Технологии интеллектуальной обработки информации для задач навигации и управления беспилотными летательными аппаратами
Ключевые слова:
интеллектуальная обработка информации, беспилотные летательные аппараты, машинное зрение, комплексирование разнородной информации, обнаружение и распознавание, прослеживание объектов, глубокое машинное обучение, моделированиеАннотация
Приведены результаты исследований по разработке технологий обработки разносенсорной информации, получаемой бортовой системой машинного зрения, для решения комплекса задач навигации и управления беспилотным летательным аппаратом (БЛА). Проведен анализ предметной области, выделены основные задачи, требующие решения для эффективного выполнения основных функций БЛА. Предложены оригинальные методы комплексирования, основанные на диффузной морфологии, разработаны методики подготовки обучающих выборок и глубокого машинного обучения, обеспечивающие высокое качество распознавания, создана база данных синтезированных изображений для обучения алгоритмов распознавания.Литература
1. Dollár P., Zitnick C. Fast Edge Detection Using Structured Forests // IEEE Trans. Pattern Anal. Mach. Intell. 2015. vol. 8. no. 37. pp. 1558–1570.
2. Dollár P., Appel R., Belongie S., Perona P. Fast Feature Pyramids for Object Detection // IEEE Trans. Pattern Anal. Mach. Intell. 2014. vol. 8. no. 36. pp. 1532–1545.
3. Viola P., Jones M.J. Rapid Object Detection using a Boosted Cascade of Simple Features // IEEE CVPR. 2001. vol. 1. pp. 511–518.
4. Lowe D. G. Object recognition from local scale–invariant features // Proceedings of the International Conference on Computer Vision 2. 1999. pp. 1150–1157.
5. Girshick R. Fast R–CNN // The IEEE International Conference on Computer Vision (ICCV). 2015. pp. 1440–1448.
6. Бекетова И.В., Каратеев С.Л., Визильтер Ю.В., Желтов С.Ю. Алгоритм автоматического обучения каскадного классификатора на основе метода адаптивного усиления AdaBoost // Многопроцессорные вычислительные и управляющие системы (МВУС–2009): Материалы международной научно–технической конференции. Таганрог: Изд–во ТТИ ЮФУ. 2009. Т.2. C. 239–240.
7. Lienhart R., Maydt J. An Extended Set of Haar–like Features for Rapid Object Detection // IEEE ICIP. 2002. vol. 1. pp. 900–903.
8. Yang F., Wang Z., Hung Y. S. Robust Kalman filtering for discrete time–varying uncertain systems with multiplicative noise // IEEE Trans. Automat. Control. 2002. vol. 47. no. 7. pp. 1179–1183.
9. Einicke G.A., White L.B. Robust Extended Kalman Filtering // IEEE Trans. Signal Processing. 1999. vol. 9. no. 47. pp. 2596–2599.
10. Wildes R. et.al. Aerial Video Surveillance and Exploitation // Proc. IEEE. 2001. vol. 89. no. 10. pp. 1518–1539.
11. Comaniciu D., Ramesh V., Meer P. Real–Time Tracking of Non–Rigid Objects Using Mean Shift // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. Hilton Head. SC. 2000. vol. 2. pp. 142–149.
12. Ning J., Zhang L., Zhang D., Wu C. Scale and orientation adaptive mean shift tracking // Computer Vision. IET. 2012. vol. 6. pp. 52–61.
13. Henriques J. F., Caseiro R., Martins P., Batista J. High–speed tracking with kernelized correlation filters // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. vol. 37. Issue 3. pp. 583–596.
14. Kulis B., Grauman K. Kernelized locality–sensitive hashing // IEEE Transactions Pattern Analysis and Machine Intelligence. 2012. vol. 6. no. 34. pp. 1092–1104.
15. Gall J., Yao A., Razavi N., Gool L.V., Lempitsky V. Hough Forests for Object Detection, Tracking, and Action Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. vol. 33. no. 11. pp. 2188–2202.
16. Ding Y., Wang Y. Analysis and Evaluation on Fusion Methods of Medium and High Spatial Resolution Remote Sensing Image // IEEE, 19th International Conference on Geoinformatics. 2011. pp. 1–4.
17. Dawei Z., Fang Z. A New Improved Hierarchical Model of Image Fusion // IEEE The Eighth International Conference on Electronic Measurement and Instruments, ICEMI. 2007. vol. 2. pp 853–857.
18. Bengio Y., Monperrus M. Non–local manifold tangent learning // Advancesin Neural Information Processing Systems 17. Cambridge: MIT Press, MA. 2005. 1971 p.
19. İlsever M., Unsalan C. Two–Dimensional Change Detection Methods // London: Springer–Verlag. 2012. 72 p.
20. Pyt’ev Yu.P. Morphological Image Analysis // Pattern Recognition and Image Analysis. 1993. vol. 1. no. 3. pp. 19–28.
21. Vizilter Y. V., Zheltov, S. Y. Geometrical Correlation and Matching of 2D Image Shapes // ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. 2012. Issue 3. pp. 191–196.
22. Визильтер Ю.В., Горбацевич В.С., Рубис А.Ю., Выголов О.В. Сравнение изображений по форме с использованием диффузной морфологии и диффузной корреляции // Компьютерная оптика. 2015. Т. 39. № 2. С. 265–274.
23. Gu K., Zhang W., Wang C., Zhai G. Full–reference image quality assessment via region–based analysis // Proceedings of the 4th International Congress on Image and Signal Processing (CISP ’11). 2011. vol. 3. pp. 1711–1715.
24. Bovik A.C. Perceptual image processing: Seeing the future // Proc. IEEE. 2010. vol. 98. no. 11. pp. 1799–1803.
25. Lowe D.G. Distinctive Image Features from Scale–Invariant Keypoints // International Journal of Computer Vision. 2004. vol.2. no. 60. pp. 91–110.
26. Moorthy A.K., Bovik A.C. Blind Image Quality Assessment: From Scene Statistics to Perceptual Quality // IEEE Transactions Image Processing 2011. vol. 20. no. 12. pp. 3350–3364.
2. Dollár P., Appel R., Belongie S., Perona P. Fast Feature Pyramids for Object Detection // IEEE Trans. Pattern Anal. Mach. Intell. 2014. vol. 8. no. 36. pp. 1532–1545.
3. Viola P., Jones M.J. Rapid Object Detection using a Boosted Cascade of Simple Features // IEEE CVPR. 2001. vol. 1. pp. 511–518.
4. Lowe D. G. Object recognition from local scale–invariant features // Proceedings of the International Conference on Computer Vision 2. 1999. pp. 1150–1157.
5. Girshick R. Fast R–CNN // The IEEE International Conference on Computer Vision (ICCV). 2015. pp. 1440–1448.
6. Бекетова И.В., Каратеев С.Л., Визильтер Ю.В., Желтов С.Ю. Алгоритм автоматического обучения каскадного классификатора на основе метода адаптивного усиления AdaBoost // Многопроцессорные вычислительные и управляющие системы (МВУС–2009): Материалы международной научно–технической конференции. Таганрог: Изд–во ТТИ ЮФУ. 2009. Т.2. C. 239–240.
7. Lienhart R., Maydt J. An Extended Set of Haar–like Features for Rapid Object Detection // IEEE ICIP. 2002. vol. 1. pp. 900–903.
8. Yang F., Wang Z., Hung Y. S. Robust Kalman filtering for discrete time–varying uncertain systems with multiplicative noise // IEEE Trans. Automat. Control. 2002. vol. 47. no. 7. pp. 1179–1183.
9. Einicke G.A., White L.B. Robust Extended Kalman Filtering // IEEE Trans. Signal Processing. 1999. vol. 9. no. 47. pp. 2596–2599.
10. Wildes R. et.al. Aerial Video Surveillance and Exploitation // Proc. IEEE. 2001. vol. 89. no. 10. pp. 1518–1539.
11. Comaniciu D., Ramesh V., Meer P. Real–Time Tracking of Non–Rigid Objects Using Mean Shift // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. Hilton Head. SC. 2000. vol. 2. pp. 142–149.
12. Ning J., Zhang L., Zhang D., Wu C. Scale and orientation adaptive mean shift tracking // Computer Vision. IET. 2012. vol. 6. pp. 52–61.
13. Henriques J. F., Caseiro R., Martins P., Batista J. High–speed tracking with kernelized correlation filters // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. vol. 37. Issue 3. pp. 583–596.
14. Kulis B., Grauman K. Kernelized locality–sensitive hashing // IEEE Transactions Pattern Analysis and Machine Intelligence. 2012. vol. 6. no. 34. pp. 1092–1104.
15. Gall J., Yao A., Razavi N., Gool L.V., Lempitsky V. Hough Forests for Object Detection, Tracking, and Action Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. vol. 33. no. 11. pp. 2188–2202.
16. Ding Y., Wang Y. Analysis and Evaluation on Fusion Methods of Medium and High Spatial Resolution Remote Sensing Image // IEEE, 19th International Conference on Geoinformatics. 2011. pp. 1–4.
17. Dawei Z., Fang Z. A New Improved Hierarchical Model of Image Fusion // IEEE The Eighth International Conference on Electronic Measurement and Instruments, ICEMI. 2007. vol. 2. pp 853–857.
18. Bengio Y., Monperrus M. Non–local manifold tangent learning // Advancesin Neural Information Processing Systems 17. Cambridge: MIT Press, MA. 2005. 1971 p.
19. İlsever M., Unsalan C. Two–Dimensional Change Detection Methods // London: Springer–Verlag. 2012. 72 p.
20. Pyt’ev Yu.P. Morphological Image Analysis // Pattern Recognition and Image Analysis. 1993. vol. 1. no. 3. pp. 19–28.
21. Vizilter Y. V., Zheltov, S. Y. Geometrical Correlation and Matching of 2D Image Shapes // ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. 2012. Issue 3. pp. 191–196.
22. Визильтер Ю.В., Горбацевич В.С., Рубис А.Ю., Выголов О.В. Сравнение изображений по форме с использованием диффузной морфологии и диффузной корреляции // Компьютерная оптика. 2015. Т. 39. № 2. С. 265–274.
23. Gu K., Zhang W., Wang C., Zhai G. Full–reference image quality assessment via region–based analysis // Proceedings of the 4th International Congress on Image and Signal Processing (CISP ’11). 2011. vol. 3. pp. 1711–1715.
24. Bovik A.C. Perceptual image processing: Seeing the future // Proc. IEEE. 2010. vol. 98. no. 11. pp. 1799–1803.
25. Lowe D.G. Distinctive Image Features from Scale–Invariant Keypoints // International Journal of Computer Vision. 2004. vol.2. no. 60. pp. 91–110.
26. Moorthy A.K., Bovik A.C. Blind Image Quality Assessment: From Scene Statistics to Perceptual Quality // IEEE Transactions Image Processing 2011. vol. 20. no. 12. pp. 3350–3364.
Опубликован
2016-04-04
Как цитировать
Князь, В. А., Вишняков, Б. В., Визильтер, Ю. В., Горбацевич, В. С., & Выголов, О. В. (2016). Технологии интеллектуальной обработки информации для задач навигации и управления беспилотными летательными аппаратами. Труды СПИИРАН, 2(45), 26-44. https://doi.org/10.15622/sp.45.2
Раздел
Методы управления и обработки информации
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
