Содержание к диссертации
Введение
Глава 1. Математические модели объекта и фона 15
1.1 Представление изображений объекта в цифровой форме 15
1.2 Моделынума 16
1.3 Модель процесса восстановления изображения 17
1.4 Модель сцены 18
1.5 Контурная модель 21
1.5.1 Границы объекта 26
1.6 Выводы 28
Глава 2. Выделение и сопровождение объекта 30
2.1 Признаки выделения объекта 30
2.2 Задача слежения за объектом 32
2.3 Взаимосвязь движения объектов и уровней яркости 33
2.4 Методы обнаружения движущихся объектов
2.4.1 Обнаружение объекта по особым точкам , 34
2.4.2 Метод вычитания фона 37
2.4.2 Вероятностная модель сегментации 39
2.5 Методы сокращения объёмов обрабатываемой информации 46
2.5.1 Представление изображений пирамидами 47
2.5.2 Дооценивание вектора состояния динамической системы 50
2.6 Выводы 54
Глава 3. Метод контуризации объекта 56
3.1 Постановка задачи кодирования 56
3.2 Формирования полутонового изображения объекта 57
3.3 Кодирование контуров бинарных изображений 59
3.4 Представление контуров
3.5 Фильтрация и улучшения изображений 65
3.6 Дифференциальные операторы для двумерных изображений 67
3.7 Детектор краёв 69
3.8 Группировка согласующихся контурных фрагментов 74
3.9 Выводы 76
Глава 4. Классификация объекта по его форме 77
4.1 Требованья к системе формирования признаков 78
4.2 Форма изображения 80
4.3 Пространство признаков 81
4.4 Дескрипторы границ 4.4.1 Параметры формы 82
4.4.2 Фурье дескрипторы и их применение в описании формы 85
4.4.3 Признаки формы на основе анализа моментов 87
4.5 Построение классификатора 95
4.5 Классификатор на вероятностном подходе 98
4.6 Выводы 103
Глава 5. Описание исследовательского комплекса программ 105
5.1 Состав комплекса программ 105
5.2 Описание основных модулей комплекса
5.2.1 Модуль дооценивания вектора состояния динамической системы 114
5.2.2 Модуль кодирования внешней границы объекта 117
5.2.3 Модуль сопровождения и выделения движущегося объекта 119
5.3 Эксперимент 121
5.3.1 Объект класса "истребитель Миг-29" 122
5.3.2 Объект класса "вертолёт Ми-8" 125
5.3.3 Объект класса "ракета"
5.4 Рекомендаций по параметрической настройке 131
5.5 Выводы 135
Заключение 136
Библиографический список
- Модель процесса восстановления изображения
- Методы сокращения объёмов обрабатываемой информации
- Фильтрация и улучшения изображений
- Модуль дооценивания вектора состояния динамической системы
Введение к работе
з
Актуальность темы. Важной задачей цифровой обработки изображений является задача классификации, распознавания и анализа движущихся объектов в системах технического зрения. Решение этого класса задач столкнулось с рядом трудностей, таких как: отсутствие математических моделей, адекватно описывающих наблюдаемую обстановку, несовершенство датчиков изображений, недостаточную производительность вычислительных систем.
Одним из направлений, в котором необходимо решать такие задачи, является создание комплексов для анализа и обработки изображений, предназначенные для установки на подвижных носителях.
Последнее время, такие комплексы обработки изображений активно применяются в системах автоматического сопровождения воздушных объектов, наблюдаемых на фоне ясного или облачного неба, с целью решения задач их обнаружения и оценки параметров.
В настоящее время разработано множество алгоритмов выделения и оценки параметров объектов. Однако известные подходы зачастую обладают большой вычислительной сложностью и не в полной мере учитывают специфику рассматриваемой задачи и особенности применяемых на практике датчиков изображений. По этой причине, разработка эффективных алгоритмов выделения, обнаружения и оценки параметров для систем автоматического сопровождения воздушных объектов, работающих в режиме реального времени, остается актуальной задачей.
Предметной областью данной работы выступают видеоданные, в виде последовательности изображений воздушного объекта в процессе его перемещения в пространстве. Используя методы контурного анализа, делается попытка классифицировать выделенный воздушный объект. Общая структурная схема системы автоматического сопровождения движущихся воздушных объектов представлена на рис 1.
Предполагается, что датчик формирует полутоновую
последовательность изображений размерностью 1024x1024 пикселей с частотой 25 кадров в секунду. Площадь объекта занимает порядка 1/100 части кадра.
Основными задачами являются разработка, обоснования и применения эффективных численных методов, алгоритмов и комплекса программ для: выделения объекта, на входном изображении; оценки параметров расположения, определяющие пространственное положение объекта; классификация объекта, на основе его контурных характеристик.
Примерами наблюдаемых объектов служат воздушные объекты, наблюдаемые на дальностях от 500 метров до нескольких десятков километров, как на ровных, так и на пёстрых облачных фонах. Исходя из удалённости воздушных объектов, характеристик датчиков и возможности
полей зрения, размеры наблюдаемых объектов на изображении могут лежать в широком диапазоне значений - от 20x20 до 200x200 элементов разложения.
dx, dy
/
L _
^
dx, dy
* L-
оценка параметров движения
выделение объекта
источник первичных видеоданных
построение внешнего контура
|_
объект - номер класса
формирование вектора
уникальных признако в идентификаци я об ъекта
Рис 1. Структура системы автоматического сопровождения движущихся
воздушных объектов
Контуры являются областями с высокой концентрацией информации, слабо зависящей от цвета и яркости. Они устойчивы к смене типа датчика, формирующего изображение, к частотному диапазону, в котором он работает, не зависят от времени суток и года. Контур целиком определяет форму изображения и содержит всю необходимую информацию для распознавания изображений по их формам. Такой подход позволяет не рассматривать внутренние точки изображения и тем самым значительно сократить объем обрабатываемой информации. Следствием этого является возможность обеспечения работы системы обработки в масштабе времени, более близком к реальному.
Для решения поставленных задач, предлагается использовать многоэтапный алгоритм выделения, сопровождения, оценки параметров и классификации объекта. Алгоритм должны быть ориентирован на работу в реальном времени.
Несмотря на достаточно большое количество работ по данной тематике, нельзя утверждать, что в них в полной мере учитывается специфика задач обнаружения, выделения и оценки параметров воздушных объектов с большим диапазоном варьирования размеров, наблюдаемых в камеру оптического или инфракрасного диапазона, на фоне ясного или пёстрого неба. В ряде работ рассматриваются алгоритмы, позволяющие обнаруживать точечные и малоразмерные воздушные объекты, однако они преимущественно ориентированны на обработку изображений, получаемых с тепловизионных датчиков и часто не способные эффективно обнаруживать протяжённые объекта.
Таким образом, сформулируем цель диссертации как разработку
эффективных алгоритмов решения задачи выделения, оценки параметров воздушного объекта и его классификация, для системы автоматического сопровождения работающей в реальном масштабе времени. Для достижения указанной цели решаются следующие задачи:
формирование модели фоно-объектной обстановки и признаков выделения объекта на основе реальных видеоданных;
построение многоэтапного алгоритма обнаружения, выделения и сопровождения воздушного объекта;
определение методов сокращения объёма обрабатываемой информации;
кодирование внешней границы воздушного объекта, используя методы контурного анализа;
группировка согласующихся контурных фрагментов и формирование кластера инвариантных характеристик на основе контурного представления внешней границы воздушного объекта;
построение алгоритма оценки параметров и классификации воздушного объекта;
разработка комплекса программ и проведение экспериментальных исследований эффективности разработанных алгоритмов с использованием набора реальных видеоданных.
Научная новизна данной работы состоит в том, что предложены модели: обнаружения и выделения воздушного объекта на основе вероятностного принципа; предложены методы сокращения объёма обрабатываемой информации; методы расчёта инвариантных геометрических характеристик объекта по его внешней границе.
Практическая ценность
-
Разработанный комплекс программ позволяет проводить вычислительные эксперименты по выделению и классификации движущегося воздушного объекта в различных прикладных задачах. Примеры решения некоторых задач приведены в диссертации и могут служить прототипами для решения других аналогичных задач.
-
Предложенная в диссертации методология описания компьютерной модели позволяет наглядно, компактно и в тоже время точно представить поставленный эксперимент. Такую модель рекомендуется применять также для сравнения различных решений моделируемых систем между собой. Все выполненные в рамках диссертации компьютерные эксперименты представлены соответствующими моделями, что даёт возможность точно повторить выполненные эксперименты.
Научные положения, выносимые на защиту
-
модель фоно-объектной обстановки и структуры описания признаков выделяемого воздушного объекта на фоне ясного или облачного неба;
-
многоэтапный алгоритм обнаружения и выделения воздушного объекта;
-
методы сокращения объёмов обрабатываемой информации;
-
методы расчёта инвариантных геометрических характеристик объекта по его контуру;
-
комплекс программ для проведения компьютерных экспериментов по выделению и классификации движущегося воздушного объекта;
По теме диссертационной работы опубликовано 8 научных работ. Из них 4 в журналах и изданиях, рекомендованных для публикаций материалов диссертаций ВАК, 3 работы в сборниках материалов научных конференций, 1 свидетельство о государственной регистрации программы для ЭВМ.
Диссертация состоит из введения, пяти глав с выводами, заключения, библиографического списка и приложения. Работа изложена на 156 страницах машинописного текста и включает 62 рисунка, 10 таблиц и 5 алгоритмов. Библиографический список включает 72 наименования. Ссылки на источники указываются в виде имени первого автора публикации (в некоторых случаях с заглавием) и года издания в квадратных скобках.
Апробация работы. Результаты работы докладывались и обсуждались на:
ежегодных научных конференциях преподавателей, аспирантов и студентов НовГУ (Великий Новгород, 2009 г. - 2011 г.);
XV конференции «Математические методы распознавания образов» ММРО-15 г. Петрозаводск, Республика Карелия;
грант РФФИ № 10-01 -00146-а, руководитель Емельянов Г. М., гос. per. No 0120.1 164263, 2010-2012 г;
ГБ НИР "Разработка и исследование математических моделей многопараметрических систем", руководитель Емельянов Г.М., по заданию Минобр-науки РФ, гос. per. No 0120.0 704719, 2007-2011 г.
Модель процесса восстановления изображения
При цифровой обработке изображений производиться преобразование непрерывного изображения в эквивалентный цифровой массив. В системы цифровой обработки изображения поступают массивы чисел, полученные путём дискретизации реального изображения по пространственным переменным.
Функция F](x,y) описывает исходное непрерывное [1, 3, 6] изображение бесконечных размеров, представляя распределение яркости реального изображения. В системе дискретизации изображений пространственные отсчеты исходного изображения получаются фактически путём перемножения этой функции с пространственно - дискретизирующей функцией состоящей из бесконечного числа дельта-функций, заданных в узлах решетки с шагом Лх, Ау Дискретное изображение описывается соотношением:
Из отчётов функции Fp(x,y) можно получить непрерывное изображение с помощью линейно пространственной фильтрации. Значение функции в точке с пространственными координатами х, у является положительной [4] скалярной величиной, физический смысл которой определяется источником изображения. Если изображение генерируется в результате физического процесса, его значения пропорциональны энергии излучения некоторого физического источника. Вследствие чего функция f(x, у) ненулевая и конечная. 0 f(x,y) co (1.2)
В системах автоматического сопровождения воздушных объектов датчик размещается на поворотном устройстве, прикреплённом к корпусу носителя. Будем считать, что поле зрения камеры может перемещаться, что в итоге приводит к сдвигам всего изображения. Формируемые последовательности изображений также могут быть искажены шумом, источником которого является датчик изображения. Основные источники шума на цифровом изображении — это процесс оцифровки, а также процесс передачи. Будем предполагать, что шум не зависит от пространственных координат и не коррелирует с самим изображением, т.е. между значениями элементов изображения и значениями шумовой составляющей нет корреляции.
Значения яркости могут рассматриваться как случайные величины, характеризующиеся функцией плотности распределения вероятностей, так как имеем дело с описанием поведения шума в пространственной области, которое основано на статистических свойствах значений яркости компоненты шума. Для датчиков, построенных на основе ПЗС матриц и линеек, модель шума может быть представлена в следующем виде: %{х, у) = ку &й0 (х, у) + ы (х, у) + дп (х, у) + %м (х, у)) + %у (х, у) (i.3) где дш(х,у) - дробовой шум; гс(х,у) - ток смещения; тм(х,у) - темновой ток; кв(х у) - равномерно распределенный шум квантования; у(х,у) - шум усилителя, распределенный по Гауссовскому закону; ку - коэффициент усиления. При использовании высококачественных видеодатчиков, слагаемое у(х,у) будет вносить наибольший вклад в формирование шума, поэтому (х,у) будем считать Гауссовским с нулевым математическим ожиданием и дисперсией с .
Модель процесса искажения представленная на Рисунке 2, предполагает действие некоторого искажающего оператора Н на исходное изображение f(x,y), что после добавления аддитивного шума даст искаженное изображение g(x,y). Задача восстановления состоит в построении [2] некоторого приближения fix, у) исходного изображения по заданному искаженному изображению g(x,y), некоторой информации относительно искажающего оператора Н, и некоторой информации относительно аддитивного шума г/(х,у). Необходимо, чтобы приближение было как можно ближе к исходному изображению. Чем больше известно об операторе Н и о функции ц, тем ближе будет функция f{x,у) к функции fix,у). Искаженное изображение может быть представлено в частотной области в виде: G(u,v) = H(u,v)F(u,v) + N(u,v) (1.4) где H(u,v)— функция, представляющая искажающий оператор; заглавными буквами обозначены фурье-образы соответствующих функций.
Так как в рассматриваемом случае на изображении присутствует только аддитивный шум, пространственная фильтрация является лучшим из возможных методов восстановления.
Сцену можно рассматривать как среду представляющую собой совокупность объектов различных цветов и размеров, причем заранее неизвестно какой из объектов полезный - цель, а какие являются фоновыми объектами. Рисунок 3. Модель сцены За основу будет принята следующая модель сцены: l(x,y,n) = h(x,y,n)r(x,y,n) + g(x,y,n)(l-r(x,y,n)) + (x y,n) (1.5) где: n = 1.. .N, N - количество наблюдаемых кадров, R = {(х, у): х = 0.. .Nx - 1, у = 0.. .Ny - 1}- множество точек, на котором заданно изображение, Nx и Ny - размеры изображения по вертикали и горизонтали, 1(х, у, п) - наблюдаемое изображение, g(x, у, п) и h(x, у, п) - яркости точек фона и объектов соответственно в кадре п, г(х, у, п) - бинарная маска, определяющая положение объектов, ,(х, у, п) -аддитивный шум датчика.
Для описания модели сцены используется теория лямбда-исчисления [7, 8]. Ограничим количество объектов, которые могут присутствовать на сцене, а так же определим вид этих объектов. Общее количество объектов на сцене не может превышать порог в десять - пятнадцать единиц. Объекты реального мира, которые могут быть представлены на сцене - это облака, птицы, наблюдаемый воздушный объект, а также визиры и метки регистрирующей аппаратуры.
Методы сокращения объёмов обрабатываемой информации
В предыдущей главе был рассмотрен метод выделении объекта, результатом которого, является бинарное изображение — маска, содержащая положение объекта относительно всего кадра. Маска позиционирует положение объекта, но не точно определяет его границы, так как выделение происходит с некоторой ошибкой. Связанно это с тем, что на точность процесса выделения, влияют такие факторы: как шум и динамический задний план, на фоне которого происходит выделение. По этой причине, не возможно точно оценить истинную форму объекта по его маске. Таким образом, входными данными для метода контуризации объекта, является маска, которая определяет положение объекта относительно кадра, а также сам полутоновый кадр.
В главе рассматривается методы решения задачи кодирования внешней границы воздушного объекта, используя методы контурного анализа.
Контур формируется в виде набора связных компонент, при этом не рассматриваются внутренние точки объекта, тем самым значительно сокращая объем обрабатываемой информации. Контур целиком определяет форму изображения и содержит всю необходимую информацию для распознавания объекта по его форме. Любое изменение параметров положения, поворота и масштаба изображения, слабо влияет на объём вычислений.
Будем рассматривать метод выделения контуров объекта в реальной сцене, базирующийся на модели шума (смотри раздел 1.2), и слабой информатизации низкочастотной части спектра изображения. При данных допущениях, основанных на экспериментальных данных, для сцен определенного, но широко распространенного класса, рассматриваться задача обнаружения границ объекта.
Методы контурного анализа будем применять в случае, когда в распоряжении имеется локализованная область сцены, содержащая граничные точки объекта. Любое изображения окаймлено границей из фоновых точек, последовательность точек такой границы будем рассматривать как внешний контур изображения объекта [34, 38, 39].
Существенное влияние на возможность применения методов контурного анализа оказывает количество пикселов в составе изображения объекта. С уменьшением числа пикселов, из-за искажения формы шумами дискретизации падает отношение сигнал/шум [39, 42]. Маскирующее влияние шумов дискретизации приводит к потере отдельных, в первую очередь, мелких деталей изображения, то есть к потере информативных признаков формы в их контурах. Так как в процессе сегментации используется метод представления изображений пирамидами (смотри раздел 2.5.1), то для восстановления истинных размеров изображения объекта, воспользуемся верхними слоями пирамиды.
В данной работе, для подмножества пикселов, которые классифицированы как переднеплановые, вес маски будет равен 1, для пикселей, которые классифицированы как заднеплановым, вес элемента макси будет равен 0. Фактически оперируем бинарным изображением, которое определяет местоположение воздушного объекта на кадре. На рисунке 16 представлен пример бинарной маски изображения. 0 0 0 0 1 1 0 0 0 0 0
Для формирования изображения, на котором содержится только воздушный объект, необходимо применить маску к входному полутоновому изображению. В результате применения логической операции AND к двум изображениям, размеры которых одинаковы, а одно из них представляет собой бинарное изображение, на выходе имеем полутоновый кадр, где значениями отличными от нуля, определён воздушный объект.
Для получения объекта, имея на входе маску и входное полутоновое изображение, необходимо совместить маску с входным изображением так, что начало координат маски, совмещаться с началом координат входного изображениям, а вес каждого пиксела маски умножается на значение соответствующего пиксела входного изображения, рисунок 18. I(x) = 2
После получения бинарного изображения с маркированными связными компонентами и обнаружения начальной точки изображения объекта, следует операция прослеживания контура. Начальной точкой а0 изображения назовём принадлежащую ему точку с минимальным номер строки и номером столбца, минимальным в этой строке. Данная операция предназначена для определения непрерывной последовательности, относящихся к контуру изображения пикселов. Будем совмещать её, с задачей кодирования выделенных контурных точек. В дальнейшем код контура будем использовать для решения задач, связанных с извлечением содержащейся в ней информации о форме объекта.
Кодирование контура - этап получения дискретного сигнала, описывающего границы бинарного изображения. Всякая область D плоскости содержит внутренние точки и точки контура, граничные точки. Первые из них обладают тем свойством, что не только они сами, но и их некоторая окрестность целиком принадлежит области D. Точки контура не являются внутренними, но в сколько угодно малой окрестности таких точек находиться внутренние точки области D [40].
Получения набора точек, формирующих границы объекта, необходимо произвести операцию маркирование связных компонент. Пусть дано изображение В и В [г, с] = В [г , с!] = v, где v = 0 или v = 1. Пиксель [г, с] называется связным пикселем [г , с ] по значению v, если существует такая последовательность пикселов [г, с] = [г0, с0], [гь Сі], [г2, с2] ... [гп, Сп] = [г , с ], что В[Г;, С;] = V, І = 0,...,П, И [Г;, С;] ЯВЛЯЄТСЯ СОСЄДОМ [Гц, С;_і] ДЛЯ ВСЄХ І = 1,...,П. Последовательность пикселов [г0, с0],...,[гп, сп] образует связный путь от пиксела [г, с] к пикселу [г , с ]
Фильтрация и улучшения изображений
В методах распознавания, основанных на сопоставлении, каждый класс представляется вектором признаков образа, являющегося прототипом этого класса. В данной работе вектор состояние представлен 11 параметрами х = {фі, ф2,...,ф7, іі,...,І4}. Незнакомый образ приписывается к тому классу, прототип которого оказывается ближайшим в смысле заранее заданной метрики. Новый объект даёт вектор признаков, который связывается с одним из классов или отклоняется как неизвестный класс. Различные методы классификации отличаются только способом, которым кластеры моделируются в пространстве признаков. Простейший подход состоит в использовании классификатора, основанного на минимальном расстоянии, который вычисляет евклидовы расстояния между вектором признаков неизвестного объекта и каждым вектором прототипа. Решение о принадлежности объекта к определенному классу принимается по наименьшему из таких расстояний, но в таких методах, не учитывается случайности, которые влияют на порождение классов объектов, что увеличивает вероятность появления ошибок классификации. г Л
Общими для всех классификаторов является отображение типа "множество - один" из пространства М в пространство решений D. Пространство решений содержит Q элементов, каждый из которых соответствует классу, включая возможный класс отклонений для нераспознаваемых объектов. В случае детерминированного решения элементы в пространстве решений являются двоичными числами. Тогда и только тогда один из элементов может равняться единице; все другие должны равняться нулю. Если классификаторы образуют вероятностное решение, то элементы пространства решений являются действительными числами. Тогда сумма всех элементов в пространстве решений должна равняться единице [65, 67].
Для построения классификаторов берется набор меченых образцов, который затем используется в правиле присвоения метки любому новому образцу. В общем случае имеется настроечный набор данных [xi, yi]; каждый вектор xi состоит из результатов замеров свойств объектов различных типов, а векторы yi — это метки, которые присваиваются объектам того типа, к которым принадлежат образцы. Изначально известна относительная стоимость неверного присвоения метки, а в дальнейшем нужно определить правило, согласно которому любому приемлемому вектору х присваивается метка класса. На принимаемое решение сильно влияет стоимость ошибки. Ключевым вопросом является вероятность метки класса, обусловленная данными [46, 49, 50].
Стоимость зависит от того, какой объект был ошибочно отнесен к какому классу. В общем случае исход записывается как (і —» j); это означает, что предмет i-ro типа классифицируется как предмет j-ro типа Каждый исход имеет свою стоимость, которая называется потерей. Таким образом имеем функцию потерь, которую запишем как L(i —j); это означает потери, понесенные при определении объекта i-ro типа как объекта j-ro типа. Поскольку потери, связанные с правильной классификацией, не должны влиять на структуру классификатора, L(i — j) должно равняться нулю, а другие потери представляют собой некоторые положительные величины. Функция риска данной стратегии классификации — это ожидаемые потери при ее использовании как функции типа предмета. Суммарный риск - это общие ожидаемые потери при использовании классификатора. Итак, если дано два класса, суммарный риск использования стратегии я запишется как: R(s) = Рг{1 —» 2\при использовании s} ЦІ - 2) + + Рг{2 —» llnpu использовании s} L(2 -»1) 4.5 Классификатор на вероятностном подходе
Рассмотрим статистически оптимальный классификатор, основанный на вероятностном подходе, при котором достигается наименьшая вероятность появления ошибки классификации. Такой подход подходит для решения поставленной задачи, поскольку рассматривает случайности, влияющие на порождение классов образов.
Байесовский классификатор - это классификатор, использующий теорему Байеса для определения вероятности принадлежности наблюдения (элемента выборки) к одному из классов С, при условии того, что зависимые переменные принимают заданные значения: P(CFb...,Fn). Через Р(оэ; х) обозначим вероятность того, что поступивший образ х принадлежит классу со;. То есть, если на основе значений переменных можно однозначно определить, какому классу относится наблюдение, байесовский классификатор сообщит, что вероятность принадлежности к этому классу равна 1. В промежуточных же случаях, когда наблюдение может с разной вероятностью принадлежать к различным классам, результатом работы классификатора будет вектор, компоненты которого являются вероятностями принадлежности к тому или иному классу.
Можно видеть, что идеальный байесовский классификатор в каком-то смысле является оптимальным. Его результат не может быть улучшен, т.к. во всех случаях, когда возможен однозначный ответ, он его даст - а в тех случаях, когда ответ неоднозначен, результат количественно характеризует меру этой неоднозначности. Вместе с тем, в оптимальности кроется и основной недостаток идеального байесовского классификатора: для его построения требуется выборка, содержащая все возможные комбинации переменных - а размер такой выборки экспоненциально растет с ростом числа переменных.
Для преодоления описанной выше проблемы воспользуемся так называемым наивным байесовским классификатором. Такой классификатор строиться на основе предположения о независимости переменных, т.е. предположения о том, что
Использование этого предположения позволяет не изучать взаимодействие всех возможных сочетаний переменных, ограничившись лишь влиянием каждой переменной по отдельности на принадлежность образа к одному из классов [40, 41]. Согласно теореме Байеса, в этом случае получаем:
Модуль дооценивания вектора состояния динамической системы
В процессе проведения эксперимента, где искомым воздушным объектом выступал вертолёт Ми-8, были получены следующие результаты. На нескольких кадрах видеопоследовательности, вследствие удаления объекта от точки съёмки, его маневрирования, а также неудачного ракурса съёма объекта, при котором практически не видны линии несущего винта, приводит к вырождению формы воздушного объекта, сильно искажая его истинный профиль. Это служит причиной того, что характеристики внешнего контура меняются, и объект классифицируется не корректно (рисунок 56).
Из приведённых значений инвариантов видно: что в случае, когда по причине неудачного ракурса съёмки (рисунок 56 d)), в описании границы объекта отсутствует контур несущего винта, тем не менее, инвариантные характеристики близки к эталонным признакам (таблица 1 -2 (Рис.40)). В случае же вырождения профиля, рассчитанные характеристики располагаются далеко от эталонных, что приводит ошибкам классификации.
Так как исходная видеопоследовательность содержит данные высокого качества, воздушный объект имеет сложную форму, а также среди кадров большое количество таких, которые содержат полный профиль вертолёта, результативность проведения эксперимента составляет 97%. Ошибка составляет порядка 3%, куда входит 7 кадров из 10 секундной записи полёта, на которых объект был некорректно классифицирован. Причина некорректной классификации описана выше - это удаление объекта от точки съёмки, и вырождение формы воздушного объекта.
5.3.3 Объект класса "ракета"
В итоге эксперимента, где искомым воздушным объектом выступал объект класса "ракета", запущенная с реактивной установки "Град", были получены следующие результаты. В процессе перемещения ракеты, её контур сильно
128 искажаться, причины тому следующие: сильное маневрирование ракеты, вследствие чего меняется дистанция от точки съёмки; изменяющийся контур факела реактивного двигателя; меняющийся ракурс съёмки. Всё это в итоге сильно искажает форму ракеты, и её профиль эволюционирует от сложного контура - в овал или круг (рисунок 57).
Из приведённых примеров контуров и их инвариантных признаков видно, что форма внешней границы такого объекта как ракета, сильно изменяется во время полёта, и зависит от многих факторов. В связи с этим, обучающую выборку классификатора, следует расширить, за счёт признаков контуров, которые корректно описывают такой класс объектов, иначе ошибка классификации будет очень существенной.
В результате проведения экспериментальных исследований эффективности разработанных алгоритмов были выработаны рекомендаций по параметрической настройке алгоритмов при различной фоновой обстановке. В результате чего были получены следующие выводы:
Все этапы синтезированного алгоритма по выделению, сопровождению и классификации воздушного объекта выполняться за время 40 мс (рисунок 60); предел яда шртіФшш обработки одного кагд а (40 ш)
При выделении контура объекта, для обеспечения наилучшего подавления шума, следует выбирать параметр фильтра о равный 1.0. Чрезмерное повышение коэффициента приведёт к усилению усреднения вплоть до равномерно чёрного цвета всех пикселей, т.к. влияние пикселей друг на друга при гауссовой фильтрации обратно пропорционально квадрату расстояния между ними: коэффициент пропорциональности, следовательно, степень размытия, определяются параметром о;
Построение пирамиды Гаусса даёт существенный прирост производительности, за счёт сокращения объема обрабатываемой информации. Скорость обработки кадра от его размера определяется степенной зависимостью v = \/х , где v - скорость вычисления, \/ - размер кадра
Комплекс программ, ориентирован на моделирование процессов выделения, сегментирования и классификации воздушного объекта, для системы автоматического сопровождения. В главе представлены назначение, структура и состав каждого компонента, нескольких базовых модулей, а также алгоритмы и примеры работы основных частей комплекса.
Приведены примеры моделирования процессов выделения, сегментирования и классификации воздушного объекта на примере реальных данных.
На основе проведённых экспериментов выявлено, что эффективность предложенных методов составляет порядка 90%. Величина ошибки порядка 10%, которая приходится на потерю объекта в процессе слежения и выделения, а также некорректную классификацию. При этом, применение методов дооценки динамической системы сводит ошибки потери к значению порядка 1-2% от общего количества кадров. Ошибка классификации в 8 - 9% сильно зависит от качества исходных данных и соотношения сигнал/фон.
Предложенные модели и методы позволяют решать поставленные в диссертационной работе задачи, в режиме реального времени, все этапы синтезированного алгоритма по выделению, сопровождению и классификации воздушного объекта выполняться в режиме за время 40 мс.
Похожие диссертации на Моделирование процессов выделения, сопровождения и классификации изображения движущегося воздушного объекта
