СПОСОБИ ТА ЗАСОБИ ІДЕНТИФІКАЦІЇ ОБ’ЄКТІВ ЗА ЇХ СИЛУЕТАМИ

Краткое содержание

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі наведено загальну характеристику роботи, обґрунтовано її актуальність, показано зв'язок з науковими програмами, сформульовано мету та завдання досліджень, наукову новизну і практичне значення отриманих результатів. Наведено дані про впровадження та апробацію результатів роботи.

У першому розділі "Аналіз методів, способів і засобів візуального виявлення та ідентифікації об’єктів" розглядаються засоби введення візуальної інформації в комп’ютерні системи, первинне представлення зображень, системи кольору. Розглянуто методи та способи покращення якості зображень, морфологічного опрацювання зображень, сегментації зображень, розпізнавання візуальних образів. Проведено аналіз відомих методів та способів візуального виявлення та ідентифікації об’єктів. Структурно вони складаються з операцій введення зображення, фільтрації, сегментування, виявлення та/або ідентифікації об’єкту. Визначено їх особливості та недоліки при візуальному виявленні та ідентифікації літаків.

Відомі методи та способи візуального виявлення та ідентифікації літаків є недосконалими. Так, відомий "Метод виявлення і стеження за літаками з використанням вейвлет ознак і машини опорних векторів" вимагає ручного попереднього виділення літаків на зображенні. "Спосіб ідентифікації рухомих об’єктів" має низьку точність візуального виявлення та ідентифікації літаків. Недосконалість цього способу пояснюється тим, що він не враховує: негативний вплив природних факторів на зображення сцени з об’єктами для ідентифікації; можливу неоднорідність розподілу значень інтенсивності пікселів в межах об’єктів; наявність тіней при заздалегідь невідомому рівневі і кутові освітлення об’єктів в просторі; можливу наявність різних візерунків та текстур, які можуть помилково трактуватися як об’єкти, що не належать об’єкту-носію. Все це призводить до помилкового розділення одного цілісного об’єкту на кілька об’єктів, що може привести до помилок ідентифікації. Відсутність визначення координат ідентифікованих об’єктів робить його непридатним до застосування в ряді систем безпеки тощо. Інший відомий "Метод виявлення об’єктів на зображенні" потребує для своєї коректної роботи інформацію про відстані до об’єктів. Метод виявляє тільки об’єкти, що виділені локальними максимумами після виконання фільтрації. Сам же спосіб фільтрації є недосконалим, оскільки використовує одновимірні рекурсивні фільтри, що не враховують 8-ми зв’язного околу пікселя, а лише його правого і лівого сусідів. Отримане після фільтрації зображення має досить значну похибку виділення локальними максимумами суцільних силуетів літаків за поганих погодних умов.

В результаті аналізу відомих сучасних систем моніторингу повітряного простору в зоні аеропорту встановлено, що відомі системи даного класу не здатні візуально виявляти та ідентифікувати літаки.

Отже, відомі сучасні способи та засоби візуального виявлення та ідентифікації об’єктів мають обмежене використання для моніторингу повітряного простору в зоні аеропорту. Тому, задача підвищення ефективності візуальної ідентифікації об’єктів із складною структурою за їх силуетами на прикладі літаків є актуальною. 

У другому розділі "Способи автоматичного візуального виявлення та ідентифікації літаків" для розв’язання задачі підвищення ефективності візуальної ідентифікації об’єктів із складною структурою за їх силуетами на прикладі літаків розроблено "Спосіб автоматичної ідентифікації візуальних об’єктів за їх силуетами" [8]. Він базується на використанні розроблених методик цифрової фільтрації зображення (ЦФ), бінарної сегментації цифрового зображення (БС) і однієї штучної нейронної мережі (ШНМ), яка здійснює виявлення та ідентифікацію літаків. Спосіб використовує ЦФ для покращення якості зображення, БС для виділення об’єктів, які в подальшому ідентифікуються засобами ШНМ. Результатом ідентифікації за допомогою ШНМ є ймовірність приналежності об’єкта до одного з класів, які відповідають одній з моделей літаків або класу викидів. За результатами проведеного моделювання спосіб показав ймовірність коректної ідентифікації у межах 68-74% (гірший результат для відеопослідовностей з відображенням маневрування в тумані, кращий – зліт при сонячній погоді). Ймовірність хибного виявлення літаків становить до 23%.

Перевагою способу є використання однієї ШНМ, що дозволяє зменшити витрати пам’яті для зберігання коефіцієнтів ШНМ в порівнянні з використанням двох ШНМ для виявлення та ідентифікації об’єктів. Проте, при великій кількості виділених шумових об’єктів (тих, що нас не цікавлять), загальний час ідентифікації потрібних об’єктів буде більшим, ніж при використанні однієї ШНМ для виявлення потрібних об’єктів і другої ШНМ для їх ідентифікації.

Для зменшення похибок хибного спрацювання та хибного пропуску способу автоматичної ідентифікації візуальних об’єктів за їх силуетами на його базі розроблено підхід до автоматичного візуального виявлення та ідентифікації літаків за їх силуетами. Цей підхід об’єднує 4 способи автоматичного виявлення та ідентифікації візуальних об’єктів за їх силуетами, які використовують дві окремі ШНМ для виявлення та ідентифікації літаків. В основі цих способів лежать ЦФ, БС, удосконалена методика БС – методика напівтоново-бінарної сегментації цифрового зображення (НБС) та апарат ШНМ. НБС покликана зменшити похибки сегментації цифрового зображення сцени в порівнянні з БС. Незалежно від використання БС чи НБС на силуетах об’єктів допускається наявність візерунків, текстур і спотворень. Використання апарату штучних нейронних мереж дає можливість виявляти та ідентифікувати необхідні об’єкти з врахуванням всіх можливих форм відображення образів об’єктів на зображеннях сцени навіть за умови спотворень при їх виділенні.

ЦФ складається з послідовного виконання шести операцій, кожна з яких опрацьовує зображення, яке утворене попередньою операцією [4, 6, 8, 10, 12, 17]. Виконання ЦФ починається з високочастотної (ВЧ) фільтрації вхідного оцифрованого растрового зображення. Далі здійснюється еквалізація гістограми відфільтрованого зображення. Виконання високочастотної фільтрації і еквалізації гістограми зображення забезпечує підвищення чіткості зображення сцени. Подальші низькочастотна (НЧ) фільтрація і еквалізація гістограми зображення дає змогу зменшити дисперсію між пікселями зображень об’єктів, рівномірніше розподіляючи пікселі зі значеннями локальних максимумів в межах об’єктів зі складною структурою порівняно з відомими методиками, способами та операціями. Повторна високочастотна фільтрація і еквалізація гістограми зображення дають змогу отримати ще чіткіше зображення сцени з об’єктами, які виділені локальними максимумами значень пікселів. Таким чином, одержане зображення характеризується низькою дисперсією між значеннями пікселів в межах зображення кожного з об’єктів, наприклад, літаків, і високим контрастом між об’єктами і фоном.

При такому виконанні цифрової фільтрації зображення компенсується негативний вплив природних факторів, збільшується контраст між об’єктами і фоном, відбувається підвищення ймовірності коректного цілісного відділення об’єктів зі складною структурою від фону.