МОДУЛЬ КОРРЕКТИРОВКИ ПАРАМЕТРОВ АЛГОРИТМОВ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ
Аннотация
В целях создания инновационного модуля автоматической корректировки алгорит- мов автоматического обнаружения и сопровождения объектов с обучением в реальном времени произведено исследование мирового опыта в области автоматического сопрово- ждения общего назначения с возможностью распознавания объекта сопровождения для применения во встраиваемых вычислительных устройствах оптико-электронных систем перспективных робототехнических комплексов. На основе проведенных исследований ото- браны и протестированы методы и подходы, которые позволяют с наибольшей точно- стью, при сохранении высокой вычислительной эффективности, обеспечивать обучение классификаторов на лету (online learning) без априорного знания о типе объекта слежения и обеспечивать последующую корректировку во время слежения и обнаружение исходного объекта в случае его кратковременной потери. В число таких способов входит гисто- грамма направленных градиентов – дескриптор ключевых признаков, основывающийся на анализе распределения градиентов яркости изображения объекта. Его использование по- зволяет сократить количество используемой информации без потери ключевых данных об объекте и увеличить скорость обработки изображений. В статье обоснован выбор одного из алгоритмов классификации в режиме реального времени, позволяющего решить задачу бинарной классификации – метода опорных векторов. В виду высокой скорости обработки данных и необходимости небольшого количества исходных обучающих данных для по- строения разделяющей гиперплоскости, на основе которой и происходит классификация объектов, данный метод выбран как наиболее подходящий для решения поставленной за- дачи. Для осуществления online-обучения была выбрана модификация метода опорных векторов, реализующая стохастический градиентный спуск на каждом шаге работы алго- ритма – Pegasos. Еще одним вспомогательным способом является метод кластеризации ключевых точек – таким образом обеспечивается ускоренный выбор объектов для обуче- ния и классификации. Авторами исследования проведена разработка и полунатурное моде- лирование предлагаемого модуля, проведена оценка эффективности его работы в задачах корректировки и обнаружения объекта интереса в режиме реального времени с предвари- тельным online-обучением в процессе слежения за объектом. Разработанный алгоритм показал высокую эффективность при решении поставленной задачи. В заключении пред- ставлены предложения по дальнейшему повышению точности и вероятности обнаруже- ния объекта интереса разработанным алгоритмом, а также по повышению его произво- дительности путем оптимизации вычислений.
