КОРРЕЛЯЦИОННЫЙ АЛГОРИТМ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ С ОБУЧЕНИЕМ В РЕАЛЬНОМ ВРЕМЕНИ

  • В. А. Тупиков АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • В. А. Павлова АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • А.Ю. Гагарина АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • П. А. Гессен АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • А.И. Лизин АО «Научно-производственное предприятие «Авиационная и морская электроника»
  • М. В. Созинова АО «Научно-производственное предприятие «Авиационная и морская электроника»
Ключевые слова: Автоматическое обнаружение, автосопровождение, обучение на лету, встраиваемые системы, гистограмма направленных градиентов

Аннотация

Целью данной разработки является создание устойчивого алгоритма автоматиче-
ского обнаружения и сопровождения недетерминированных объектов с обучением в реаль-
ном времени, для встраиваемых вычислительных устройств оптико-электронныч систем.
В рамках представленной работы произведено исследование и анализ имеющегося мирового
научно-технического опыта в области алгоритмов автоматического сопровождения об-
щего назначения. В статье показано что современные алгоритмы автоматического со-
провождения представляют собой систему, принимающую решение о текущем положе-
нии, размерах и других параметрах сопровождаемого образа на основе обучаемой модели.
Авторами исследования выделены наиболее эффективные из применяемых базовых алго-
ритмов, подходящие для применения во встраиваемых вычислительных системах робото-
технических комплексов, и разработан новый алгоритм автоматического обнаружения и
сопровождения недетерминированных объектов. Проведено полунатурное тестирование
разработанного алгоритма и оценена его эффективность в решении задач не только ав-
томатического сопровождения объектов, но и задач автоматического обнаружения объ-
ектов 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 Technology.
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. 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. 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 of search and comparison of key features of images for pattern recognition
and object tracking], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences],
2019, No. 1 (213), pp. 281-293.
7. Rodehorst V., Koschan A. Comparison and evaluation of feature point detectors, Proceedings
of 5th International Symposium Turkish-German Joint Geodetic Days, 2006.
8. Tuytelaars T., Mikolajczyk K. Local Invariant Feature Detectors – Survey, Foundations and
Trends in Computer Graphics and Vision, 2008, No. 3 (3), pp. 177-280.
9. Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary Bradski. ORB: an efficient alternative to
SIFT or SURF. Willow Garage, Menlo Park, California, 2011.
10. 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.
11. 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.
12. 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.
13. Eibe Frank, Remco R. Bouckaert. Naive Bayes for Text Classification with Unbalanced Classes.
Computer Science Department, University of Waikato, New Zealand, Xtal Mountain Information
Technology, Auckland, New Zealand, 2006.
14. Lowe D.G. Object recognition from local scale-invariant features, Proceedings of the International
Conference on Computer Vision, 1999, No. 2, pp. 1150-1157.
15. Sung-Joo Y., Kim T. Development of Stereo Visual Odometry Based on Photogrammetric Feature
Optimization, Remote Sensing, 2019, No. 11.
16. Horn B.K.P. and Schunck B.G. Determining optical flow, Artificial intelligence, 1981, Vol. 17,
No. 1-3, pp. 185-203.
17. Shi J. and Tomasi C. Good features to track, Conference on Computer Vision and Pattern
Recognition, 1994.
18. Leutenegger S., Chli M., and Siegwart R.Y. BRISK: Binary robust invariant scalable
keypoints. In ICCV, 2011.
19. Shahed Nejhum S.M., Ho J., and Yang M.-H. Visual tracking with histograms and articulating
blocks. In CVPR, 2008.
20. Zhang L. and van der Maaten L. Structure preserving object tracking. In CVPR, 2013.
21. 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.
22. Taheri S., Mammadov M. Learning the naive Bayes classifier with optimization models. Centre
for Informatics and Applied Optimization School of Science, Information Technology and
Engineering, University of Ballarat, Victoria 3353, Australia. 2.
23. Andrew Moores. Efficient memory-based learning for robot control. 15 JJ Thomson Avenue
Cambridge CB3 0FDUnited Kingdom. 1990.
24. Molchanov A.S. Ikonicheskie sistemy vozdushnoy razvedki: osnovy postroeniya, otsenka
kachestva i ikh primenenie v kompleksakh s bespilotnymi letatel'nymi apparatami [Iconic aerial
reconnaissance systems: fundamentals of construction, quality assessment and their application
in complexes with unmanned aerial vehicles]. Volgograd: Panorama, 2017, 216 p.
Опубликован
2022-04-21
Выпуск
Раздел
РАЗДЕЛ V. ТЕХНИЧЕСКОЕ ЗРЕНИЕ