Определение пространственного положения и распознавание типов летательных аппаратов на основе контурного анализа тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Малышев, Олег Владимирович

• Малышев, Олег Владимирович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Малышев, Олег Владимирович

Введение

Глава 1. Постановка задач и обзор методов

1.1. Постановка задач.

1.2. Обзор методов контурного анализа.

1.3. Обзор методов распознавания образов.

1.4. Обзор методов определения положения.

Глава 2. Определение пространственного положения Л А

2.1. Обработка математических моделей Л А.

2.2. Метод определения пространственного положения Л А

2.3. Оценки точности метода для модельных и реальных полетов

2.4. Выводы.

Глава 3. Распознавание типов и элементов конструкции Л А

3.1. Границы яркостей на монохромных изображениях.

3.2. Распознавание типов ЛА

3.3. Распознавание элементов конструкции Л А.

3.4. Выводы.

Глава 4. Программная реализация

4.1. Подготовительный этап.

4.2. Определение пространственного положения.

4.3. Распознавание типа ЛА.

Введение диссертации (часть автореферата) на тему «Определение пространственного положения и распознавание типов летательных аппаратов на основе контурного анализа»

Важнейшими областями применения радиолокационных и оптико-электронных систем является обнаружение и последующее сопровождение летательных аппаратов (ЛА). Задача обнаружения ЛА решается на этапе предварительной обработки радиолокационных и оптических сигналов фоно-целе-вой обстановки. При последующей обработке радиолокационных и оптических сигналов с целью организации работы систем сопровождения решается задача определения пространственного положения Л А. Важной задачей обработки радиолокационных и оптических сигналов является задача распознавания типов ЛА в полете на фоне небосвода. Традиционно решение задачи распознавания заключается в построении эталонов и решающих правил, позволяющих с требуемой вероятностью отнести изображение реального объекта к одному из заданных классов.

Значительный вклад в создание радиолокационных и оптико-электронных систем, развитие дистанционных методов обнаружения объектов, методов и средств обработки изображений и,распознавания образов внесен специалистами ЦАГИ (г. Москва), ЛИИ им. М.М. Громова (г. Москва), ГОИ им. С.И.Вавилова (г. Санкт-Петербург), НИИКИ ОЭП (г. Сосновый Бор), НПО «Геофизика» (г. Москва), ЦНИИ машиностроения (г. Королев), НИЦ ПВО (г. Тверь) 4ЦНИИ Минобороны России, ИСОИ РАН (г. Самара), ИПМ им. М.В.Келдыша РАН (г. Москва), и ряда других НИУ РАН, промышленности и МО РФ. Разработанный коллективами данных организаций научно-методический аппарат позволяет оптимизировать параметры радиолокационной и оптико-электронной аппаратуры и разрабатывать алгоритмы ее функционирования с учетом целевого назначения.

Тем не менее, задачи определения пространственного положения и распознавания типов Л А в оптико-электронных системах не получили решений, удовлетворяющих современным требованиям в прикладных областях.

Полное решение задачи определения пространственного положения ЛА предполагает определение трех линейных координат центра ЛА и трех угловых координат (рыскания, тангажа, крена) ориентации ЛА. В такой постановке задача определения пространственного положения ЛА требуется при решении задачи распознавания типов ЛА, при определении наиболее уязвимых элементов конструкции Л А, при получении объективной информации о параметрии полета ЛА по его видеозаписи и при калибровке многоканальных пассивных оптико-электронных систем. Перечисленные практически важные задачи говорят об актуальности разработки метода определения пространственного положения Л А.

Цель работы: На основе обработки изображений, полученных из оптического канала ОЭС, разработать:

1. Метод определения пространственного положения ЛА известного типа.

2. Алгоритм определения элементов конструкции ЛА известного типа.

3. Алгоритм распознавания типа ЛА из заданного базового набора.,

В диссертационной работе получены следующие новые научные результаты:

1. Метод определения шести обобщенных координат ЛА известного типа, основан-ный на обработке одного двумерного изображения.

2. Алгоритм определения элементов конструкции ЛА известного типа, основанный на методе определения пространственного положения.

3. Алгоритм распознавания типов Л А из заданного базового набора на основе контурного анализа.

На защиту выносятся следующие положения:

1. Метод определения трех линейных и трех угловых координат пространственного положения ЛА известного типа, основанный на вычислении шести наблюдаемых параметров по внешнему контуру реального изображения Л А.

2. Формула определения расстояния до объекта, основанная на асимптотических оценках точности решения задачи определения пространственного положения.

3. Алгоритм распознавания элементов конструкции Л А известного типа на основе разделения ракурсов.

4. Алгоритм распознавания ЛА на фоне небосвода, основанный на решении задачи определения пространственного положения для каждого типа ЛА из заданного базового набора.

5. Алгоритм построения древовидной структуры контуров границ яркостей на основе спектральных характеристик монохромных изображений.

Диссертация состоит из введения, четырех глав, заключения и списка литературы (99 наименований). Общий объем диссертации - 157 страниц машинописного текста. Диссертация содержит 82 рисунка и 21 таблицу.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Малышев, Олег Владимирович

Основные результаты, полученные в диссертационной работе, можно сформулировать следующим образом:

1. Разработан метод определения трех линейных и трех угловых координат пространственного положения ЛА известного типа через шесть наблюдаемых параметров, вычисляемых по внешнему контуру реального изображения Л А, с точностью по угловым координатам порядка 5 градусов на близких расстояниях и 10-15 градусов на дальних расстояниях.

2. Получена явная формула определения расстояния до объекта через четыре наблюдаемые параметра с относительной погрешностью порядка 10-15%.

3. Разработан алгоритм построения структуры контуров границ яркостей монохромных изображений.

4. Сделан анализ среднего числа вершин выпуклых оболочек на изображениях, что позволяет оценить целесообразность применения инвариантов, основанных на выпуклых оболочках. Среднее число вершин выпуклой оболочки контура реального изображения примерно равно 11.

5. Разработан алгоритм распознавания элементов конструкции Л А известного типа на основе разделения ракурсов.

6. Разработан алгоритм распознавания ЛА на фоне небосвода, основанный на решении задачи определения пространственного положения для каждого типа ЛА из заданного базового набора. Вероятность распознавания колеблется от 99%, когда размер объекта превышает 160 пикселей до 54%, когда размер объекта 25 пикселей. В среднем метод дает приемлемые результаты по вероятности распознавания, когда размер объекта более 35 пикселей.

7. Сделан вывод, что предварительное совмещение выпуклых оболочек существенно ускоряет процесс последующего совмещения контуров сложной геометрической формы в задачах переборного характера. Так, для задачи определения пространственного положения, использование выпуклой оболочки сокращает число затратных по времени операций пересечения контуров с 15'000-20'000 до 10-15.

8. Проведенные исследования показали эффективность контурного анализа для работы с объектами сложной геометрической формы в случае, когда контур не подвергается существенным деформациям.

Заключение

Список литературы диссертационного исследования кандидат технических наук Малышев, Олег Владимирович, 2011 год

1. Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей. // Зарубежная радиоэлектроника. - 1987. № 10. - С. 6-24.

2. Прэтт У. Цифровая обработка изображений. М. Мир.: 1982.

3. Розенфельд А., Дэвис JI.C. Сегментация и модели изображений // ТИИЭР. 1979. - Т.67, №5. - С. 71-82.

4. Абду И.Э., Прэтт УК. Количественный подсчет детекторов контуров, основанный на подчеркивании перепадов яркости с последующим пороговым ограничением // ТИИЭР. 1975. - Т. 67, № 5. - С. 59-70.

5. Роженцов A.A., Хавизов Р.Г., Добрынская H.A. Потенциальная эффективность распознавания объектов по их форме, задаваемой непрерывным контуром // Математические методы распознавания образов, ММРО-12, 2005.-С. 420-423.

6. Дедус Ф.Ф., Махортых С.А., Панкратов А.Н., Устинин М.Н. Об ортогональных разложениях в электронной картографии// Математические методы распознавания образов, ММРО-9, 1999.-С. 173-175

7. Домахин М.А., Местецкий Л.М., Мехедов И.С., Петрова Л.Г. Восстановление полутоновых изображений по изолиниям яркости// Математические методы распознавания образов, ММРО-12, 2005.-С. 305-308.

8. Чуликов А.И., Илюшин В.Л. Детектор границы области на цветных изображениях // Математические методы распознавания образов, ММРО-13, 2007.-С. 430-433.

9. Mortensen E., Barrett W. Intelligent scissors for image composition. Proc. ACM Siggraph, 191-198. 1995.

10. Reese L. Intelligent Paint: Region-Based Interactive Image Segmentation. Master's thesis, Department of Computer Science, Brigham Young University, Provo, UT. 1999.

11. Rother C., Kolmogorov V., Blake A. Grabcut interactive foreground extraction using iterated graph cuts. Proc. ACM Siggraph. 2004.

12. Li Y., Sun J., Tang C.-K., Shum H.-Y. Lazy Snapping, Proc. ACM Siggraph. 2004.

13. Wang C., Yang Q., Chen M., Tang X., Ye Z.F. Progressive Cut. Proc ACM SIG Multimedia. 2006.

14. Vezhnevets V., Konouchine V. "GrowCut interactive multi-label N-D image segmentation by cellular automata, Proc Graphicon. 2005.

15. Фурман Я.А., Кревецкий А.В., Передреев А.К. и др. Введение в контурный анализ; приложения к обработке изображений и сигналов. 2-е изд., испр. - М.:Физматлит, 2003. - 592 с.

16. Розенфельд А. Распознавание и обработка изображений. М.: Мир, 1972.

17. Melkman A. On-line construction of the convex hull of a simple polygon, Info. Proc. Letters 25, 11-12 (1987).

18. Тот Л.Ф. Расположения на плоскости, на сфере и в пространстве. Государственное издательство физико-математической литературы, М. 1958.

19. Грюнбаум Б. Этюды по комбинаторной геометрии и теории выпуклых тел. Наука, М. 1971.

20. Matthew J. Suderman. Incorrect Diameter Algorithms for Convex Polygons, http://cgm.cs.mcgill.ca/%7Eathens/cs507/Projects/2000/MS/ diameter/document. html

21. Бронштейн E.M. Аппроксимация выпуклых множеств многогранниками. Современная математичка. Фундаментальные исследования. Том 22 (2007), 5-37.

22. Каменев Г.К. Оптимальные адаптивные методы полиэдральной аппроксимации выпуклых тел. М.: ВЦ РАН, 2007, 230 с.

23. Ту Дж., Гонсалес Р. Принципы распознавания образов. М: Мир, 1978. -411 с.

24. Фу К. Структурные методы в распознавании образов М.: Мир, 1977. -319 с.

25. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970.- 383 с.

26. Дуда Р., Харт П. Распознавание образов и анализ сцен М.: Мир, 1977.

27. Хорн Б.К.П. Зрение роботов. Мир. М.: 1989.

28. Фомин В.Н. Математическая теория обучаемых опознающих систем. Л.: Изд-во Ленингр. ун-та, 1975. 236 с.

29. Тимофеев A.B. Математическая модель инвариантного восприятия и опознавания по группам преобразований. В кн.: Кибернетика и вычислительная техника. Вып. 21. Киев, 1973. с. 48-54.

30. Тимофеев A.B. Системы инвариантного опознавания и их реализация методами когерентной и некогерентной оптики. Изв. АН СССР. Техническая кибернетика. 1971. №6. с. 155-163.

31. Грановская P.M., Березная И.Я. Запоминание и узнавание фигур. JL: ЛГУ, 1974. 151 с.

32. Якубович В.А. Некоторые общие принципы построения обучаемых опознающих систем // Вычислительная техника и вопросы программирования. Вып. 4. Л.: Изд-во Ленингр.ун-та. 1965. С. 3-72.

33. Харичев В.В., Шмидт A.A., Якубович В.А. Об одной новой задаче распознавания образов // Автоматика и телемеханика, 1973. N 1. С. 109-122.

34. Журавлев Ю.И. Распознавание образов. Избранные научные труды. М.: Магистр, 1998.

35. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. Вып. 33, М.: Наука, 1978, С. 5-68.

36. Федотов Н.Г. Методы стохастической геометрии в распознавании образов. М.; Радио и связь, 1990. 142 с.

37. Фаломкин И.И., Пытьев Ю.П. Адаптивный морфологический алгоритм локализации объектов на изображении // Математические методы распознавания образов, ММРО-12, 2005.-С. 463-466.

38. Пытьев Ю.П., Чуликов А.И. Морфологический алгоритм изображений: итоги и перспективы // Математические методы распознавания образов, ММРО-12, 2005.-С. 414-419.

39. Казанский Н.Л., Хмелев Р.В. Сравнение объекта и эталона по отклонению контуров, Компьютерная оптика, ИСОИ РАН, Самара, вып.20, с.128-133 (2000).

40. Хмелев P.B. Совместное использование структурного анализа и метрики Хаусдорфа при сравнении объекта и эталона. Компьютерная оптика, ИСОИ РАН, Самара, вып.27, с.174-176 (2005).

41. Хмелев Р.В. Поиск впадин в замкнутом невыпуклом контуре, Компьютерная оптика, ИСОИ РАН, Самара, вып.24, с.164-172 (2002).

42. Ермаков A.C., Копылов A.B., Моттль В.В. Построение поля направлений папиллярных линий для распознавания типа узора отпечатков пальцев // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 207-209.

43. Татарчук А.И., Копылов A.B., Ермаков A.C., Моттль В.В. Вычисление гребневого расстояния между особенностями папиллярных линий для распознавания отпечатков пальцев // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 304-307.

44. Вежневец В.П. Локализация человеческого лица на цветном растровом изображении // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 181-182.

45. Глаз A.B., Шлямов Ю.В., Ярцева С.Д. Вежневец В.П. Применение нейронных сетей для распознавания лиц // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 190-191.

46. Фазылов Ш.Х., Тухтасинов М.Т. Об одной алгоритмической схеме задачи распознавания лиц // Математические методы распознавания образов, ММРО-11, 2003.-С. 464-466.

47. Ковальчук А.И., Беллюстин Н.С., Тельных A.A., Яхно В.Г. О методе промежуточного контроля в сложной системе обнаружения и распознавания лиц // Математические методы распознавания образов, ММРО-13, 2007.-С. 478-481.

48. Голов Н.И. Отдельные алгоритмы, применяемые в реализации морфологического метода сравнения радужных оболочек глаз // Математические методы распознавания образов, ММРО-12, 2005.-С. 289-292.

49. Поцепаев Р.В., Петров И.Б. Восстановление траекторий движения пера по изображениям рукописных символов // Математические методы распознавания образов, ММРО-11, 2003.-С. 412-415.

50. Воскресенский Е.М., Царев В.А. Методы управления процессом распознавания текстовых меток на изображениях // Компьютерная оптика, 32, 2008. -С. 413-416.

51. Волотовский C.B., Казанский H.JL, Попов С.Б., Хмелев Р.В. Система технического зрения для распознавания номеров железнодорожных цистерн с использованием модифицированного коррелятора в метрике Хаусдорфа. // Компьютерная оптика, 27, 2005. -С. 177-184.

52. Чернов A.B., Титова O.A., Чупшев Н.В. Автоматическое распознавание контуров зданий на картографических изображениях // Математические методы распознавания образов, ММРО-13, 2007.-С. 424-430.

53. Хавизов Д.Г., Рябинин К.Б. Распознавание 3D изображений групповых точечных объектов по их проволочным моделям на основе кватернионного исчисления// Математические методы распознавания образов, ММРО-13, 2007.-С. 417-419.

54. Гришин В.А. Телевизионный датчик системы управления движением // Математические методы распознавания образов, ММРО-11, 2003.-С. 286-289.

55. Гришин В. А. Монукулярный измеритель дальности и ориентации поверхности // Сб. науч.тр. Искусственный интеллект в технических системах. Вып. 21, гос. ИФТП. М., 2000. С. 47-55.

56. Хачумов В.М., Колычев A.B., Бреус В.В. Определение геометрических параметров подвижных объектов по телевизионным изображениям // Математические методы распознавания образов, ММРО-9, 1999.-С. 236-239

57. Корякин A.B. Комплексное распознавание трехмерных объектов по разнородной видовой информации с использованием теории коллективных решений // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 225-227

58. Корякин A.B. Синтезированное описание трехмерных сцен на основе совместной обработки разноспектральных изображений // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 228-231

59. Корякин A.B. Принципы реализации комплексного распознавания искусственных космических объектов по многоспектральной видовой информации // Математические методы распознавания образов, ММРО-11, 2003.-С. 336-339

60. Каляев И., Протасов В., Шаповал В. Эффективный метод распознавания трехмерных объектов по части KOHTypa//Pattern Recognition and Image Analysis, 8:2 (1998), 196-197

61. Фурман Я.А. Кватернионный анализ изображений // Математические методы распознавания образов, ММРО-11, 2003.-С. 469-471.

62. Фурман Я.А., Хавизов Р.Г. Формирование меры схожести кватернион-ных сигналов при распознавании 3D // Математические методы распознавания образов, ММРО-12, 2005.-С. 479-481.

63. Глаголев А.Н.,Гольдинов М.Я.,Григоренко С.М. Конструкция самолетов. "Машиностроение 1975.

64. Егер С.М.,Лисейцев Н.К.,Самойлович О.С. Основы автоматического проектирования самолетов. "Машиностроение 1986.

65. Энциклопедия современной военной авиации. АСТ, 2001.

66. Меденников П.А., Павлов Н.И. Адаптивный алгоритм и система признакового распознавания // Оптический журнал.-2000.-Т.67.-N1.-0.46-51.

67. Меденников П.А., Павлов Н.И. Визуальное и автоматическое распознавание объектов по " малопиксельным" изображениям // Оптический журнал. -2003.-Т.70.-Ш.-С.40-44.

68. Меденников П.А., Павлов Н.И. Обнаружение малоразмерных объектов на текстурном изображении / / Оптический журнал. -2003.-Т.70.-Ш.-С.82-86.

69. Миронов Б.М., Малов А.Н., Кузнецов В.А. Автоматическое обнаружение распределенных объектов на когерентно-локационных изображениях с учетом априорных данных. Компьютерная оптика, ИСОИ РАН, Самара, вып.32, с.417-422 (2005).

70. Миронов Б.М., Малов А.Н. Сегментация когерентно-локационных изображений со статистически независимыми элементами. Компьютерная оптика, том 32, 4, С.423-427 (2008).

71. Важинский В.Н., Иванова Е.Е., Тетерин В.В. Структурный метод распознавания частично искаженных контурных изображений // Оптический журнал, 1996, № 8, стр.37-42.

72. Мальцев Г.Н. Распознавание объектов при формировании некогерентных изображений в условиях фазовых искажений // Оптический журнал, 1998, № 6, стр.62-66.

73. Шубников Е.И. Нейронная сеть для распознавания образов на принципах адаптивного резонанса // Оптический журнал, 1995, № 4, стр.19-25.

74. Сирота A.A., Соломатин А.И., Воронова Е.В. Двухэтапный алгоритм обнаружения и оценивания границы объектов на изображениях в условиях аддитивных помех и деформирующих искажений. Компьютерная оптика, ИСОИ PAH-, Самара, вып.34, с.109-117 (2010).

75. Сергунин С.Ю., Кумсков М.И. Диалоговое обучение системы распознавания сцен с активным сенсором / / Математические методы распознавания образов, ММРО-12, 2005.-С. 444-447.

76. Грибков И.В., Захаров A.B., Кольцов П.П., Котович Н.В., Кравченко A.A., Куцаев A.C., Николаев В.К. Тестирование алгоритмов предварительной обработки изображений// Математические методы распознавания образов, ММРО-11, 2003.-С. 283-286

77. Жаботинский Ю.Д., Исаев Ю.В. Адаптивные промышленные роботы и г их применение в микроэлектронике. Радио и связь, 1985, 104 с.

78. Вахитов А.Т.,Гуревич JI.C., Павленко Д.В. Обзор алгоритмов стереозре-ния. Стохастическая оптимизация в информатике. Вып. 4 // Под ред. О. Н. Граничина СПб.: СПбГУ ИТМО, 2008. - С. 151-169.

79. Форсайт Д.А., Понс. Ж. Компьютерное зрение: современный подход.-М.: Вильяме. 2004. 928 с.

80. Горелик C.JL, Кац Б.М., Киврин В.И. Телевизионные измерительные системы -М.: Связь, 1980. 168 с.

81. Коротаев В.В., Краснящих А.В. Телевизионные измерительные системы / Учебное пособие.-СПб: СПбГУ ИТМО, 2008. 108 с.

82. Байбородин Ю.В. Основы лазерной техники. М.: ПРИОР, 2008.-388 с.

83. Бруннер. В. Справочник по лазерной технике. М.:Недра, 2007.-544 с.

84. Матвеев И.Н., Протопопов В.В., Троицкий И.Н., Устинов Н.Д. Лазерная локация,- М.: ИМПРА, 2004.-272 с.

85. Венедиктов А.З., Дёмкин В.Н., Доков Д.С. Особенности трехмерного измерения геометрических размеров деталей лазерным триангуляционным способом // Лазеры. Измерения. Информация. Тезисы докладов конференции Санкт-Петербург, 2004. С. 84.

86. Андреев В.Г., Пальчик О.В. Повышение точности измерения геометрических параметров движущихся объектов методом лазерной триангуляции // Датчики и системы. 2004. - № 9. - С. 6-9.

87. Андреев В.Г., Пальчик О.В. Анализ эффективности математического моделирования лазерных триангуляционных измерителей // Приборы и системы. Управление, контроль, диагностика. 2005. - № 2 - С. 32-35.

88. Плотников С.В., Подчернин В.М., Быковская И.В. Исследование и разработка триангуляционных измерителей и их промышленное применение // Наука производству 2003. № 2 (58). - С. 43-44.

89. Селекция и распознавание целей на основе локации/Под. ред. A.JI. Горелика. М.: Радио и связь, 1990. 320 с.

90. Справочник по радиолокации/Под. ред. М. Сколника/Пер. с англ.: Под общ. ред. К.Н. Трофимова. Т.1. Основы радиолокации/Под. ред. Я.С. Ицх-оки. М.: Сов. радио, 1976. 456 с.

91. Стайнберг Б. Формирование локационных изображений в диапазоне СВЧ//ТИИЭР. 1988. №3. С. 25-34.

92. Теоретические основы радиолокации/ A.A. Коростылев, Н.Ф. Клюев, Ю.А. Мельников и др. Под ред. В.Е. Дулевича. М.: Сов. радио, 1978. 608 с.

93. Малышев О.В. Классификация видимых сегментов самолетов для космических изображений // XXXII Гагаринские чтения. Научные труды Международной молодежной научной конференции. 2006. Т.8. С. 64-65.

94. Малышев О. В. Структура и алгоритмы построения границ яркостей фигур изображения// Вестник Рыбинской государственной авиационной технологической академии им. П.А. Соловьева. 2011. - Вып. 19. - С. 145 -151.

95. Малышев О. В., Хмаров И. М., Кондрашов Н. Г. Алгоритмы выделения и распознавания находящихся на земле самолетов по результатам их космической фотосъемки// Вестник Московского авиационного институ-та.-2011,- т. -С. 142-149.

96. Малышев О.В., Вишняков A.C., Хмаров И.М., Кондрашов Н.Г. Определение пространственных положений летательных аппаратов по их двумерным динамическим изображениям// Вестник Московского авиационного института-2011. №4. - С. 93-101.