Обработка динамических изображений в телевизионной системе селекции объектов с адаптацией нейросетевого вычислителя и фотоприёмника тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат наук Павлов Виталий Александрович

  • Павлов Виталий Александрович
  • кандидат науккандидат наук
  • 2020, ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого»
  • Специальность ВАК РФ05.12.04
  • Количество страниц 128
Павлов Виталий Александрович. Обработка динамических изображений в телевизионной системе селекции объектов с адаптацией нейросетевого вычислителя и фотоприёмника: дис. кандидат наук: 05.12.04 - Радиотехника, в том числе системы и устройства телевидения. ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого». 2020. 128 с.

Оглавление диссертации кандидат наук Павлов Виталий Александрович

Введение

Глава 1. Методы обнаружения и распознавания объектов на видеопоследовательностях

1.1. Обзор методов обнаружения объектов на изображениях и видеопоследовательностях

1.1.1. Проблематика обнаружения изображений объектов

1.1.2. Известные алгоритмы обнаружения изображений объектов

1.1.2.1. Известные алгоритмы обнаружения малоразмерных ИКО

1.1.2.2. Известные алгоритмы обнаружения и сопровождения малоразмерных наземных и воздушных объектов

1.2. Кодирование источника видеоинформации

1.3. Сегментация изображений

1.4. Постановка задач

Глава 2. Обнаружение и распознавание ИКО на звёздном фоне на дальней дистанции

2.1. Нейросетевые алгоритмы селекции

2.2. Методы адаптации телевизионных систем к динамике сюжета на дальней дистанции

2.3. Выводы по главе

Глава 3. Адаптивное кодирование изображений в задачах автоматического сопровождения ИКО на ближней дистанции

3.1. Концепция взвешенной среднеквадратической ошибки

3.2. Сегментация и кодирование динамических изображений нейросетевыми методами

3.3. Иллюстрации и выводы по главе

Глава 4. Обнаружение, распознавание и сопровождение наземных объектов на

аэрофотоснимках

4.1. Распознавание изображений объектов нейросетевыми методами

4.2. Сопровождение изображений объектов нейросетевыми методами

4.3. Иллюстрации и выводы по главе

Заключение

Список используемых источников

Приложение

Приложение

Приложение

Приложение

Рекомендованный список диссертаций по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Введение диссертации (часть автореферата) на тему «Обработка динамических изображений в телевизионной системе селекции объектов с адаптацией нейросетевого вычислителя и фотоприёмника»

Введение

Актуальность темы исследования. Настоящая диссертационная работа посвящена решению части крупной научной проблемы разработки методов синтеза прикладных телевизионных систем, устанавливаемых на космических и атмосферных беспилотных летательных аппаратах, предназначенных для мониторинга земной поверхности и околоземного пространства. В рамках охарактеризованной проблемы известно множество работ, посвященных методам обнаружения, распознавания, сопровождения объектов и сжатия изображений, формируемых телевизионными системами (системами пассивной оптической локации). Однако известные работы не включают современных технологий и методов синтеза прикладных телевизионных систем, в том числе: минимизации информационного риска в задачах селекции космических объектов; адаптации кадровой частоты для расширения диапазона дальностей обнаружения космических объектов; адаптивного сжатия изображений космических аппаратов при передаче изображений на наземные станции; сопровождения группы наземных объектов в условиях подвижной телевизионной камеры и фона.

В теоретическом плане актуальность работы связана с необходимостью параметрического синтеза прикладной телевизионной системы при совместной обработке видеоинформации в фотоприёмной матрице и бортовом специализированном вычислителе.

В методологическом плане исследование алгоритмов обнаружения, распознавания, сопровождения и адаптивного кодирования изображений объектов в видеопоследовательности является актуальным в силу возросшей потребности в автоматизации и автономности работы бортовых телевизионных систем. Данные системы применяются в таких областях, как: космос (процесс стыковки космических аппаратов (КА), поиск космического мусора, обнаружение и оценка движения искусственных космических объектов (ИКО)), робототехника, промышленность (поиск дефектов в металлах), медицина (анализ медицинских снимков для поиска патологий), мониторинг местности (поиск лесных пожаров,

картография), видеоаналитика (охранные и пропускные системы, системах контроля транспортных потоков, спортивная аналитика), транспорт и т. д.

В практическом плане работа актуальна в силу потребности создания бортовых телевизионных систем для обнаружения, распознавания и сопровождения объектов на звёздном небе и земной поверхности на базе современных технологий, в первую очередь нейросетевых методов, алгоритмов и устройств обнаружения, распознавания, сопровождения и адаптивного кодирования для бортовых телевизионных систем видеоконтроля.

Ключевой особенностью предлагаемой в данной работе системы на основе нейросетевых методов является устойчивость к изменению окружающей обстановки, движению доминантных и фоновых объектов.

Степень разработанности. При решении задачи обнаружения сигнала, разделяемого на фоновый и шумовой сигналы, возникают трудности, связанные с тем, что:

• форма разностного сигнала зависит не только от значения динамического признака различения (смаза), но и от амплитуд сигналов удалённых объектов, форма которых определяется импульсной характеристикой объектива;

• присутствует априорная неопределённость амплитуды и формы доминантного и фоновых сигналов;

• преобразование оптических сигналов в электрические характеризуется потерей инвариантности формы сигнала к его сдвигу относительно решетки светочувствительных пикселов.

Эти особенности не позволяют формализовать априорную информацию о разностном сигнале для фоновых и доминантных объектов, что делает перспективным применение нейросетевых методов селекции сигнала ИКО.

Синтез адаптивных алгоритмов обнаружения, распознавания и сопровождения ИКО опирается и развивает известные результаты по обработке изображений, в том числе системами космического телевидения (Б. А. Алпатов, В. Н. Лагуткин, А. А. Умбиталиев, А. К. Цыцулин, А. В. Морозов, А. В. Корякин,

М. Р. Левек, С. Битеа, А. Е. Колесса, В. С. Киричук, В. Д. Лиференко,

A. В. Бахшиев и др.) [1, 37-47, 52, 53].

На данный момент существуют работы, описывающие алгоритмы селекции ИКО по признакам движения (Б. А. Алпатов); с использованием спектрального преобразования изображения для оценки вектора фона (М. Р. Левек, С. Битеа,

B. Н. Лагуткин, А. Е. Колесса), в том числе с использованием методов кластерного анализа (А. В. Морозов, А. К. Цыцулин) и адаптивной пороговой обработки (А. Е. Колесса); алгоритмы классификации на основе вейвлет признаков (А. В. Морозов, А. К. Цыцулин), геометрических (В. Д. Лиференко, А. В. Корякин) и свёрточных (А. В. Бахшиев) признаков. Однако в этих работах не производится поиск оптимальных значений доминантного признака различия ИКО и адаптация систем селекции к наблюдаемому сюжету.

В области цифровой обработки изображений можно выделить четыре задачи: кодирование источника (сжатие информации), сегментация изображений, обнаружение и сопровождение объектов. Как правило, эти задачи рассматриваются независимо друг от друга. Для повышения качества передаваемой информации следует рассматривать эти задачи совместно. Это позволяет сделать принцип доминантной информации, включающий в себя понятие информационного риска, методологической основой синтеза системы кодирования. Сжатие изображения доминантного объекта и фона с различными коэффициентами сжатия является основным элементом алгоритма адаптивного кодирования.

Синтез алгоритма адаптивного кодирования и оценки параметров ИКО опирается на принцип доминантной информации и развивает известные результаты по кодированию и обработке изображений (В. К. Зворыкин, С. И. Катаев, Р. Гонсалес, Р. Вудс, А. К. Цыцулин, Ю. В. Визильтер, Л. Шапиро, Дж. Стокман, В. А. Сойфер, П. А. Чочиа, В. П. Дворкович, А. В. Дворкович, В. С. Титов и др.) [5, 6, 97-104, 107-128].

Существует множество работ, посвящённых сегментации (Р. Гонсалес, Р. Вудс, П. А. Чочиа и др.), кодированию изображений (Л. Шапиро, Дж. Стокман, В. А. Сойфер, В. П. Дворкович, А. В. Дворкович и др.) и адаптивным системам

технического зрения (В. С. Титов), однако не рассматривается их совместное применение с точки зрения принципа доминантной информации (А. К. Цыцулин) для разделения (С. И. Катаев) доминантной и фоновой информации в пространственной области. Однако в этих работах не производится рассмотрение задач кодирования информации, сегментация изображений, обнаружение и сопровождение объектов.

Синтез адаптивных алгоритмов обнаружения, распознавания и сопровождения наземных объектов на аэрофотоснимках с борта летательного аппарата использует и развивает известные результаты по обработке изображений (П. А. Бакут, П. А. Бакулев, Б. А. Алпатов, П. В. Бабаян, О. Б. Гузенко,

A. Н. Катулев, К. К. Васильев, В. Р. Крашенинников, JI. В. Новоторцев,

B. В Мясников, Ю. В. Визильтер, В. Ю. Волков, И. А Большаков, Н. JI. Казанский, Н. А. Обухова, А. А. Мотыко, С. 3. Кузьмин, В. С. Киричук, М. Zhai, Е. Bochinski и др.) [54-96].

На данный момент существуют работы, которые описывают алгоритмы обнаружения группы объектов, применительно к задаче радиолокации (П. А. Бакут, П. А. Бакулев, Н. JI. Казанский, И. А. Большаков, С. 3. Кузьмин). Для задач обнаружения и сопровождения группы неточечных наземных объектов на последовательности изображений существуют методы, основанные на признаках движения (Б. А. Алпатов, П. В. Бабаян, Н. А. Обухова); пороговые методы (К. К. Васильев, В. Р. Крашенинников, В. В. Мясников); вейвлет-фрактально-корреляционно-статистические подходы (О. Б. Гузенко, А. Н. Катулев); с помощью морфлетных описаний (Ю. В. Визильтер); сегментации (В. Ю. Волков); свёрточных нейронных сетей (М. Zhai) и др.

Применение одиночных алгоритмов сопровождения (G. Nebehay, S. Hare, J. Henriques, Z, Kalal и др.) [77-81] для группы объектов неэффективно из-за высокой вычислительной нагрузки и отсутствия автоматической селекции и инициализации. Существующие на данный момент алгоритмы сопровождения группы движущихся объектов (R. Yao, Н. Wu, Е. Bochinski, Н. А. Обухова, Y. Chen, A. Agarwal и др.) [82-93] показывают свою эффективность в случае

стационарного положения камеры и фона, что невозможно обеспечить в условиях аэрофотосъемки.

Предмет исследования. Рассматриваются телевизионные системы и методы адаптации их работы в условиях наблюдения за подвижными объектами на сложном фоне.

Цель и задачи диссертационной работы. Цель работы заключается в расширении диапазонов дальности при наблюдении (распознавании) видеоинформационной системой динамических изображений искусственных космических и наземных объектов бортовыми телевизионными системами для повышения точности распознавания, снижения передаваемой фоновой информации и устойчивости к сложной фоно-целевой обстановке при сопровождении с использованием нейросетевых методов.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработка и исследование нейросетевого метода обнаружения ИКО на звёздном фоне.

2. Разработка метода адаптации кадровой частоты фотоприёмника и поиск оптимальных пороговых значений.

3. Разработка и исследование нейросетевого метода адаптивного кодирования изображений в задачах автоматического обнаружения ИКО.

4. Разработка и исследование метода обнаружения, распознавания и сопровождения группы наземных объектов с борта летательного аппарата.

Научная новизна работы. Научная новизна диссертационной работы заключается в следующем:

1. Впервые синтезирована и исследована структура адаптивной бортовой телевизионной системы с автоматической селекцией ИКО по признаку скоростного смаза с помощью свёрточной нейронной сети. Получены оценки быстродействия и аппаратных затрат.

2. Впервые синтезирована структура бортовой телевизионной системы с адаптацией кадровой частоты фотоприёмника к дальности до наблюдаемого объекта.

3. Впервые синтезирована и исследована структура бортовой телевизионной системы для адаптивного кодирования видеопоследовательностей, разделимых на доминантный объект и фон.

4. Впервые выявлена и исследована зависимость требуемой вычислительной сложности структур свёрточных нейронных сетей семейства YOLO от сложности модели сцены, включающей сложный фон и наземные обнаруживаемые объекты при наблюдении с борта летательного аппарата.

Теоретическая значимость работы. Впервые благодаря совместному использованию методов теории решений и теории информации найдены оптимальные значения времени накопления кадра и порогов принятия решения, при которых достигается минимальное значение информационного риска при селекции ИКО по признаку скоростного смаза.

Установлено, что:

• При амплитудах и смазах сигнала, превышающих пороговые значения, можно практически свести к нулю информационный риск при передаче решения об обнаружении доминантного сигнала и достичь максимума качества передаваемой информации, ограниченного точностью оценивания и передачи координат объекта.

• Для задачи селекции КА на звёздном фоне при широком диапазоне изменения дальности и, как следствие, амплитуды и формы сигналов применение нейросетевых методов обеспечивает высокую надёжность обнаружения, распознавания и сопровождения сигналов объектов.

Практическая значимость работы. Практическая значимость полученных результатов заключается в следующем:

1. Разработанный метод обнаружения ИКО на дальней дистанции в адаптивной телевизионной системе по признаку скоростного смаза позволяет на порядок расширить горизонт обнаружения по сравнению с системой с фиксированной (не адаптивной) кадровой частотой.

2. Разработанный метод адаптивного кодирования видеопоследовательностей с изображениями ИКО позволяет на порядок повысить коэффициент сжатия без

потери информации о сигнале доминантного объекта по сравнению с системой без адаптации кодирования.

3. Разработанный метод обнаружения и сопровождения группы наземных объектов на сложном фоне на основе свёрточной нейронной сети семейства YOLO позволяет обеспечить высокую точность обнаружения и сопровождения по сравнению с алгоритмом «IOU Tracker» и алгоритмом «TLD».

Основные методы исследования. Для решения поставленных задач применяются три типа методов:

1. методы теории решений и теории информации;

2. методы компьютерного моделирования;

3. методы экспериментальной оценки.

Положения, выносимые на защиту. В ходе решения поставленных задач были сформулированы следующие положения:

1. Повышение дальности автоматического обнаружения ПЕСО в условиях больших вариаций дистанций и формы сигналов объектов и фонов при динамическом смазе изображений можно обеспечить с помощью применения адаптации кадровой частоты и обнаружителя на базе свёрточных нейронных сетей.

2. Повышение сжатия сигналов изображений с сохранением информации о доминантном объекте можно обеспечить за счёт применения разделения видеопоследовательностей на доминантный объект и фон с помощью нейросетевого метода, сегментации изображения и различных значений коэффициента сжатия для доминантного объекта и фона.

3. Для решения задач селекции сигналов объектов и их кодирования с точки зрения достоверности решений и оценок эффективно использование семейства свёрточных нейронных сетей YOLO при условии достаточной сложности структуры сети и полноты обучающей выборки при наблюдении с определяемой сложностью модели сцены, включающей сложный фон и наземные обнаруживаемые объекты.

Достоверность полученных результатов. Достоверность результатов и выводов работы обусловлена совпадением теоретических и экспериментальных

результатов, применением современных методов, вычислительной аппаратуры и программных средств.

Реализация результатов работы. Разработанные методы нашли применение в ряде НИР АО «НИИ телевидения» и АО «ЛОМО», а также в учебном процессе Санкт-Петербургского политехнического университета Петра Великого:

• НИР «Ассистент-НИИТ»;

• НИР «Ассистент ОЭК»;

Апробация работы. Работа в целом обсуждена на секции НТС АО «НИИ телевидения» и отдельные вопросы обсуждены на конференциях:

• Международная конференция «Emerging Trends in Applied and Computational Physics», 2019 г.;

• Международная конференция молодых ученых «International youth conference on electronics, telecommunications and information technologies» (YETI), 2019r.;

• Международная конференция «IEEE EExPolytech-2019: Electrical Engineering and Photonics», 2019 г.;

• 15-я международная конференция «Телевидение: передача и обработка изображений» 2018 г.;

• Всероссийская астрометрическая конференция «Пулково-2018», 2018 г.;

• 18-я международная конференция «Цифровая обработка сигналов и ее применение - DSPA-2016», 2016 г.;

• XLIV «Неделя науки» СПБПУ, 2015 г.

Публикации. По материалам диссертации опубликовано 18 научных работ, из них 9 статей в журналах из перечня ВАК, в том числе 1 статья без соавторов; 8 докладов на научно-технических конференциях; 1 свидетельство о государственной регистрации программы для ЭВМ.

Соответствие паспорту специальности. Представленные в данной работе исследования соответствуют пунктам 5, 6 и 7 специальности 05.12.04 -«Радиотехника, в том числе системы и устройства телевидения»:

• Исследование и разработка новых телевизионных систем и устройств с целью повышения качества изображения и помехоустойчивости работы;

• Исследование и разработка радиотехнических систем и устройств передачи информации, в том числе радиорелейных и телеметрических, с целью повышения их пропускной способности и помехозащищенности;

• Разработка методов и устройств передачи, приема, обработки, отображения и хранения информации. Разработка перспективных информационных технологий, в том числе цифровых, а также с использованием нейронных сетей для распознавания изображений в радиотехнических устройствах.

Личное участие соискателя. Основные результаты диссертации получены соискателем лично. Автор диссертации самостоятельно проводил исследование и предлагал новые алгоритмы для решения поставленных задач, проводил программное моделирование, осуществлял анализ полученных данных. Вклад автора в результаты, опубликованные в соавторстве, отмечен в заключении в конце текста диссертации.

Структура и объем. Диссертация содержит введение, 4 главы, заключение, список литературы, включающий 150 наименований. Основная часть работы изложена на 102 страницах. Общий объем работы 128 стр., включая 43 рисунка, 11 таблиц и 3 акта внедрения результатов.

Глава 1. Методы обнаружения и распознавания объектов на видеопоследовательностях

1.1. Обзор методов обнаружения объектов на изображениях и видеопоследовательностях

В настоящее время системы компьютерного зрения активно используются в различных областях [1-8]: промышленность, космос, сопровождение объектов, медицина, транспорт, безопасность и т. д. Основная цель систем компьютерного зрения заключается в обработке изображений и извлечении полезной информации.

На выбор метода автоматической селекции объектов влияют два фактора: движение телевизионной камеры и фона. Таким образом, можно выделить два случая [2, 6]:

• неподвижная камера и постоянный фон;

• движущаяся камера и изменяющийся фон.

Методы, относящиеся к первой категории, применяются для обработки последовательности изображений и не требуют предварительного обучения. Для начальной обработки используется разделение объекта и фона по яркости с помощью сравнения с пороговым значением отношения сигнал/шум (или объект/фон) [9, 10]. При фиксированном (наземном) положении камеры и статичном фоне для обнаружения объектов следует использовать информацию предыдущего кадра, соседних кадров или модель фона. При этом возможно покадровое обнаружение и распознавание. В основе таких методов [1] лежит идея отделения подвижных частей изображения от неподвижного фона с помощью сегментации движущихся с одинаковой скоростью областей [2]. Можно выделить 4 категории методов автоматической селекции, широко используемых в первом случае [2]: вычитание фона, методы временной разности, вероятностные методы, методы оптического потока.

Обнаружение на фоне («окрашенном» шуме) имеет одну из канонических структур в виде оценивателя-вычитателя [11]. Основная идея инженерных методов вычитания фона заключается в разности между пикселями текущего кадра и

моделью фона, которая должна регулярно обновляться. Метод вычитания фона можно описать следующим выражением:

где N и М- ширина и высота изображения, В(п, т) - шаблонное изображение (или модель фона), /(«, т) - текущий кадр, 5 - пороговое значение. Если значение слева больше порогового значения, то пиксель (п, т) принадлежит переднему плану (или объекту), иначе - фону. Главным недостатком этих методов является возможное отнесение фоновых пикселей к пикселям переднего плана из-за различных факторов: падающий снег, дождь, тени движущихся объектов.

В методах временной разности применяется вычитание пикселей двух и более последовательных кадров для отделения объектов переднего плана от фона. В простейшем случае из каждого пикселя текущего кадра вычитается соответствующий ему пиксель предыдущего:

где 1{п, т, к) - текущий кадр, 1{п, т, к-1) - предыдущий кадр, к - номер кадра, 5 - пороговое значение. Если значение слева больше порогового значения, то пиксель (п, т) принадлежит переднему плану (или объекту), иначе - фону. Такие методы хорошо определяют динамические изменения сцены.

В вероятностных методах [12] модель фона является линейной комбинацией одномерных нормально распределенных случайных величин. Определение распределений, которые относятся к фону выполняется с помощью оценки времени существования и дисперсии каждого распределения в смеси. Пиксели, значения которых не укладываются в фоновые распределения, относятся к объекту.

Для выделения переднего плана также применяется метод оптического потока. Оптическим потоком [2] является отображение видимого движения, представляющего собой смещение каждого пикселя между двумя изображениями. Подход основан на предположении, что для фрагментов видеопоследовательности, которые содержат движущиеся объекты, можно вычислить величину скорости и

(1.1)

|/(п,т,к)-1 (п,т,к-\)\ >8, п = \,...,К,п = \,...,М

(1.2)

направление движения в каждой точке. Уравнение оптического потока выглядит следующим образом:

1хт + 1уп + 1к = О, (1.3)

где 1Х,1 л 1к- значения пространственно-временных градиентов оптического потока в точке (х,у); т ип - горизонтальная и вертикальная компоненты

скорости оптического потока.

Одним из методов решения уравнения оптического потока является алгоритм Лукаса-Канаде [13], который опирается на предположение о том, что в окрестности каждого пикселя р значение оптического потока одинаково. Таким образом, уравнение оптического потока может быть решено методом наименьших квадратов:

Х/А Т11 1 п ту и "ил"

X/ / ^и т I т т _ V

Также существует ряд методов решения уравнения оптического потока [14,

15].

В случае подвижной съёмки применяется алгоритм обнаружения, основанный на классификаторе (метод опорных векторов [2, 16], искусственная нейронная сеть [2, 16, 17], деревья решений [18]). Данный классификатор обучается на наборе изображений при фиксированном числе классов. Можно выделить две категории методов [7, 16, 19, 21]: двухэтапные и одноэтапные.

В двухэтапных методах выполняется классификация объектов по сформированным наборам признаков. Признак - это числовая характеристика, которая описывает свойства объекта, в данном случае - изображения. Все признаки можно разделить на естественные и искусственные [1]. Первая категория включает в себя признаки, которые можно получить, анализируя изображение: яркость, интенсивность и т.д. Признаки второй категории получают путем обработки естественных признаков. Можно выделить следующие признаки:

• вероятностные признаки изображения [1, 3] (основные характеристики, которые можно рассчитать по гистограмме: среднее значение яркости, дисперсия)

• спектрально-пространственные признаки [3, 101];

• геометрические признаки [101];

• топологические признаки [101];

• текстурные признаки (локальные двоичные шаблоны [22]);

• ключевые точки [7, 23];

• признаки Хаара [7, 24, 25];

• гистограмма ориентированных градиентов [26];

• свёрточные признаки [16, 17, 19, 21].

Важным свойствам признаков [101] является инвариантность к изменениям положения, формы и размеров объекта; шумовым и динамическим искажениям; яркостным искажениям; произвольным аффинным преобразованиям; изменению ракурса съемки объекта.

В данных методах изображение обрабатывается скользящим окном обработки [7, 26]. В каждом окне извлекается набор признаков, который обрабатывается обученным классификатором для определения наличия объекта в данном окне обработки [7].

К двухэтапным методам можно отнести такие методы, как: детектор Виолы-Джонса [24], детектор Далала-Тригса [26], метод основанный на модели деформируемых фрагментов [28], семейство Я-СЫИ [29, 30, 31] и др.

В одноэтапных методах [21] применяются свёрточные нейронные сети [16, 17], на вход которых изображение подаётся целиком. В качестве признаков применяются свёрточные признаки, которые формируются в процессе обучения. Результатом работы являются вероятности принадлежности объектов к заданным классам и координаты ограничивающих прямоугольников.

Свёрточной нейронной сетью (СНС) является специальный вид нейронной сети, предназначенный для работы с данными, имеющими сеточную топологию. Подобную структуру имеют изображения, которые рассматриваются как

двумерная сетка пикселей. Основной математической операцией в СНС является линейная операция свёртки. В общем случае свёрточная нейронная сеть состоит из трёх типов слоёв: свёрточный слой, слой субдискретизации и полносвязный слой. Пример структуры свёрточной нейронной сети представлен на рисунке 1.1.

Свёрточный слой содержит набор фильтров, параметры которых настраиваются во время обучения сети. Высота и ширина фильтров меньше, чем у входных данных. Для расчета карты признаков считается свёртка каждого фильтра с входным тензором карт признаков. Выходной тензор свёрточного слоя получается путем наложения карт признаков всех фильтров по измерению глубины. Поскольку ширина и высота каждого фильтра выбирается так, чтобы быть меньше, чем вход, каждый нейрон в карте активации связан только с небольшой локальной областью входного объема. Другими словами, размер рецептивного поля каждого нейрона невелик и равен размеру фильтра. Локальная связность свёрточного слоя позволяет сети формировать фильтры, которые максимально реагируют на локальную область ввода, тем самым используя пространственную локальную корреляцию ввода (для входного изображения пиксель больше коррелирует с соседними пикселями, чем с дальними пикселями). Кроме того, поскольку карта признаков получается путем выполнения свертки между фильтром и входом, параметры фильтра являются общими для всех локальных позиций.

Слой субдискретизации обычно включается между двумя последовательными сверточными слоями. Уровень субдискретизации сокращает количество параметров и вычислений за счет понижающей дискретизации. Функция объединения может быть максимальной или средней.

К одноэтапным подходам относятся SSD [20], семейство YOLO [35, 36] и др.

Рисунок 1.1- Пример структуры свёрточной сети

1.1.1. Проблематика обнаружения изображений объектов

Обнаружение и сопровождение одного или нескольких объектов на изображении или последовательности изображений являются важными задачами в области компьютерного зрения и пассивной оптической локации. Наиболее актуальными из этого спектра являются задачи наблюдения за интересующим объектом, оценка его формы, класса и траектории.

Похожие диссертационные работы по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Список литературы диссертационного исследования кандидат наук Павлов Виталий Александрович, 2020 год

Список используемых источников

А1. Павлов, В. А. Применение свёрточных нейронных сетей для обнаружения и распознавания искусственных космических и наземных объектов / В. А. Павлов // Радиотехника. - 2019. - Т. 83. - № 12(20). - С. 58-67.

А2. Павлов, В. А. Классификация малоразмерных изображений космических объектов по признакам движения с помощью обучаемого алгоритма / А. К. Цыцулин, А. В. Морозов, А. И. Бобровский, Ю. В. Баскакова, В. А. Павлов // Вопросы радиоэлектроники. Серия Техника телевидения. - 2018. - № 3. - С. 72-80.

АЗ. Павлов, В. А. Адаптация кадровой частоты к этапам наблюдения в системе контроля сближения космических аппаратов [Текст] / А. К. Цыцулин, А. В. Девяткин, А. И. Бобровский, А. В. Морозов, Д. Л. Горшанов, В. А. Павлов // Вопросы радиоэлектроники. Серия Техника телевидения. -2019. -№ 1. -С. 31-38.

А4. Павлов, В. А. Адаптивное кодирование изображений, разделимых на доминантный объект и фон [Текст] / А. К. Цыцулин, В. А. Павлов, А. И. Бобровский, А. В. Морозов, И. А. Зубакин // Вопросы радиоэлектроники. Серия Техника телевидения. - 2019. - № 3. - С. 75-85.

А5. Павлов, В. А. Информационные оценки в задачах обнаружения -оценивания - передачи сигнала в космическом телевидении [Текст] / А. К. Цыцулин, В. А. Павлов, А. И. Бобровский, А. В. Морозов // Вопросы радиоэлектроники. Серия Техника телевидения. - 2019. - № 3. - С. 61-74.

А6. Павлов, В. А. Выбор архитектуры нейронной сети для обнаружения и классификации изображений космических объектов [Текст] / А. И. Бобровский, А. В. Морозов, А. Г. Чепелев, В. А. Павлов, В. В. Галанов // Вопросы радиоэлектроники. Серия Техника телевидения. - 2020. - № 1. - С. 64-73

А7. Павлов, В. А. Применение свёрточной нейронной сети для сопровождения объектов на последовательности аэрофотоснимков [Текст] / С. Б. Макаров, А. И. Бобровский, В. А. Павлов, А. К. Безбородов // Вопросы радиоэлектроники. Серия Техника телевидения. - 2020. - № 2. - С. 3-18.

А8. Павлов, В. А. Применение свёрточных нейронных сетей для автоматической селекции малоразмерных искусственных космических объектов на оптических изображениях звёздного неба [Текст] / А. К. Цыцулин, А. И. Бобровский, А. В. Морозов, В. А. Павлов, М. А. Галеева // Оптический журнал. - 2019. - Т. 86. № 10. - С. 30-38.

А9. Павлов, В. А. Помехоустойчивость классификации объектов по признаку скоростного смаза [Текст] / А. К. Цыцулин, В. А. Павлов, А. И. Бобровский, А. В. Морозов, В. А. Рогачёв // Вопросы радиоэлектроники. Серия Техника телевидения. - 2020. - № 3. - С.53-67.

А10.Pavlov, V. Automatic detection of objects on star sky images by using the convolutional neural network [Текст] / A. Bobrovsky, M. Galeeva, A. Morozov, V. Pavlov, A. Tsytsulin // Journal of Physics: Conference Series. - 2019. - № 1236. -C. 1-6.

A11. Pavlov, V. Adaptation of frame frequency to observation stages at control of spacecraft convergence [Текст] / A. Devyatkin, A. Tsytsulin, A. Bobrovsky, A. Morozov, D. Gorshanov, V. Pavlov // Journal of Physics: Conference Series. - 2019. -№ 1236. -C. 1-4.

A12.Pavlov, V. A. Detection and recognition of objects on aerial photographs using convolutional neural networks [Текст] / V. A. Pavlov, M. A. Galeeva // Journal of Physics: Conference Series. - 2019. -№ 1326. - C. 1-6.

A13.Pavlov, V. A. Taking into Account Noise and Background Information During Transmitting of Decisions on Signal Detection-Estimation [Текст] / A. K. Tsytsulin, A. V. Morozov, A. I. Bobrovsky, V. A. Pavlov, M. A. Galeeva // IEEE International Conference on Electrical Engineering and Photonics (EExPolytech), St. Petersburg, Russia.-2019.-C. 124-127.

А14.Свид. 2019616555 Российская Федерация. Свидетельство об официальной регистрации программы для ЭВМ. Программа для сжатия фрагментов изображения с разным коэффициентом сжатия для доминантной и фоновой информации с автоматической селекцией с сегментацией доминантной информации / А. К. Цыцулин, А. И. Бобровский, В. А. Павлов, И. А. Зубакин; заявитель и

правообладатель Акционерное общество «Научно-исследовательский институт телевидения». - № 2019616555; заявл. 13.05.2019; опубл. 24.05.2019, Реестр программ для ЭВМ. - 8 с.

А15.Павлов, В. А. Реализация модуля сопровождения объектов в видеопотоке, получаемом с летательного аппарата [Текст] / В. А. Павлов, С. В. Завьялов, С. В. Волвенко // Неделя науки СПБПУ 2015. Материалы научного форума с международным участием. Институт физики, нанотехнологий и телекоммуникаций. - 2015. - С. 66-69.

А16.Павлов, В. А. Реализация программного модуля сопровождения объектов в видеопотоке с беспилотного летательного аппарата [Текст] / В. А. Павлов, С. В. Завьялов, С. П. Нужный, С. В. Волвенко // Доклады 18-й международной конференции «Цифровая обработка сигналов и ее применение - Э8РА-2016» №ХУШ, 2. - 2016. - С. 629-633.

А17.Павлов, В. А. Применение свёрточной нейронной сети для обнаружения и сопровождения нескольких объектов в видеопотоке с борта летательного аппарата [Текст] / В. А. Павлов, С. С. Крылов, А. И. Бобровский // Материалы 15-й международной конференции «Телевидение: передача и обработка изображений». -2018.-С. 138-140.

А18.Павлов, В. А. Алгоритм классификации малоразмерных изображений космических объектов по признакам движения [Текст] / А. В. Морозов, А. И. Бобровский, Ю. В. Баскакова, В. А. Павлов // «Пулково-2018». Тезисы докладов. - 2018. - С. 30.

1. Алпатов, Б. А. Системы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление: монография / Б. А. Алпатов, П. В. Бабаян, О. Е. Балашов, А. И. Степашкин. - М.: Радиотехника. - 2008. - 175 с.

2. Лукьяница, А. А. Цифровая обработка изображений / А. А. Лукьяница, А. Г. Шишкин. - М.: Ай-Эс-Эс Пресс. - 2009. - 518 с.

3. Вудс, Р. Цифровая обработка изображений: монография / Р. Гонсалес, Р. Вудс. -М.: Техносфера. - 2005. - 1072 с.

4. Яне, Б. Цифровая обработка изображений / Б. Яне. - М.: Техносфера, - 2007. - 584 с.

5. Визильтер, Ю. В. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий / Ю. В. Визильтер, С. Ю. Желтов, А. В. Бондаренко, М. В. Ососков, А. В. Моржин. -М.: Физматкнига. -2010. - 672 с.

6. Шапиро, JI. Компьютерное зрение / JI. Шапиро, Дж. Стокман; Пер. с англ. -М.: БИНОМ. Лаборатория знаний. - 2006. - 752 с.

7. Клетте, Р. Компьютерное зрение. Теория и алгоритмы: пер. с англ. А. А. Слинкин. / Р. Клетте. - М.: ДМК Пресс. - 2019. - 506 с.

8. Форсайт, Д. А. Компьютерное зрение. Современный подход / Д. А. Форсайт, Ж. Понс. - М.: Издательский дом «Вильяме». - 2004. - 928 с.

9. Шакенов, А. К. Алгоритм фильтрации для обнаружения объектов по изображениям, зарегистрированным матричным фотоприемником в режиме микросканирования / А. К. Шакенов, Д. Е. Будеев // XXXVI международная научно-практическая конференция «Технические науки - от теории к практике»: Сборник статей. - 2014. - № 36. - С. 61-72.

10. Катулев, А. Н. Адаптивный метод и алгоритм обнаружения малоконтрастных объектов оптико-электронным средством / А. Н. Катулев, А. А. Колонсков, А. А. Храмичев, С. В. Ягольников //Оптический журнал. - 2014. -Вып. 2(81).-С. 29-39.

11. Ван Трис, Г. Теория обнаружения, оценивания и модуляции / Г. Ван Трис. -М.: Сов. Радио. - 1972, Т. 1. - 744 с.

12. Бакут, П. А., Телевизионная следящая система с байесовским дискриминатором цели / П. А. Бакут, В. Г. Лабунец // Зарубежная радиоэлектроника. - 1987. -№ 10. - С. 81-93.

13. Lucas, В. An Iterative Image Registration Technique with Applications in Stereo Vision / B. Lucas, T. Kanade // In: Proc. DARPA Image Understanding Workshop, Washington. - 1981. - C. 121-130.

14. Barron, J. L. Performance of Optical Flow Techniques / J. L. Barron, D. J. Fleet, S. S. Beauchemin. // International Journal of Computer Vision. - 1994. -№. 12. - C. 43-77.

15. Horn, В. K. P. Determining Optical Flow / В. K. P. Horn, B. G. Schunk. // Artificial Intelligence. - 1981. - 17. - C. 185-201.

16. Хайкин, С. Нейронные сети. Полный курс / С. Хайкин. - М.: издательский дом Вильяме. - 2006. - 1104 с.

17. Николенко, С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. - СПб.: Питер. - 2018. - 480 с.

18. Breiman, L. Classification and Regression Trees. / L. Breiman, J. H. Friedman, R. A. Olshen, C. J. Stone. - Wadsworth & Brooks. - 1984. - 368 c.

19. Redmon, J. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2016. - C. 779-788.

20. Liu, W. SSD: single shot multibox detector / W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. E. Reed // IEEE European Conference on Computer Vision (ECCV). -2016. -C. 21-37.

21. Potapov, A. S. Semantic image retrieval by uniting deep neural networks and cognitive architectures / A. S. Potapov, I. N. Zhdanov, О. V Shcherbakov et al. // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), IET. - 2018. - T. 10999. - C. 196-206.

22. Ojala, T. Comparative Study of Texture Measures with Classification Based on Feature Distributions / T. Ojala, M. Pietikainen, D. Harwood // Pattern Recognition. -1996.-T. 29.-C. 51-59.

23. Lowe, D. Object recognition from local scale-invariant features / D. Lowe // In IEEE Computer vision. The proceedings of the seventh IEEE international conference. -1999.-T. 2.-C. 1150-1157.

24. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features / P. Viola, M. Jones // proceedings IEEE Conf. on Computer Vision and Pattern Recognition. -2001. -C. 511-518.

25. Papageorgiou, С. A general framework for object detection / C. Papageorgiou, M. Oren, T. Poggio //Proceedings of the IEEE International Conference on Computer Vision. - 1998. - T. 6. - C. 555-562.

26. Dalai, N. Histograms of oriented gradients for human detection / N. Dalai. B. Triggs //IEEE Computer Society Conference on Computer Vision and Pattern Recognition. - Т. 1. - C. 886-893.

27. Felzenszwalb, P. F. Object detection with discriminatively trained part based models / P. F. Felzenszwalb, R. B. Girshick, D. McAllester, D. Ramanan // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2010. - № 32(9). - C. 1627-1645.

28. Girshick, R. Rich feature hierarchies for accurate object detection and semantic segmentation / R. Girshick, J. Donahue, T. Darrell, J. Malik. // In Computer Vision and Pattern Recognition (CVPR). - 2014. - C. 580-587.

29. Uijlings, J. R. Selective search for object recognition / J. R. Uijlings, К. E. van de Sande, T. Gevers, A. W. Smeulders. // International journal of computer vision.-2013.-№ 104(2). -C. 154-171.

30. Girshick, R. Fast R-CNN / R. Girshick // Proceedings of the International Conference on Computer Vision (ICCV). - 2015. - C. 1440-1448.

31. Ren, S. Faster R-CNN: Towards real-time object detection with region proposal networks / S. Ren, K. He, R. Girshick, J. Sun, // in IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2017. - T. 39. - № 6. - С. 1137-1149.

32. Lin, Tsung-Yi. Feature Pyramid Networks for Object Detection / Tsung-Yi Lin, P. Dollar, R. Girshick // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, Ш. - 2017. - C. 936-944.

33. K., He, Mask R-CNN / K. He, G. Gkioxari, P. Dollar // IEEE International Conference on Computer Vision (ICCV) - 2017. - C. 936-944.

34. Умбиталиев, А. А. Теория и практика космического телевидения / А. А. Умбиталиев, А. К. Цыцулин, Г. В. Левко, В. В. Пятков, А. В. Кузичкин, С. В. Дворников, Н. Н. Шипилов, А. А. Манцветов, Д. Ю. Адамов, А. И. Бобровский, В. В. Козлов, Ю. Г. Богданов, А. Б. Царелунго, С. М. Ибатуллин,

К. В. Иванов, В. В. Зеленова. Под ред. А. А. Умбиталиева, А. К. Цыцулина. - СПб.: НИИ телевидения, 2017. - 368 с.

35. Redmon, J. YOL09000: Better, Faster, Stronger / J. Redmon, A. Farhadi // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI. - 2017. -C. 6517-6525.

36. Redmon, J. Yolov3: An incremental improvement / J. Redmon, A. Farhadi // arXiv preprint arXiv: arXiv: 1804.02767vl. - 2018. - C. 1-6.

37. Ко лесса, A. E. Комплекс алгоритмов автоматического обнаружения космических объектов по оптическим изображениям, оценки угловых координат и параметров орбит / А. Е. Колесса, А. В. Пругло, С. С. Равдин, А. К. Ким, А. П. Лукьянов // Экологический вестник научных центров Черноморского экономического сотрудничества. - 2013. - № 4 (3). - С. 85-90.

38. Лагуткин, В. Н. Частотные алгоритмы адаптивной нелинейной фильтрации последовательностей изображений / В. Н. Лагуткин // Электромагнитные волны и электронные системы. - 2013 - №5 (18). - С. 27-36

39. Levesque, М. P. Detection of artificial satellites in images acquired in track rate mode / M. P. Levesque // Proceedings of the advanced Maui optical and space surveillance technologies conference. - 2011. - C. 66.

40. Levesque, M. P. Image processing technique for automatic detection of satellite streaks / M. P. Levesque, S. Buteau // Defence Research and Development Canada Valcartier. Technical report. - 2007. - 60 c.

41. Levesque, M. P. Evaluation of the iterative methods for image background removal in astronomical images / M. P. Levesque, M.Lelievre // Defence Research and Development Canada Valcartier. Technical note.-2008. - 30 c.

42. Трещалин, А. П. Определение положения быстро движущегося малоконтрастного объекта на зашумленном изображении / А. П. Трещалин, И. С. Осадчий, В. П. Богданов. // Журнал радиоэлектроники. - 2014. - №3. - С. 1-16.

43. Морозов, А. В. Методы обнаружения и сопровождения динамических объектов в космическом телевидении / А. В. Морозов. - Дисс. канд. техн. наук, Санкт-Петербург, 2017. - 162 с.

44. Морозов, А. В. Обнаружение объектов на звёздном фоне /Г. В. Левко, А. И. Бобровский, А. В. Морозов, А. К. Цыцулин // Вопросы радиоэлектроники. Сер. Техника телевидения. - 2016. - № 2. - С. 29-38.

45. Морозов, А. В. Алгоритм обнаружения объектов на фоне звезд / А. В. Морозов // 13-я межд. конф. «Телевидение: передача и обработка изображений»: Материалы конф., г. Санкт-Петербург, 25 - 26 июня 2016 г. - СПб: изд-во ООО «Технолит». - 2016. - С. 76-79.

46. Лиференко, В. Д. Методика распознавания типов космических аппаратов на основе использования признаков, выделенных из двумерного радиолокационного изображения космического аппарата / В. Д. Лиференко, В. О. Королев, Д. Ю. Колесник // Материалы военно-научной конференции «Актуальные научнотехнические аспекты разработки, испытаний и эксплуатации средств ракетно-космической обороны» Военно-космической академии имени А. Ф. Можайского. - СПб.:ВКА имени А.Ф. Можайского. - 2019. - 177 с.

47. Корякин, А. В. Распознавание космических объектов по разнородной видовой информации / А. В. Корякин, И. О. Лутов. - СПб: ВИКУ имени А. Ф. Можайского. - 2000. - 115 с.

48. Визильтер, Ю. В. Структурно-функциональный анализ и синтез глубоких конволюционных нейронных сетей / Ю. В. Визильтер, В. С. Горбацевич, С. Ю. Желтов. // Компьютерная оптика. - 2019. - Т. 43. - №5. - С. 886 - 900.

49. Акинин, М. В. Нейросетевые системы искусственного интеллекта в задачах обработки изображений / М. В. Акинин, М. Б. Никифоров, А. И. Таганов. - М.: Горячая линия - Телеком. - 2017. - 152 с.

50. Житомирский, М. Применение AI в телевизионном вещании/ М. Житомирский // MediaVision. Информационно-технический журнал - Сентябрь 2019. - С 4-11.

51. Ефимов, В. В. Нейрокомпьютеры в космической технике / В. В. Ефимов // Книга 17. - М.: Радиотехника. - 2006. - 320 с.

52. Fomin, I. Object Detection on Images in Docking Tasks Using Deep Neural Networks. /1. Fomin, D. Gromoshinskii, A. Bakhshiev // In: Kryzhanovsky В., Dunin-

Barkowski W., Redko V. (eds) Advances in Neural Computation, Machine Learning, and Cognitive Research. NEUROINFORMATICS 2017. Studies in Computational Intelligence. - Springer, Cham. - 2008. - T. 736. - C. 79-84.

53. Fomin, I. S. Object detection on docking images with deep convolutional network / I. S. Fomin, S. R. Orlova, D. A. Gromoshinskii, A. V. Bakhshiev // Studies in Computational Intelligence. - 2019. - T. 799. - C. 136-143.

54. Бакут, П. А. Обнаружение движущихся объектов / П. А. Бакут, Ю. В. Жулина, Н. А. Иванчук // Под. ред. П. А. Бакута. - М.: Сов. радио. - 1980. -288 с.

55. Жердев, Д. А. Распознавание объектов на радиолокационных изображениях с использованием показателей сопряжённости и опорных подпространств / Д. А. Жердев, Н. JI. Казанский, В. А. Фурсов // Компьютерная оптика. - 2015. - Т. - №2. - С. 255-264.

56. Бакулев, П. А. Радиолокационные системы. Учебник для вузов / П. А. Бакулев. - М. Радиотехника. - 2004. - 320 с.

57. 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.

58. Алпатов, Б. А. Выделение движущихся объектов в последовательности мультиспектральных изображений при наличии геометрических искажений / Б. А. Алпатов, П. В. Бабаян // Вестник РГРТУ. - 2008. - Вып. 23. - С. 1-7.

59. Бабаян, П. В. Слежение за объектом на основе алгоритма сопоставления с эталоном при одновременном наблюдении в видимом и инфракрасном диапазонах / П. В. Бабаян // Цифровая Обработка Сигналов. - 2010. - №4. - С. 18-21.

60. Гузенко, О. Б. Автоматическое обнаружение и сопровождение динамических объектов на изображениях, формируемых оптико-электронными приборами в условиях априорной неопределенности. Методы и алгоритмы управление: монография / О. Б. Гузенко, А. Н. Катулев, А. А. Храмичев, С. В. Ягольников. -М.: Радиотехника. - 2015. - 280 с.

61. Катулев, А. Н. Цифровая обработка 2D слабоконтрастных изображений, формируемых оптико-электронным прибором в сложных фоновых условиях. Обнаружение, распознавание, сопровождение динамических объектов: монография / А. Н. Катулев, А. А. Храмичев, С. В. Ягольников. -М.: Радиотехника. - 2018. - 408 с.

62. Васильев, К. К. Статистический анализ последовательностей изображений: монография / К. К. Васильев, В. Р. Крашенинников. - М.: Радиотехника. - 2017. -248 с.

63. Васильев, К. К., Представление и обработка спутниковых многозональных изображений: монография / К. К. Васильев, В. Е. Дементьев. - Ульяновск: УлГТУ. -2017.-254 с.

64. Новоторцев, JI.B., Нахождение областей, содержащих здания, на аэрофотоснимках / Л.В. Новоторцев, А.Г. Волобой // Труды Юбилейной 25-й Международной научной конференции. - 2015. - С. 85-88.

65. Борзов, С. М. Обнаружение антропогенных зон на основе поиска пространственных аномалий в крупномасштабных спутниковых изображениях / С. М. Борзов, О. И. Потатуркин. // Автометрия. - 2012. - Т. 48. - № 5. - С. 104-111.

66. Мясников В. В, Метод обнаружения транспортных средств на цифровых аэрофото-и космических изображениях дистанционного зондирования Земли / Мясников В. В. Компьютерная оптика, 2012, том 36, №3 С. 429-438.

67. Визильтер, Ю.В. Поиск объектов на изображении с использованием морфлетных описаний / Ю. В. Визильтер, В. С. Горбацевич, Б. В. Вишняков, С. В. Сидякин // Компьютерная оптика. - 2017. - Т. 41. - №3. - С. 406-411.

68. Guzmán, S. Car detection methodology in outdoor environment based on histogram of oriented gradient (HOG) and support vector machine (SVM) / S. Guzmán, A. Gómez, G. Diez, D. S. Fernández // 6th Latin-American Conference on Networked and Electronic Media (LACNEM 2015). - Medellin. - 2015. - C. 1-4.

69. Киричук, В. С. Обнаружение точечных динамических объектов, регистрируемых движущейся камерой / В. С. Киричук, А. К. Шакенов // Автометрия. - 2004. - Т. 40. -№ 1. - С. 3-14.

70. Борзов, С. М. Обнаружение малоразмерных динамических объектов подвижной системой наблюдения / С. М. Борзов, О. И. Потатуркин // Автометрия. - 2012. - Т. 48. - № 1. - С. 23-29.

71. Волков, В. Ю. Сегментация изображений и селекция объектов на основе многопороговой обработки / В. Ю. Волков, О. А. Маркелов, М. И. Богачев // Изв. вузов России. Радиоэлектроника. - 2019. - Т. 22, - № 3. - С. 24-35.

72. Слынько, Ю. В. Решение задачи одновременного сопровождения и оконтуривания методом максимального правдоподобия / Ю. В. Слынько // Цифровая Обработка Сигналов. - 2008. - №4. - С. 7-10.

73. Сирота, А. А. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей / А. А. Сирота, Е. Ю. Митрофанова, А. И. Милованова // Вестник ВГУ, серия: системный анализ и информационные технологии. - С. 2019. - С. № 3. - С. 123— 137.

74. Nasrabadi, N. М. DeepTarget: An Automatic Target Recognition Using Deep Convolutional Neural Networks / N. M. Nasrabadi // in IEEE Transactions on Aerospace and Electronic Systems. - 2019. - T. 55. - № 6. - C. 2687-2697.

75. Zhai, M. Ship Detection Based on Faster R-CNN Network / M. Zhai, H. Liu, F. Sun, Y. Zhang // in Optical Remote Sensing Images. In: Deng Z. Proceedings of 2019 Chinese Intelligent Automation Conference. CIAC 2019. Lecture Notes in Electrical Engineering. - T. Springer, Singapore. - 2020. - C. 22-31.

76. Большаков, И. А. Статистические проблемы выделения потока сигналов из шума / И. А. Большаков. - М.: Советское радио. - 1969. - 464 с.

77. Кузьмин, С. 3. Основы проектирования систем цифровой обработки радиолокационной информации / С. 3. Кузьмин. - М.: Радио и связь: Редакция литературы по кибернетике и вычислительной технике. - 1986. - 354 с.

78. Nebehay, G. Consensus-based matching and tracking of keypoints for object tracking / G. Nebehay, R. Pflugfelder // IEEE Winter Conference on Applications of Computer Vision, Steamboat Springs, CO. - 2014. . - C. 862-869.

79. Hare, S. Struck: Structured Output Tracking with Kernels / S. Hare et al. // In IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2016. - T. 38. - № 10 - C. 2096-2109.

80. Henriques, J. F. High-Speed Tracking with Kemelized Correlation Filters / J. F. Henriques, R. Caseiro, P. Martins, J. Batista // in IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2015. - T. 37. - № 3. - C. 583-596.

81. Kalal, Z. Tracking-Learning-Detection / Z. Kalal, K. Mikolajczyk, J. Matas // in IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2012. - T. 34. - № 7. - C. 1409-1422.

82. Kristan, M. The Seventh Visual Object Tracking VOT2019 Challenge Results / M. Kristan et al. // 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), Seoul, Korea (South). - 2019. - C. 2206-2241.

83. Yao, R. Robust Model-Free Multi-Object Tracking with Online Kernelized Structural Learning / R. Yao // In IEEE Signal Processing Letters. - 2018. - T. 22. - № 12. - C. 2401-2405.

84. Wu, H. Robust online multi-object tracking based on KCF trackers and reassignment / H. Wu, W. Li ff IEEE Global Conference on Signal and Information Processing (GlobalSIP), Washington, DC. - 2016. - C. 124-128.

85. Luo, W. Multiple object tracking: A literature review / W. Luo, J. Xing, X. Zhang, X. Zhao, T. Kim // arXiv preprint arXiv: 1409.7618. - 2014. - C. 1-18.

86. Bochinski, E. High-Speed Tracking-by-Detection Without Using Image Information / E. Bochinski, V. Eiselein, T. Sikora// 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Lecce, Italy. - 2017. - С. 1-6.

87. Обухова, H. А. Обнаружение и сопровождения движущихся объектов методом сопоставления блоков / Н. А. Обухова // Информационно-управляющие системы. - 2004. - № 1, - С. 30-37.

88. Обухова, Н. А. Сегментация объектов интереса на основе признака движения в видеокомпьютерных системах / Н. А. Обухова // Инфокоммуникационные технологии. - 2007. - Т. 5. - № 1. - С. 77-84.

89. Обухова, Н, А. Сегментация и сопровождение объектов в сложных условиях видеонаблюдения / Н. А. Обухова, Б. С. Тимофеев // Информационно управляющие системы. ~ № 6. - 2008. - С. 9-15.

90. Можейко, В. И. Телевизионные методы сопровождения объектов в сложных условиях наблюдения / Можейко В. И, Н. А. Обухова, Б. С. Тимофеев,

B. Т.Фисенко, Т. Ю. Фисенко // Изв. вузов. Приборостроение. - Т. 52. - № 8. -2009. - С. 20-29.

91. Bukey, С. М. Multi-object tracking using Kalman filter and particle filter /

C. M. Bukey, S. V. Kulkami, R. A. Chavan // IEEE International Conference on Power, Control, Signals and Instrumentation Engineering (ICPCSI), Chennai. - 2017. - C. 1688-1692.

92. Li, Q. Kalman Filter and Its Application / Q. Li, R. Li, К. Ц W. Dai // 8th International Conference on Intelligent Networks and Intelligent Systems (ICINIS), Tianjin. -2015. -C. 74-77.

93. Chen, Y. Multi-camera Vehicle Tracking and Re-identification on AI City / Y. Chen et al. // Challenge 2019. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA. - 2019. - C. 1-9.

94. Agarwal, A. Real-Time Multiple Object Tracking (MOT) for Autonomous Navigation / A. Agarwal, S. Suryavanshi // Technical Report. - 2017. - C. 1-5.

95. Тимофеев, Б. С. Адаптивная локальная бинаризация изображений / Б. С. Тимофеев, А. А. Мотыко // Вопросы радиоэлектроники. Серия: техника телевидения. - 2016. - № 4. - С. 55-61.

96. Обухова, Н. А., Программа для автоматической сегментации и трекинга движущихся объектов по видеоряду / Н. А, Обухова, А. А. Мотыко // Свидетельство о государственной регистрации программы для ЭВМ. RU 2020613622 Патентное ведомство: Россия. - Год публикации: 2020. - Номер заявки: 2020612793. - Дата регистрации: 11.03.2020. - Дата публикации: 19.03.2020.

97. Зворыкин, В. К. Телевидение / В. К. Зворыкин, Д. А. Мортон. - М.: ГИФМЛ. - 1956. - 780 с.

98. Березин, В. В. Твердотельная революция в телевидении: Телевизионные системы на основе приборов с зарядовой связью, систем на кристалле и видеосистем на кристалле / В. В. Березин, А. А. Умбиталиев, Ш. С. Фахми, А. К. Цыцулин, Н. Н. Шипилов; Под ред. А. А. Умбиталиева и А. К. Цыцулина. -М.: Радио и связь, 2006. - 312 с

99. Приоров, А.Л. Цифровая обработка изображений: учебное пособие /

A. Л. Приоров, И.В. Апальков, В.В. Хрящев; Яросл. гос. ун-т. - Ярославль: ЯрГУ. -2007.-235 с.

100. Гонсалес, Р. Цифровая обработка изображений в среде МАТЬАВ / Р. Гонсалес, Р. Вудс, С. Эддинс. - М: Техносфера. - 2006. - 616 с.

101. Сойфер, В. А. Методы компьютерной обработки изображений / М. В. Гашников, Н. И. Глумов, Н. Ю. Ильясова, В. В. Мясников, С. Б. Попов,

B. В. Сергеев, В. А. Сойфер, А. Г. Храмов, А. В. Чернов, В. М. Чернов, М. А. Чичева, В.А.Фурсов / Под ред. В. А. Сойфера. - 2-е изд., испр. - М.: Физматлит. - 2003. - 784 с.

102. Дворкович, Цифровые видеоинформационные системы (теория и практика) / В. П. Дворкович, А. В. Дворкович. - Москва: Техносфера. - 2012. - 1008 с.

103. Цыцулин, А. К. Твердотельные телекамеры: накопление качества информации / А. К. Цыцулин, Д. Ю. Адамов, А. А. Манцветов, И. А. Зубакин. -СПб: СПбГЭТУ «ЛЭТИ». - 2014. - 234 с.

104. Сакрисон Д. Лекции по аналоговой связи / пер. с англ. - М.: Мир. - 1974. -168 с.

105. Марр, Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов / Д. Марр //пер. с англ. - М.: Радио и связь. - 1987.

- 400 с.

106. Маригодов, В. К. Синтез оптимальных радиосистем с адаптивным предыскажением и корректированием сигналов / В. К. Маригодов, Э. Ф. Бабуров.

- М.: Радио и связь. - 1985. - 248 с.

107. Чочиа, П. А. Сегментация изображений на основе анализа расстояний в пространстве признаков / П. А. Чочиа // Автометрия. - 2014. - Т. 50. № 6. - С. 97-110

108. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu. // IEEE Trans. Sys., Man., Cyber. : journal. - 1979. - T. 9. - C. 62-66.

109. Гонсалес, P. Цифровая обработка изображений: Пер. с англ. / Р. Гонсалес, Р. Вудс. - М.: Техносфера. - 2012. - 1104 с.

110. Роберте, JI. Автоматическое восприятие трехмерных объектов. Интегральные роботы. / JI. Роберте // пер. с англ. - М.: Мир. - 1973. - Т. 1. - С. 162-208.

111. Sobel, I. Е. Camera models and machine perception /1. E. Sobel // Ph. D. Thesis. Palo Alto, USA: Stanford University. - 1970. - 89 c.

112. Canny, J. A computational approach for edge detection / J. Canny // IEEE Trans. Pattern Anal. Mach. Intel. - 1986. - T. 8. - № 6. - C. 679-698.

113. Фурман, Я. А. Введение в контурный анализ и его приложения к обработке изображений и сигналов / Я. А. Фурман, А. В. Кревецкий, А. К. Передреев и др. -М.: Физматлит, 2003. - 592 с.

114. Torbert, S. Applied Computer Science / S. Torbert. - 2nd ed. Springer. - 2016. -158 c.

115. Fu, K. S. A survey of image segmentation / K. S. Fu, J. K. Mui // Pattern Recogn. - 1981. -T. 13. -№ 1. -C. 3-16.

116. Haralick, R. M. Image segmentation techniques / R. M. Haralick, L. G. Shapiro // Computer Vision, Graph, and Image Process.. - 1985. - T. 29. - № 2. - C. 100-132.

117. Дуда, P. Распознавание образов и анализ сцен / Р. Дуда, П. Харт // Пер. с англ. -М.: Мир, 1976. -512 с.

118. Szeliski, R. Computer Vision: Algorithms and Applications / R. Szeliski. -Springer. - 2010. - C. 286-300.

119. Rother, C. GrabCut: Interactive foreground extraction using iterated graph cuts / C. Rother, V. Kolmogorov, A. Blake // ACM Trans. Graph. - 2004. - T. 23. - C. 309-314.

120. Noh, H. Learning Deconvolution Network for Semantic Segmentation / H. Noh, S. Hong, B. Han// IEEE International Conference on Computer Vision (ICCV), Santiago. -2015.-C. 1520-1528.

121. Badrinarayanan, V. SegNet: A Deep Convolutional EncoderDecoder Architecture for Image Segmentation / V. Badrinarayanan, A. Kendall, R. Cipolla // in IEEE Transactions on Pattern Analysis and Machine Intelligence. -2017. - T. 39. - № 12. - C. 2481-2495.

122. Ronneberger, O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // In: Navab N, Hornegger J., Wells W., Frangi A. (eds) Medical Image Computing and Computer-Assisted Intervention -MICCAI2015. MICCAI 2015. Lecture Notes in Computer Science. - Springer, Cham. -2015.-T. 9351.-C. 234-241.

123. Zhao, H. Pyramid Scene Parsing Network / H. Zhao, J. Shi, Qi, X. Wang, J. Jia // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI. -2017.-C. 6230-6239.

124. Chen, L. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs / L. Chen, G. Papandreou, I. Kokkinos, K. Murphy, A. L. Yuille // in IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2018. - T. 40. - № 4. - C. 834-848.

125. He, K. Mask R-CNN / K. He, G. Gkioxari, P. Dollar, R. Girshick // IEEE International Conference on Computer Vision (ICCV), Venice. - 2017. - C. 2980-2988.

126. Zhang, H. Context Encoding for Semantic Segmentation / H. Zhang et al. //2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT. -2018.-C. 7151-7160.

127. Титов, B.C. Адаптивные видео датчики на базе КМОП приемников излучения с активными пикселями: монография / В. С. Титов, В. С. Яковлева, В. С. Панищев. - Курск, гос. техн. ун-т. Курск. - 2008. - 99 с.

128. Сырямкин, В. И. Адаптивные системы технического зрения: монография / В.И. Сырямкин, М.В. Сырямкин, Д.В. Титов, B.C. Титов, М.И. Труфанов. - 2-е изд., доп. - Москва: РУСАЙНС, 2019. - 448 с.

129. Хелстром, К. Статистическая теория обнаружения сигналов / К. Хелстром. -М.: Иностр. Лит. - 1963.-432 с.

130. Бобровский, А. И. Обработка видеоинформации в адаптивной системе контроля сближения космических аппаратов / А. И. Бобровский // Информация и космос. - 2018, №4. - С. 149-153.

131. Вудворд, Ф. М. Теория вероятностей и теория информации с применениями к радиолокации / Пер. с англ. / Ф. М. Вудворд. - М.: Советское радио. - 1955. -128 с.

132. Ту, Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес. - М.: Мир. - 1978. -412 с.

133. Прэтт, У. Цифровая обработка изображений / У. Прэтт. - М.: Мир. - 1982. -720 с.

134. Цуккерман, И. И. Цифровое кодирование телевизионных изображений / И. И Цуккерман, Б. М. Кац, Д. С. Лебедев и др. - М., Радио и связь. - 1981. - 240 с.

135. Кузьмин, С. 3. Основы проектирования систем цифровой обработки радиолокационной информации / С. 3. Кузьмин. - М.: Радио и связь. - 1986. - 352 с

136. Хромов, Л. И. Основания космической видеоинформатики [Текст] / Хромов, Л. И., А. К. Цыцулин. Вопросы радиоэлектроники. Сер. Техника телевидения. - 2011. - Вып. 2. - С. 3-17.

137. Цыцулин, А. К. Принцип доминантной информации и его приложение к видеоинформатике [Текст] / А. К. Цыцулин, Ш. С. Фахми, Д. Ю. Адамов, А. И. Бобровский, И. А. Зубакин, А. А. Каменев, А. В. Морозов, В. А. Рогачёв, А. В. Черногубов // Вопросы радиоэлектроники. Сер. Техника телевидения. - 2018. -Вып. 4. - С. 3-16.

138. Пинскер, М. С. Вычисление скорости создания сообщений стационарным случайным процессом и пропускной способности стационарного канала / М. С. Пинскер // ДАН СССР. 111. - 1956. - С. 753-756.

139. Малкин, 3. М. О вычислении средневзвешенного значения / 3. М. Малкин. -Препринт ИПА РАН № 137. -2001.-14 с.

140. Хромов, JI. И. Видеоинформатика / Л. И. Хромов, А. К. Цыцулин, А. Н. Куликов. - М.: Радио и связь. - 1991. - 192 с.

141. Березин, В. В. Твердотельная революция в телевидении. Телевизионные системы на основе приборов с зарядной связью, систем на кристалле и видеосистем на кристалле / В. В. Березин, А. А. Умбиталиев, Ш. С. Фахми, А. К. Цыцулин,

H. Н. Шипилов. - М.: Радио и связь. - 2006. - 312 с.

142. [Электронный ресурс]: captain-whu.github.io/DOTA/index.html.

143. [Электронный ресурс].Режим доступа: kaggle.com (дата обращения:

I.09.2019).

144. [Электронный ресурс].Режим доступа: google.ru/maps (дата обращения: 1.09.2019).

145. Everingham, М. The Pascal Visual Object Classes (VOC) Challenge / M. Everingham, L. Van Gool, С. К. I. Williams et al. // International Journal of Computer Vision. - 2010. - № 2. - C. 303-338.

146. Kuhn, H. W. The Hungarian Method for the assignment problem / H. W. Kuhn. -Naval Research Logistics Quarterly Bryn Yaw College. - 1955. - 83 c.

147. Munkres, J. Algorithms for the Assignment and Transportation Problems / J.Munkres // Journal of the Society for Industrial and Applied Mathematics. - 1957. - T. 5. - №. l.-C. 32-38.

148. Luetteke, F. Implementation of the Hungarian Method for object tracking on a camera monitored transportation system // Luetteke F., X. Zhang, J. Franke / ROBOTIK 2012; 7th German Conference on Robotics, Munich, Germany. - 2012. - C. 1-6.

149. Schowengerdt, R. Remote Sensing Models and Methods for Image Processing / R. Schowengerdt. - Academic Press. - 2006. - 560 c.

150. [Электронный ресурс].Режим доступа^юп.сзе.psu.edu/data/vividEval/datase ts/datasets.html (дата обращения: 15.01.2020).

ТООТЖЙОЁАЖ #!Д!РАЩШШ

$ $ $ $ $

о государственной регистрации программы для ЭВМ

№ 2019616555

Программа сжатия фрагментов изображения с разным коэффициентом сжатия для доминантной и фоновой информации с автоматической селекцией и сегментацией доминантной информации

Правообладатель: Акционерное общество «Научно-исследовательский институт телевидения» (1Ш)

Авторы: Цыцулин Александр Константинович (К11), Бобровский Алексей Иванович (1111), Павлов Виталий Александрович (Я и), Зубакин Игорь Александрович (К11)

Заявка № 2019615686

Дата поступления 13 МЭЯ 2019 Г.

Дата государственной регистрации

в Реестре программ для ЭВМ 24 Мая 2019 г.

§Я

пш

ЯНШШШШмМ!

ШШШШШШЯШШШЗтШШШЯ

Руководитель Федеральной службы по интеллектуальной собственности

Т уЩ

Г.П. Ивлиев

^Щштшмжжшжшм-мжшжтжммшшж »%шшж <

ГОСУДАРСТВЕННАЯ КОРПОРАЦИЯ «РОСТЕХ» Акционерное общество «Научно-исследовательский институт телевидения» (АО «НИИ телевидения»)

Политехническая ул., д. 22, Санкт-Петербург, 194021 (812) 297-41-67, факс (812) 552-25-51; E-mail: niitv$niitv.ru, http://www.nii ОГРН 1117847610297, ОКНО 07513895, ИНН 7802774001, КПП 780201001

Г УТВЕРЖДАЮ

Генеральный директор | технических наук, профессор

А. А. Умбиталиев 020 г.

» /Ъ^у/Сг^.!2С

использования результатов диссертационной работы В. А. Павлова «Обработка динамических изображений в телевизионной системе селекции объектов с адаптацией нейросетевого вычислителя и фотоприёмника», представленной на соискание ученой степени кандидата технических наук по специальности 05Л 2.04 - Радиотехника, в том числе системы и устройства телевидения.

Мы, нижеподписавшиеся, комиссия в составе председателя заместителя генерального директора по информационным технологиям доктора технических наук, профессора А. В. Кузичкина и членов главного конструктора кандидата технических наук, А. В. Черногубова, старшего научного сотрудника кандидата технических наук А. В. Денисова удостоверяем, что результаты диссертационного исследования В. А. Павлова, а именно:

1. нейросетевой метод селекции изображений космических объектов на фоне звёзд в широком диапазоне дальностей наблюдения, обеспечивающий высокую достоверность селекции и пригодный для реализации в системах на кристалле;

2. метод кодирования источника в адаптивной видеоинформационной системе, опирающийся на критерий минимума взвешенной среднеквадратической ошибки с различными весами ошибки передачи изображения объекта и фона, позволяет на порядок сократить требуемую скорость передачи информации

использованы при выполнении СЧ НИР «Ассистент-НИИТ», автором написаны раздел 3.5.4 «Автоматическая селекция и обнаружение искусственных космических объектов по динамическим признакам» указанной СЧ НИР, инв. № 29265, 2018 г.

Заместитель генерального директора по информационным технологиям Заслуженный деятель науки РФ

доктор технических наук, профессор

Главный конструктор,

заместитель научного руководителя СЧ НИР «Ассистент-НИИТ» кандидат технических наук

А. В. Черногубов

Старший научный сотрудник с /

ответственный исполнитель СЧ НИР «Ассистент-НИИТ» кандидат технических наук

А. В. Денисов

14 .оч.юъо

ЛОМО

АО'ЛОМО',УЛ.ЧУГУННАЯ,20. 194044 САНКТ-ПЕТЕРБУРГ, РОССИЯ ТЕЛ. (812) 292-5242, ФАКС (812) 542-183Э www.lomo.ru; e-mail: lomo@lomo.sp ru

vS* Ч.

/

АКЦИОНЕРНОЕ ОБЩЕСТВО

JS

L0IV10

"LOMO" JSC, 20. CHUGUNNAYA, 194044 ST PETERSBURG, RUSSIA TEL 7 (812) 292-5242, FAX 7 (812) 542-1839 www.lomo.ru; e-mail: lomo@!omo.sp.ru

ОКПО 07502348. ОГРН 1027802498514, ИНН/КПП 7804002321/780401001

ДАТА НА №

-/Я/ У й0?£' №

утвер:

Заместитель технически

ЛОМО» If I кий \\ JS/i

bmw020

АКТ

внедрения результатов диссертационной работы В. А. Павлова «Обработка динамических изображений в телевизионной системе селекции объектов с адаптацией нейросетевого вычислителя и фотоприёмника», представленной на соискание ученой степени кандидата технических наук по специальности 05.12.04 -Радиотехника, в том числе системы и устройства телевидения

Мы, нижеподписавшиеся, комиссия в составе председателя - начальник ЦКБ АО «ЛОМО», к.т.н. Полищук Г. С. и членов: начальник бюро перспективных разработок АО «ЛОМО», д.т.н., профессор Демин А. В., начальник отделения оптотехники АО «ЛОМО», к.т.н. Трегуб В. П. удостоверяем, что результаты диссертационного исследования В. А. Павлова внедрены в отчёт по НИР «Ассистент-ОЭК», выполненной АО «ЛОМО» в 2018 г., а именно:

1. Нейросетевой метод селекции изображений малоразмерных космических объектов на фоне звёзд по признаку различия векторов скоростного смаза в широком диапазоне дальностей наблюдения, обеспечивающий высокую достоверность селекции и ресурсоемкость, приемлемую для бортового применения, являющийся результатом адаптации многослойной свёрточной нейронной сети типа YOLO к характеристикам селектируемых изображений.

Начальник ЦКБ АО «ЛОМО», к.т.н.

Начальник бюро перспективных разработок, д.т.н., профессор

Начальник отделения оптотехннки, к.т.н.

Г.С. Полищук

A.B. Демин

B.П. Трегуб

о-?<>

.011257

г*-- <-/'•

МИНОБРНДУКИ РОССИИ

федеральное госудэравенное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого» (ФГАОУ ВО «СП6ПУ»)

ИНН 7804040077, ОГРН 1027802505279, ОКПО 02068574 Политехническая ул., 29, Санкт-Петербург, 195251 тел.: »7(812)297 2095,факс: »7(812)552 6080 office@spbstu.ru

УТВЕРЖДАЮ

по образовательной 4 деятельности

^Д /

Ч Е. М. Разинкина

• v

2020г.

Акт

внедрения в учебный процесс Высшей школы прикладной физики и космических технологий результатов диссертационной работы Павлова В.А. «Обработка динамических изображений в телевизионной системе селекции объектов с адаптацией нейросетевого вычислителя и фотоприёмника», представленной на соискание ученой степени кандидата технических наук по специальности 05.12.04 - «Радиотехника, в том числе системы и устройства телевидения».

Результаты диссертационного исследования В. А. Павлова, а именно нейросетевой метод селекции изображений космических объектов на фоне звёзд в широком диапазоне дальностей наблюдения; метод кодирования источника в адаптивной видеоинформационной системе, опирающийся на критерий минимума взвешенной среднеквадратической ошибки с различными весами ошибки передачи изображения объекта и фона, включены в учебный процесс в рамках лекционного курса и семинарских и практических занятий по дисциплине «Спектрально-эффективные сигналы», читаемой для магистров второго года обучения. Кроме того, эти результаты исследований используются при проведении занятий с аспирантами по специальности 11.06.01 «Электроника, радиотехника и системы связи».

Директор ВШПФиКТ

Величко Елена Николаевна

И.о. директора ИФНи

Сороцкий Владимир Александрович

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.