vol. 20, pp. 273-297
15. Burges J.C. A tutorial on support vector machines for pattern recognition, Data Min. Knowl.
Disc., 1998, pp. 121-167.
16. Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernelbased
learning methods. Cambridge University Press, Cambridge, 2000.
17. Zhou X., Zhang X., Wang B. Online Support Vector Machine: A Survey. In: Kim J., Geem Z.
(eds) Harmony Search Algorithm. Advances in Intelligent Systems and Computing, Vol. 382.
Springer, Berlin, Heidelberg, 2016. Available at: https://doi.org/10.1007/978-3-662-47926-1_26.
18. Shalev-Shwartz S., Singer Y., Srebro N. et al. Pegasos: primal estimated sub-gradient solver for
SVM, Math. Program., 2020, Vol. 127, pp. 3-30.
19. Bondarenko V.A., El'tsova D.K., Lizin A.I., Pavlova V.A., Sozinova M.V., Tupikov V.A.
Mnogoagentnyy algoritm avtomaticheskogo obnaruzheniya i soprovozhdeniya
nedeterminirovannykh ob"ektov [Multi-agent algorithm for automatic detection and tracking
of non-deterministic objects], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2020, No. 1 (211), pp. 218-232.
20. Rezatofighi H., Tsoi N., Gwak J., Sadeghian A., Reid I. Savarese S. Generalized Intersection Over
Union: A Metric and a Loss for Bounding Box Regression, 2019 IEEE/CVF Conference on
Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019, pp. 658-666.
21. Heikkilä M., Pietikäinen M. A texture-based method for modeling the background and detecting
moving objects, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006,
Vol. 28 (4), pp. 657-662.
22. Kertész C. Texture-Based Foreground Detection, International Journal of Signal Processing,
Image Processing and Pattern Recognition (IJSIP), 2011, Vol. 4, No. 4.
23. Khalifa T. Şengül G. The Integrated Usage of LBP and HOG Transformations and Machine
Learning Algorithms for Age Range Prediction from Facial Images, Tehnicki Vjesnik, 2018,
Vol. 25, pp. 1356-1362. Doi. 10.17559/TV-20170308030459.
