МНОГОАГЕНТНЫЙ АЛГОРИТМ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ НЕДЕТЕРМИНИРОВАННЫХ ОБЪЕКТОВ

  • В. А. Тупиков АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • В. А. Павлова АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • В.А. Бондаренко АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • А. И. Лизин АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • Д. К. Ельцова АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • М. В. Созинова АО «Научно-производственное предприятие «Авиационная и морская электроника»
Ключевые слова: Многоагентный алгоритм, автоматическое обнаружение, автосопровождение, ключевые точки, оптический поток, встраиваемые системы

Аннотация

В целях разработки робастного алгоритма автоматического обнаружения и сопро-вождения недетерминированных объектов для встраиваемых вычислительных систем с оптико-электронными устройствами. В рамках данной работы произведено исследование и анализ имеющегося мирового научно-технического опыта в области алгоритмов автоматического сопровождения общего назначения. Наиболее успешные из исследованных алгоритмов, подходящие для долговременного устойчивого автоматического сопровожде-ния объектов (без априорного знания о типе объекта слежения) на сегодняшний день уже вышли за рамки решения задачи исключительно сопровождения, и включают в себя синерге-тическое сочетание нескольких разнородных алгоритмов сопровождения, а также как ми-нимум один алгоритм автоматического обнаружения и/или классификации. В статье пока-зано что наиболее устойчивые современные алгоритмы автоматического сопровождения представляют собой многоагентную систему, принимающую решение о текущем положе-нии, размерах и других параметрах сопровождаемого образа на основе интеллектуального голосования составляющих систему модулей, осуществляющих самостоятельное слежение за объектом и формирование его модели. Индивидуальные модели каждого из модулей уточ-няются по результатам принятия коллективного решения. Авторами исследования выделены наиболее эффективные из применяемых базовых алгоритмов, подходящие для применения во встраиваемых вычислительных системах робототехнических комплексов, и разработан новый многоагентный алгоритм автоматического обнаружения и сопровождения недетерми-нированных объектов. Представленный многоагентный алгоритм включает в себя модуль выделения и сопоставления ключевых точек на изображениях, модуль кластеризации и фильтрации ключевых точек с применением алгоритма DBSCAN, модуль сопровождения на основе алгоритма вычисления оптического потока и модуль классификации ключевых точек. Проведено полунатурное тестирование разработанного алгоритма и оценена его эффективность в решении задач не только автоматического сопровождения объектов, но и задач автоматического обнаружения объектов по нескольким эталонным образам. В заключении представлены предложения по дальнейшему повышению точности разработанного алгоритма и по его оптимизации и внедрению в состав специального программного обеспечения бортовых вычислительных систем летательных аппаратов.

Литература

1. Zdenek Kalal, Krystian Mikolajczyk, and Jiri Matas. Tracking-Learning-Detection, IEEE transactions on pattern analysis and machine intelligence, January 2010, Vol. 6, No. 1.
2. Georg Nebehay, Roman Pflugfelder. Consensus-based Matching and Tracking of Keypoints for Object Tracking. Safety and Security Department. AIT Austrian Institute of Technolo-gy.Austria, 2014.
3. Sam Hare, Amir Saffari, Philip H.S. Torr. Struck: Structured Output Tracking with Kernels. Oxford Brookes University. Oxford, UK 2Sony Computer Entertainment Europe, London, UK. 2014.
4. Bondarenko V.A., Kaplinskiy G.E., Pavlova V.A., Tupikov V.A. Metod poiska i sopostavleniya klyuchevykh osobennostey izobrazheniy dlya raspoznavaniya obrazov i soprovozhdeniya ob"ektov [Method for searching and matching key features of images for image recognition and object tracking], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sci-ences], 2019, No. 1 (213), pp. 281-293.
5. Rodehorst V., Koschan A. Comparison and evaluation of feature point detectors, Proceedings of 5th International Symposium Turkish-German Joint Geodetic Days, 2006.
6. Tuytelaars T., Mikolajczyk K. Local Invariant Feature Detectors – Survey, Foundations and Trends in Computer Graphics and Vision, 2008, No. 3 (3), pp. 177-280.
7. Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary Bradski. ORB: an efficient alternative to SIFT or SURF. Willow Garage, Menlo Park, California. 2011.
8. Erich Schubert, Jörg Sander, Martin Ester, Hans Peter Kriegel, Xiaowei Xu. DBSCAN Revisited, Revisited: Why and How You Should (Still) Use DBSCAN, ACM Trans. Database Syst., 2017.
9. Amila Jakubovic, Jasmin Velagic. Image Feature Matching and Object Detection using Brute-Force Matchers. Faculty of Electrical Engineering/University of Sarajevo Sarajevo, Bosnia and Herzegovina. 2018.
10. Lucas B.D. and Kanade T. An iterative image registration technique with an application to stereo vision, International Joint Conference on Artificial Intelligence, 1981, pp. 674-679.
11. Eibe Frank, Remco R. Bouckaert. Naive Bayes for Text Classification with Unbalanced Clas-ses. Computer Science Department, University of Waikato, New Zealand, Xtal Mountain In-formation Technology, Auckland, New Zealand. 2006.
12. Lowe D.G. Object recognition from local scale-invariant features, Proceedings of the Interna-tional Conference on Computer Vision, 1999, No. 2, pp. 1150-1157.
13. Sung-Joo Y., Kim T. Development of Stereo Visual Odometry Based on Photogrammetric Fea-ture Optimization, Remote Sensing, 2019, No. 11.
14. Horn B.K.P. and Schunck B.G. Determining optical flow, Artificial intelligence, 1981, Vol. 17, No. 1-3, pp. 185-203.
15. Shi J. and Tomasi C. Good features to track, Conference on Computer Vision and Pattern Recognition, 1994.
16. Leutenegger S., Chli M., and Siegwart R.Y. BRISK: Binary robust invariant scalable keypoints, In ICCV, 2011.
17. Shahed Nejhum S.M., Ho J., and Yang M.-H. Visual tracking with histograms and articulating blocks, In CVPR, 2008.
18. Zhang L. and van der Maaten L. Structure preserving object tracking, In CVPR, 2013.
19. Martin Ester, Hans-Peter Kriegel, Jiirg Sander, Xiaowei Xu. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Institute for Computer Science, University of Munich Oettingenstr. 67, D-80538 Miinchen, Germany, 1996.
20. Taheri S., Mammadov M. Learning the naive Bayes classifier with optimization models. Cen-tre for Informatics and Applied Optimization School of Science, Information Technology and Engineering, University of Ballarat, Victoria 3353, Australia. 2.
21. Andrew Moores. Efficient memory-based learning for robot control. 15 JJ Thomson Avenue Cambridge CB3 0FDUnited Kingdom. 1990.
Опубликован
2020-07-10
Выпуск
Раздел
РАЗДЕЛ IV. СВЯЗЬ, НАВИГАЦИЯ И НАВЕДЕНИЕ