Алгоритм обнаружения и классификации объектов на неоднородном фоне для оптико-электронных систем


DOI: 10.34759/trd-2023-129-26

Авторы

Черников А. А.

НИИ электронных приборов, Новосибирск, Россия

e-mail: ancher1994@gmail.com

Аннотация

В данной статье рассматривается автоматическое обнаружение и классификация беспилотных летательных аппаратов (БПЛА) и бронетанковой техники (БТ) в оптическом потоке для оптико-электронных систем. Алгоритм автоматического обнаружения и классификации объектов разработан на языке Python с использованием библиотеки OpenCV. В конце работы приводятся результаты экспериментального исследования разработанного алгоритма, на смоделированных и реальных изображениях в инфракрасном диапазоне. Предлагаемый алгоритм может быть использован для обнаружения объектов на неоднородном фоне в режиме реального времени оптико-электронной системой в инфракрасном диапазоне.

Ключевые слова:

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

Библиографический список

  1. Алпатов Б.А., Блохин А.Н. Муравьев В.С. Алгоритм обработки изображений для систем автоматического сопровождения воздушных объектов // Цифровая обработка сигналов. 2010. № 4. С. 12–17.
  2. Krizhevsky A., Sutskever I. Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems, 2012, vol. 25 (2). DOI:10.1145/3065386
  3. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // Journal of Machine Learning Research, 2014, vol. 15 (1), pp. 1929-1958.
  4. Гузенко О.Б., Катулев А.Н., Храмичев А.А., Ягольников СВ. Автоматическое обнаружение и сопровождение динамических объектов на изображениях, формируемых оптико-электронными приборами в условиях априорной неопределенности. Методы и алгоритмы / Под ред. А.А. Храмичева. — Монография. — М: Радиотехника, 2015. — 280 с.
  5. Аполлонов Д.В., Бибикова К.И., Шибаев В.М., Ефимова И.Е. Формирование алгоритмов системы автоматического управления преобразуемого беспилотного летательного аппарата // Труды МАИ. 2022. № 122. URL: https://trudymai.ru/published.php?ID=164299. DOI: 10.34759/trd-2022-122-23
  6. Трусфус М.В., Абдуллин И.Н. Алгоритм обнаружения маркерных изображений для вертикальной посадки беспилотного летательного аппарата // Труды МАИ. 2021. № 116. URL: https://trudymai.ru/published.php?ID=121099. DOI: 10.34759/trd-2021-116-13
  7. Гайнанов Д.Н., Чернавин Н.П., Чернавин П.Ф., Чернавин Ф.П., Рассказова В.А. Выпуклые оболочки и выпукло отделимые множества в задаче многоклассового распознавания образов // Труды МАИ. 2019. № 109. URL: https://trudymai.ru/published.php?ID=111419. DOI: 10.34759/trd-2019-109-20
  8. Wang K. et al. Detection of infrared small targets using feature fusion convolutional network // IEEE Access, 2019, pp. 146081–146092. DOI:10.1109/ACCESS.2019.2944661
  9. Shuang-Chen Wu, Zheng-Rong Zuo. Small target detection in infrared images using deep convolutional neural networks // Journal Infrared Millimeter Waves, 2019, vol. 38, issue 3. URL: https://www.researching.cn/articles/OJ89ba8c9b029a4965
  10. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature, 2015, vol. 521, pp. 436–444. DOI:10.1038/nature14539
  11. Nguyen A., Yosinski J., Clune J. Deep neural networks are easily fooled: High confidence predictions for unrecognizable images // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA, USA, 7–12 June 2015, pp. 427–436. DOI:10.1109/CVPR.2015.7298640
  12. He, X. Zhang, S. Ren, J. Sun. Deep residual learning for image recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, LasVegas, 2016, pp. 770–778. DOI:10.1109/CVPR.2016.90
  13. Zhou B., Khosla A., Lapedriza A., Oliva A., Torralba A. Learning Deep Features for Discriminative Localization // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 26 June—1 July 2016; pp. 2921–2929. DOI:10.1109/CVPR.2016.319
  14. Бойков В.А., Колючкин В.Я. Алгоритм автоматического сопровождения изображений объектов // Вестник МГТУ им. Н.Э. Баумана. Серия: Приборостроение. 2017. № 5. C. 4–13. DOI: 10.18698/0236-3933-2017-5-4-13
  15. Zhao B. et al. Object detection based on multi-channel deep CNN // 14th International Conference on Computational Intelligence and Security (CIS) // IEEE Computer Society, 2018, pp. 164–168. DOI:10.1109/CIS2018.2018.00043
  16. Druki A.A., Spitsyn V.G., Boltova Yu.A., Bashlykov A.A. Sematic segmentation of earth remote sensing data using neural network algorithms // Bulletin of the Tomsk Polytechnic University. Series: Engineering of Georesources, 2018, vol. 329(1), pp. 59-68.
  17. Voulodimos A., Doulamis N., Doulamis A., Protopapadakis A. Deep Learning for Computer Vision: A Brief Review // Computational Intelligence and Neuroscience, 2018, pp. 1-13. DOI:10.1155/2018/7068349
  18. Valdenegro-Toro M. Learning Objectness from Sonar Images for Class-Independent Object Detection // 2019 European Conference on Mobile Robots (ECMR), Prague, Czech Republic, 4–6 September 2019, pp. 1–6. DOI:10.1109/ECMR.2019.8870959
  19. Рашид Т. Создаем нейронную сеть / Пер. с англ. — СПб.: Альфа-книга, 2017. — 274 с.
  20. Huu Thu Nguyen. et al. Multiple Object Detection Based on Clustering and Deep Learning Methods // Sensors, 2020, vol. 20 (16). DOI:10.3390/s20164424
  21. Antoine d’Acremont et al. CNN-Based Target Recognition and Identification for Infrared Imaging in Defense Systems // Sensors, 2019, vol. 19 (9), pp. 2040. DOI:10.3390/s19092040
  22. Хисматов И.Ф. Методика воспроизведения метеоусловий при имитационном моделировании авиационных оптико-электронных систем // Труды МАИ. 2019. № 108. URL: https://trudymai.ru/published.php?ID=109572. DOI: 10.34759/trd-2019-108-18
  23. Черников А.А. Пуртов А.И., Прокофьев И.В., Ющенко В.П. Алгоритм обнаружения и классификации объектов на неоднородном фоне // Известия высших учебных заведений. Поволжский регион. Технические науки. 2020. № 4 (56). С. 38–45. DOI: 10.21685/2072-3059-2020-4-4
  24. Черников А.А., Легкий В.Н. Разработка алгоритма обнаружения беспилотного летательного аппарата // Гагаринские чтения — 2020. (Москва, 27 декабря 2019 — 17 апреля 2020): тезисы докладов. — М.: Изд-во МАИ, 2020. С. 848.
  25. Черников А.А., Легкий В.Н. Алгоритм обнаружения и классификации объектов для оптико-электронных систем // XIX Всероссийская научно-техническая конференция студентов, магистрантов, аспирантов и молодых ученых «Техника XXI века глазами молодых ученых и специалистов»: сборник статей. — Тула: Изд-во ТулГУ, 2021. — 335 с.
  26. Черников А.А. Алгоритм обнаружения и классификации объектов на неоднородном фоне для оптико-электронных систем // XIV Всероссийский межотраслевой молодёжный конкурс научно-технических работ и проектов «Молодёжь и будущее авиации и космонавтики»: сборник трудов. — М.: Изд-во Перо, 2022. С. 151.

Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход