АЛГОРИТМ ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ ОБЪЕКТОВ НА НЕОДНОРОДНОМ ФОНЕ 

Черников Андрей Андреевич, аспирант, Новосибирский государственный технический университет (Россия, г. Новосибирск, пр. К. Маркса, 20), ancher1994@gmail.com
Пуртов Антон Игоревич, аспирант, Новосибирский государственный технический университет (Россия, г. Новосибирск, пр. К. Маркса, 20), a.p.93@mail.ru
Прокофьев Иван Валерьевич, аспирант, Новосибирский государственный технический университет (Россия, г. Новосибирск, пр. К. Маркса, 20), prokofev.ivan.93@mail.ru
Ющенко Валерий Павлович, доктор технических наук, профессор, кафедра автономных информационных и управляющих систем, Новосибирский государственный технический университет (Россия, г. Новосибирск, пр. К. Маркса, 20), yushhenko@corp.nstu.ru

004.932.2 

DOI

10.21685/2072-3059-2020-4-4

Актуальность и цели. Объектом исследования является оптико-электронная система обнаружения беспилотных летательных аппаратов и бронетанковой техники. Предметом исследования являются методы выделения и классификации движущегося объекта на сложном неоднородном фоне. Цель – разработка алгоритма обнаружения и классификации беспилотного летательного аппарата и бронетанковой техники оптико-электронной системой на неоднородном фоне в режиме реального времени.
Материалы и методы. Представленные исследования выполнены с использованием методов обработки видеоизображений для выделения объекта и нейронные сети для классификации объекта. Алгоритм разработан на языке программирования Python с использованием библиотеки компьютерного зрения OPENCV.
Результаты. Предложен метод выделения и классификации беспилотного летательного аппарата и бронетанковой техники на сложном динамическом фоне. Алгоритм использует угловой детектор Харриса для обнаружения объектов на фоне изображений. Создана и обучена нейронная сеть для быстрой классификации объекта.
Выводы. Предложенный метод может быть использован при разработке оптико-электронной системы обнаружения движущегося беспилотного летательного аппарата и бронетанковой техники на неоднородном фоне в режиме реального времени в инфракрасном диапазоне. В результате выявлено, что предложенный алгоритм уверенно справляется с обнаружением и классификацией контрастного объекта, находящегося на расстоянии до 2 км от системы
обнаружения.

Ключевые слова

 оптико-электронная система, беспилотный летательный аппарат, бронетанковая техника, адаптация, нейронные сети

 Скачать статью в формате PDF

1. Li, J. Detection of small moving object sinima gesequences / J. Li, Z. Shen, L. Bao // Automatic targe trecognition IV: Proc. Of SPIE. – 1997. – Vol. 3069. – P. 511–517.
2. Алпатов, Б. А. Алгоритм обработки изображений для систем автоматического сопровождения воздушных объектов / Б. А. Алпатов, А. Н. Блохин, В. С. Муравьев // Цифровая обработка сигналов. – 2010. – № 4. – С. 12–17.
3. Борисова, И. В. Обнаружение объектов на тепловых изображениях / И. В. Борисова, В. Н. Горенок, В. Н. Захарова // Проблемы автоматизации и управления в технических системах : тр. Междунар. науч.-техн. конф. (г. Пенза, 19–22 апреля 2011 г.). – Пенза : Изд-во ПГУ, 2011. – Т. 1. – С. 186–190.
4. Ciresan, D. Multi-column Deep Neural Networks for Image Classification (CVPR) / D. Ciresan, J. Schmidhuber // IEEE Proceedings of Computer Vision and Pattern
Recognition. – 2012. – P. 3642–3649.
5. Федотов, Н. Г. Анализ полутоновых изображений и цветных текстур с позиции стохастической геометрии и функционального анализа / Н. Г. Федотов,
Д. А. Голдуева, М. А. Мокшанина // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2017. – № 2 (42). – С. 29–41.
6. He, K. Deep residual learning for image recognition / K. He, X. Zhang, S. Ren, J. Sun // Proc. of the IEEE conf. on computer vision and pattern recognition. – Las Vegas, 2016. – P. 770–778.
7. Седжвик, Р. Программирование на языке Python : учебный курс : пер. с англ. / Р. Седжвик, К. Уэйн, Р. Дондеро. – Санкт-Петербург : ООО «Альфа-книга», 2017. – 736 с.
8. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – Москва : Техносфера, 2005. – 1072 с.
9. Отчет о НИР «Состояние и перспективы развития матричных ФПУ для многоспектральных ГСН», шифр «Нейрон», № гос. рег. У90056, инв. № Е79158. ФГУП
«Сибирский научно-исследовательский институт оптических систем», научный рук. Легкий В. Н. – Новосибирск, 2007. – 53 с.
10. Цифровая обработка изображений в информационных системах / И. С. Грузман, В. С. Киричук, В. П. Косых, Г. И. Перетягин, А. А. Спектор. – Новосибирск :
Изд-во НГТУ, 2002. – 352 с.