Найти

Результаты поиска

• МОДУЛЬ КОРРЕКТИРОВКИ ПАРАМЕТРОВ АЛГОРИТМОВ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ

  В. А. Тупиков, В. А. Павлова , А.И. Лизин , П.А. Гессен

  71-81

  2022-04-20

  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.