CC BY
22
СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА
ИНФОРМАЦИИ
УДК 004.896; 004.932.72'1
АЛГОРИТМИЧЕСКИЙ КОМПЛЕКС СПЕЦИАЛЬНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ ЗАЩИТЫ
ЗАКРЫТЫХ ЗОН ОТ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ
АППАРАТОВ
В.А. Бондаренко, Г.Э. Каплинский, В.А. Павлова, М.В. Созинова, В.А. Тупиков
Рассматриваются подходы к разработке алгоритмов для применения в составе комплексов специального программного обеспечения оптико-электронных систем. Целью исследования являются расширение области применения и повышение эффективности оптико-электронных систем в части технического зрения в задачах защиты закрытых территорий от несанкционированного проникновения беспилотных летательных аппаратов. Разработанное алгоритмическое обеспечение опробовано в составе оптико-электронных систем комплекса защиты объектов от беспилотных летательных аппаратов и продемонстрировало высокую эффективность.
Ключевые слова: оптико-электронные системы, алгоритм, обработка изображений, автоматическое обнаружение объектов, автосопровождение, распознавание объектов, искусственная нейронная сеть.
Введение. Стремительное развитие технологий беспилотной авиации значительно повысило автономность, дальность действия и спектр решаемых беспилотными летательными аппаратами (БЛА) задач. При этом стоимость БЛА, а также необходимый минимум знаний и навыков для их применения неуклонно уменьшаются. Современные БЛА способны автономно выполнять сложные задачи без непосредственного участия оператора. Грузоподъемность даже кустарно выполненных БЛА позволяет вооружать их как малоразмерными боеприпасами, так и разнообразной разведывательной аппаратурой. В связи с этим особенно остро встает вопрос защиты важных объектов от несанкционированного проникновения БЛА [1]. При этом малый размер, высокая маневренность и автономность БЛА, со-
здают необходимость в разработке сложных многоступенчатых автоматических комплексов обнаружения, распознавания и подавления бортовых систем БЛА.
АО "НПП "АМЭ" совместно с ООО "СТЦ" разработан программно-аппаратный комплекс наземного базирования для защиты объектов от БЛА, включающий:
- радиопеленгатор и аппаратуру анализа радиосигналов;
- комбинированную оптико-электронную систему (КОЭС) в составе широкопольной панорамной (ОЭС ШП) и узкопольной подсистем (ОЭС УП) оптико-электронного мониторинга;
- аппаратуру формирования и постановки помех каналам управления, передачи видеоинформации и спутниковой навигации;
- АРМ оператора.
Система радиопеленгации осуществляет обнаружение сигналов потенциальных объектов-нарушителей охраняемой зоны, пеленгование обнаруженных источников радиоизлучений и их пространственную селекцию на дальних подступах к охраняемому объекту (на дальности до 2 км).
Комбинированная оптико-электронная система переназначена для автоматического обнаружения, селекции, распознавания и автосопровождения объектов. Система выполняет обнаружение и селекцию как автономно, так и по пеленгу от системы радиопеленгации, дальность обнаружения БЛА составляет от 200 до 500 м (в зависимости от размеров БЛА).
ОЭС ШП при обнаружении несанкционированных ЛО в охраняемой зоне передает угловые координаты всех обнаруженных объектов ОЭС УП автоматического обнаружения, распознавания и сопровождения. Внешний вид комбинированной оптико-электронной системы представлен на рис. 1.
ОЭС 111 п
Г13 I ТПВ камеры (616 шт.)
ё
Рис. 1. Конструктивное исполнение элементов КОЭС
4
ОЭС УП предназначена для автоматического обнаружения, распознавания и сопровождения объектов. ОЭС УП принимает пеленги от системы радиопеленгации и угловые координаты от ОЭС ШП, производит поиск объектов по предоставленным пеленгам, их автоматическое распознавание и, в случае классификации объекта как БЛА, переходит в режим автоматического сопровождения. Характеристики системы представлены в таблице.
Характеристики системы ближнего автоматического теле-тепловизионного обнаружения, распознавания и сопровождения в изменяемом поле зрения
Параметры Значения
Максимальная дальность обнаружения малоразмерного БЛА 500 м
Максимальная скорость разворота 60 град/с
СКО измерения угловых координат Не более 1 угл. мин.
Каналы Телевизионный, тепловизионный
Алгоритмическое обеспечение ОЭС ШП
Алгоритм формирования панорамного изображения. Данный алгоритм осуществляет совмещение изображений, получаемых от камер кругового обзора в единое бесшовное панорамное изображение, в несколько этапов:
- устранение дисторсий на получаемых с камер изображениях;
- автоматическая коррекция яркости и контраста изображений;
- объединение исправленных изображений в единое панорамное изображение.
Для устранения дисторсий используется стандартная модель аппроксимации радиальной дисторсии, описываемая выражением
(Г4:И«(Г4:> _ _ (1)
где (х, у) - координаты искажённой точки изображения, (х, у) - координаты исправленной точки изображения, (хс,ус) - центр модели дисторсии фотоприёмника, обычно расположенный в центре изображения.
Дистанция от каждой точки изображения до центра модели радиальной дисторсии фотоприёмника г определяется по формуле:
г = ^(х-хс)2 - (у-Ус)2,
L(r) - функция, определяющая форму дисторсий в применяемой модели, обычно аппроксимируется рядом Тейлора как
¿(г) = к0 + к±г + к2г2 + к3г3 + . . . ,
где набор к = (к0, км) т определяет параметры дисторсии.
Точность модели определяется числом N используемых членов аппроксимирующего ряда.
Для определения параметров модели к (калибровки) используется общепринятый подход [2, 3], в основе которого лежит наложение требований на проекции трёхмерных линий, которые должны быть прямыми линиями на изображениях.
Калибровка выполняется один раз для данной оптической системы, после чего одни и те же калибровочные параметры используются для устранения дисторсий на каждом изображении, поступающем с откалиб-рованного фотоприёмника. После определения параметров модели дисторсии выражение (1) применяется для формирования исправленного изображения.
Для всех исправленных изображений выполняется эквализация их гистограмм [4], а также применяются другие алгоритмы улучшения изображений в случае необходимости, затем из них формируется результирующее панорамное изображение.
Алгоритм автоматического обнаружения объектов на панорамном изображении. Для автоматического обнаружения малоразмерных объектов на панораме, формируемой со стационарно установленной оптико-электронной системы, разработан комплексный двухэтапный алгоритм.
На первом этапе алгоритма производится вычитание усреднённого панорамного изображения фоноцелевой обстановки из текущего панорамного изображения. По результатам вычитания формируется бинарное разностное изображение, на котором нули означают фон, а единицы - подозрительные на объекте зоны.
Усреднённое панорамное изображение формируется по следующей формуле:
= Ь<g¿_1 *Х + 1т1*( 1- Л),
где ЬдI - усреднённое панорамное изображение на текущем кадре, -
усреднённое панорамное изображение на предыдущем кадре, ¡т^ - текущее панорамное изображение, а Я 6 [0; 1] устанавливает время накопления фона, что влияет на соотношение
Точность обнаружения / Число ложных срабатываний.
Абсолютная разность между текущим изображением и усреднённым панорамным изображениями определяется как
й = \Ьд1 - 1т11.
Абсолютная разность вычисляется для каждого пикселя панорамного изображения, и если полученная разница выше порогового значения, й > то в результирующее бинарное изображение записывается единица, иначе - ноль.
Для определения порогового значения вычисляется средняя абсолютная разность между текущим панорамным и усреднённым панорамным изображениями:
1=м,]=и ¿=о,у=о
где М - ширина изображения, N - высота изображения, ^¿у - модуль абсолютной разности между текущим панорамным и усреднённым панорамным изображениями в точке (1,]).
Таким образом, порог минимальной абсолютной разности можно определить как
£ = ¿ауд * ш,
где ш - корректирующий коэффициент, определяемый на этапе настройки системы.
Полученное разностное бинарное изображение после обработки с помощью морфологических операций [5] является входными данными для второго этапа алгоритма.
На втором этапе применяется алгоритм автоматического обнаружения целей, подробно описанный в [6]. Данный алгоритм обнаружения целей основан на построении модели ключевых объектов сцены с использованием данных о количестве, положении и характеристиках объектов, получаемых при последовательной обработке каждого кадра видеопоследовательности. Этот способ предполагает два этапа анализа - пространственный и временной. На этапе пространственного анализа происходит обработка текущего кадра видеопоследовательности, а его результатом является некоторый список подозрительных объектов. На этапе временного анализа результаты пространственного анализа сравниваются с текущей моделью ключевых объектов сцены, после чего модель уточняется и обновляется.
Результатом работы двухэтапного алгоритма автоматического обнаружения объектов на панорамном изображении является список объектов, угловые координаты которых совместно с пеленгами, полученными от системы радиопеленгации, передаются на дополнительный анализ в систему ОЭС УП.
Алгоритмическое обеспечение ОЭС УП.
Получив пеленг подозрительного объекта от системы радиопеленгации либо угловые координаты от ОЭС ШП, ОЭС УП разворачивается по полученным угловым координатам и осуществляет автоматический поиск, распознавание и захват на сопровождение объекта в указанных координатах.
Алгоритмическое обеспечение ОЭС УП состоит из нескольких ключевых частей:
- алгоритма автоматического обнаружения объектов в ТВ и ИК каналах;
- алгоритма автоматического распознавания объектов;
- алгоритма автоматического сопровождения объектов в ТВ и ИК каналах;
- алгоритма мультиспектрального комплексирования ТВ и ИК каналов.
Алгоритм автоматического обнаружения объектов в ТВ и ИК каналах. Данный алгоритм схож со вторым этапом алгоритма автоматического обнаружения целей ОЭС ШП [6], описанным ранее, с той лишь разницей, что бинарное изображение для анализа строится с применением адаптивного алгоритма бинаризации на основе анализа локальных контрастов [7 - 9]. Подобный алгоритм бинаризации позволяет применять его для обработки как изображений, полученных в видимом диапазоне, так и инфракрасных изображений. Его отличительным свойством является инвариантность к чёткости контуров объекта и его освещённости, необходимо лишь, чтобы объект обладал достаточным локальным контрастом на изображении.
Алгоритм автоматического распознавания объектов. Каждый обнаруженный на предыдущем этапе обработки объект подвергается процедуре автоматического распознавания, для которого разработан алгоритм с применением свёрточных нейронных сетей [10 - 14].
Сети свёрточной архитектуры обычно состоят из нескольких идущих друг за другом слоев. Существует множество типов слоев в нейронной сети, наиболее часто используемыми являются слои: свёрточные, активации, субдискретизации, батч-нормализации, полносвязные и т.д.
Основой свёрточных нейронных сетей являются сверточные слои. Отличие данного слоя от полносвязного заключается в том, что каждый нейрон связан только с ограниченным числом соседних нейронов, что позволяет существенно уменьшить число параметров сети. Веса данного слоя представляют собой набор многомерных изображений-фильтров с числом каналов, равным числу каналов входного изображения. В процессе прямого прохода данный фильтр двигают по входному изображению и вычисляют сумму попарных произведений элементов фильтра и значений входного изображения. В итоге на выходе блока получается изображение с количеством каналов, равным количеству фильтров блока.
Операцию свертки можно свести к операции матричного умножения, если предварительно преобразовать входное изображение в матрицу, в которой соседние элементы изображения оказываются в одном столбце. Данное преобразование называется "image to column".
Выходные данные свёрточного слоя поступают на вход слоя активации, который представляет собой нелинейную функцию, которая применяется поэлементно к данным. В данной архитектуре в качестве функции
8
активации использовалась функция «выпрямленный линейный элемент» (Rectified linear unit - ReLU): f(x) = max(0, x). Смысл данной функции заключается в отсечении отрицательной части величины.
Слой субдискретизации производит снижение пространственных размеров данных с помощью функции взятия максимума. По изображению проходит скользящее окно и находится максимум входного изображения в окне. Данные максимумы составляют выход слоя. Уменьшение размеров данных происходит за счет того, что шаг, с которым двигается скользящее окно, больше единицы.
Для ускорения работы сети свертки с большими размерами окна аппроксимируются последовательностью сверток 3х3, что позволяет уменьшить количество параметров сети.
Реализованная в рамках данной работы архитектура включает в себя три Inseption-блока. Количество фильтров в сверточных слоях внутри каждого Inseption-блока одинаково, на первом блоке равно 32, на втором -96, на третьем - 128. В оригинальной версии Inseption-блока используются свертки 1x1 до и после основных сверток блока для ускорения работы сети. В реализованной версии вместо них используется поэлементное линейное преобразование данных. Полная схема данной сети изображена на рис. 2.
В качестве метрики классификации брались точность (precision), полнота (recall) и Fl-мера (F1 — score).
Точность является отношением количества верно соотнесенных к данному классу изображений к количеству изображений, которые сеть отнесла к данному классу. Точность определяется как
tp
precision =-— ,
tp + fp
где tp - число истинно положительных классификаций (объект действительно принадлежит к классу N и отнесён сетью к этому классу), fp - число ложноположительных (объект не принадлежит к классу N, но отнесён сетью к этому классу).
Полнота для класса представляет собой отношение количества изображений, которые верно отнесены к данному классу, к количеству изображений, которые реально принадлежат к этому классу. Полнота определяется как
tp
recall =
tp + fn'
где fn - число ложноотрицательных классификаций (объект принадлежит к классу N, но не отнесён сетью к этому классу). Fl-мера определяется как
precision • recall
F1 = 2
precision + recall
Для обучения сетей использовался алгоритм ADAM [15]. Размер мини-батча был выбран равным 64.
На рис. 3 представлен результат автоматического обнаружения и распознавания БЛА с применением свёрточной искусственной нейронной сети.
Слой линейного преобразования ReLU
__ Слой состыковки __ 1
Слой линейного преобразования ReLU
Слой линейного преобразования ReLU
С вер точный с лойЗхЗ Сверточный слоАЗхЗ
С вер точный слойЗхЗ
ReLU
Слой батч-нормализации
Слой субдикретизации
Рис. 2. Схема применяемой архитектуры свёрточной сети
10
Рис. 3. Результат автоматического обнаружения и распознавания БЛА
Алгоритм мультиспектрального комплексирования ТВ и ИК каналов. Данный алгоритм осуществляет геометрическое и информационное совмещения изображений, получаемых в двух различных диапазонах видимости, с целью улучшения восприятия оператором АРМ (в особенности при плохой освещённости или сложных погодных условиях). Предлагаемый метод мультиспектрального комплексирования подробно описан в [16] и основан на использовании вейвлет-преобразований [17]. В отличие от Фурье-преобразований, вейвлет-базисные функции являются хорошо локализованными, что дает возможность проводить локальный спектральный анализ [18]. Спектральные вейвлет-коэффициенты соответствуют не только амплитудам различных частот, но и различным пространственным участкам на изображении.
Для осуществления быстрого алгоритма вычисления вейвлет-преобразования в качестве базиса выбрана система вейвлетов Хаара [19]. Данная система вейвлетов требует минимум вычислений, что немаловажно в условиях требований выполнения операций совмещения изображений в реальном масштабе времени. Простейшим видом вейвлет-базиса для изображений является разделимый базис, получаемый сжатием и растяжением одномерных вейвлетов. На каждом шаге преобразования выполняются не одно, а два разбиения по частоте. Предположим, имеем изображение размером КХК. Сначала каждая из N строк изображения делится на низкочастотную и высокочастотную половины. Далее каждый столбец делится аналогичным образом. В результате получается четыре изображения размерами N/2^/2: низкочастотное по горизонтали и вертикали, высокочастотное по горизонтали и вертикали, низкочастотное по горизонтали и высокочастотное по вертикали и высокочастотное по горизонтали и низкочастотное по вертикали, как показано на рис. 4.
НЧНЧ ВЧНЧ
НЧВЧ ВЧВЧ
Рис. 4. Структура вейвлет-спектра изображения
Разработанный алгоритм совмещения видеоинформации различных физических каналов на основе анализа информативности вейвлет-коэффициентов представляет собой определенную последовательность операций:
- синхронное вейвлет-преобразование изображений обоих каналов и формирование матриц спектральных вейвлет-коэффициентов для исходных ТВ и ТПВ изображений;
- суммирование с заданными весами соответствующих пар вейвлет-коэффициентов НЧНЧ части вейвлет-спектра (в данной работе значения весов для ТВ и ТПВ каналов приняты равными 0.5);
- сравнение соответствующих пар вейвлет-коэффициентов по величине модуля НЧВЧ, ВЧНЧ и ВЧВЧ вейвлет-спектра и выбор наибольшего из них;
- формирование матрицы результирующего вейвлет-спектра;
- обратное вейвлет-преобразование для получения комплексирован-ного изображения.
Алгоритм автоматического сопровождения объектов в ТВ и ИК каналах. Для реализации устойчивого автоматического сопровождения малоразмерных подвижных объектов разработан комбинированный корреляционно-признаковый алгоритм. Алгоритм основан на параллельном применении двух различных подходов к сопровождению.
В качестве результата автоматического обнаружения и распознавания формируется эталон цели, получаемый из изображения в видимом или инфракрасном спектре либо на основе комплексированного мультиспек-трального изображения (в зависимости от времени суток и установок оператора). Полученный эталон используется в качестве шаблона для корреляционно-экстремального алгоритма поиска с применением нормализованной кросс-корреляции [20, 21] в качестве меры сходства шаблона (эталона) и участка изображения в проверяемых координатах. Аппаратная реализация алгоритма корреляционного поиска позволила выполнять поиск эталона по всему изображению. Поскольку объект претерпевает эволюции в процессе сопровождения (изменения масштаба и ракурса, развороты), необходимо периодически обновлять используемый эталон с заданным периодом либо по значению коэффициента корреляции. Для перезаписи используемого эталона и уточнения границ и размеров сопровождаемого объекта применяется признаковый алгоритм автоматического обнаружения и сопровождения, описанный ранее [6], который периодически определяет и уточняет строб сопровождения цели (описывающий прямоугольник). По уточнённому стробу сопровождения производится перезапись эталона для корреляционного сопровождения.
12
Заключение. Комплекс прошёл ряд испытаний в разных погодных условиях в различное время суток. На рис. 5 представлены примеры изображения с натурных испытаний опытного образца комплекса защиты объектов от беспилотных летательных аппаратов.
□
Рис. 5. Испытания комплекса защиты объектов от БЛА
13
Проведенные испытания доказали эффективность комплекса в части обнаружения, распознавания и подавления БЛА. Комплекс может быть рекомендован к установке на объекты, где необходима защита от несанкционированного проникновения беспилотных летательных аппаратов.
Список литературы
1. Мясников Е.В. Угроза терроризма с использованием беспилотных летательных аппаратов: технические аспекты проблемы // Центр по изучению проблем разоружения, энергетики и экологии при МФТИ. Долгопрудный, 2004. 29 с.
2. Luis Alvarez, Luis Gomez, J. Rafael Sendra. Algebraic Lens Distortion Model Estimation // Image Processing On Line, 2010. №11. P. 1-10.
3. Tsai R.Y. A versatile camera calibration technique for high-accuracy 3D machine vision metrology using off-the-shelf TV cameras and lenses // IEEE Journal of Robotics and Automation RA-3(4), 1987. P. 323-344.
4. Gonzalez R.C., Woods R.E. Digital Image Processing. 2nd edition, Prentice-Hall, 2002. P. 91-94.
5. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений // Красноярск: Изд-во Красноярского университета, 1992. 248 с.
6. Способ автоматического обнаружения объектов на морской поверхности в видимом диапазоне / В.А. Тупиков, В.А. Павлова, В. А. Бонда-ренко, В.А. Александров // Известия Тульского государственного университета. Технические науки. 2016. Вып. 11. Ч. 3. С. 105-121.
7. Sauvola J., Pietikainen M. Adaptive document image binarization // Pattern Recognition, 2000. №33. P. 225-236.
8. Bradley D., Roth G. Adaptive Threshholding Using Integral Image // Journal of Graphics Tools, 2007. Vol. 12. Issue 2. P. 13-21.
9. Shafait F., Keysers D., Breuel T.M. Efficient implementation of local adaptive thresholding techniques using integral images // Proc. SPIE 6815, Document Recognition and Retrieval XV, 681510. 2008. doi: 10.1117/ 12.767755.
10. Backpropagation Applied to Handwritten Zip Code Recognition / Y. LeCun, B. Boser, J.S. Denker, D. Henderson, R.E. Howard, W. Hubbard, L.D. Jackel // Neural Computation. 1989. №1(4). P. 541-551.
11. Goodfellow I., Bengio Y., Courville A. Deep Learning // MIT Press, 2016. 781 p.
12. Deng L., Yu D. Deep Learning: Methods and Applications // Foundations and Trends in Signal Processing, 2013. Vol. 7. Nos. 3-4 P. 197 - 387.
13. Ioffe Sergey, Christian Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift // arXiv preprint. 2015. arXiv:1502.03167.
14. Going deeper with convolutions / C. Szegedy [et al.] // Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. P. 1-9.
15. Kingma D.P., Ba J. Adam: A method for stochastic optimization // ICLR, 2015. P. 1-15.
16. Методы информационного совмещения изображений в многоканальных оптико-электронных системах / В.Н. Фролов, В.А. Тупиков, В.А. Павлова, В.А. Александров // Известия Тульского государственного университета. Технические науки. 2016. Вып. 11. Ч. 3. C. 95-104.
17. Метод комплексирования информации от многоканальной системы с использованием вейвлет-спектров / В.В. Тетерин [и др.] // Оптический журнал. 2006. Т. 73. № 10. С. 47-52.
18. Петухов А.П. Введение в теорию базисов всплесков. Спб.: Изд-во СПбГТУ, 1999. 132 с.
19. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования // ВУС, 1999. С. 1-204.
20. Баклицкий В.К. Корреляционно-экстремальные методы навигации и наведения. Тверь: ТО «Книжный клуб», 2009. 360 с.
21. Методы автоматического обнаружения и сопровождения объектов / Б.А. Алпатов, П.В. Бабаян, О.Е. Балашов, А.И. Степашкин // Обработка изображений и управление. М.: Радиотехника, 2008. 176 с.
Бондаренко Владимир Александрович, зам. начальника центра средств интеллектуальной обработки изображений, bondarenkoanppame. ru, Россия, Санкт-Петербург, АО «Научно-производственное предприятие «Авиационная и морская электроника»,
Каплинский Глеб Эдуардович, начальник отдела прикладного программирования, kaplinskii@,nppame.ru, Россия, Санкт-Петербург, АО «Научно - производственное предприятие «Авиационная и морская электроника»,
Павлова Валерия Анатольевна, канд. техн. наук, заместитель директора, pav-lova@nppame.ru, Россия, Санкт-Петербург, АО «Научно-производственное предприятие «Авиационная и морская электроника»,
Созинова Мария Владимировна, начальник отдела перспективных методов обработки изображения, simmaria@mail.ru, Россия, Санкт-Петербург, АО «Научно-производственное предприятие «Авиационная и морская электроника»
Тупиков Владимир Алексеевич, д-р техн. наук, проф., зам. ген. директора, директор научно-производственного комплекса, tupikov@,nppame. ru, Россия, Санкт-Петербург, АО «Научно-производственное предприятие «Авиационная и морская электроника»
ALGORITHMIC COMPLEX OF SPECIAL PURPOSE SOFTWARE FOR CLOSED ZONES PROTECTION SYSTEM AGAINST UNMANNED AIRCRAFT
V.A. Bondarenko, G.E. Kaplinskiy, V.A. Pavlova, M.V. Sozinova, V.A. Tupikov
15
This article considers approaches to the development of algorithms for built-in advanced software of electro-optical systems. The aim of the study is to expand the scope and to improve the effectiveness of electro-optical systems in tasks of protecting closed areas from unauthorized intrusion of unmanned aerial vehicles (UAV). The developed algorithmic framework was tested in the electro-optical systems of the complex of protection of objects from unmanned aerial vehicles and demonstrated high efficiency.
Key words: electro-optical systems, algorithm, image processing, automatic object detection, auto-tracking, object recognition, artificial neural network.
Bondarenko Vladimir Alexandrovich, Deputy Chief of intellectual image processing center, bondarenko@,nppame. ru, Russia, Saint Petersburg, JSC "Research and Production Enterprise "Air and Marine Electronics",
Kaplinskiy Gleb Eduardovich, Chief of applied programming department, kaplin-skii@,nppame.ru, Russia, Saint Petersburg, JSC "Research and Production Enterprise "Air and Marine Electronics",
Pavlova Valeria Anatolyevna, candidate of technical sciences, Deputy Director of research at Research and production complex of special purpose robotic systems, pavlova@nppame. ru, Russia, Saint Petersburg, JSC "Research and Production Enterprise "Air and Marine Electronics",
Sozinova Maria Vladimirovna, Chief of advanced image processing techniques department, sim-maria@,mail. ru, Russia, Saint Petersburg, JSC "Research and Production Enterprise "Air and Marine Electronics",
Tupikov Vladimir Alekseevich, doctor of technical sciences, professor, Deputy Director General, Director of Research and production complex of special purpose robotic systems, tupikov@nppame. ru, JSC "Research and Production Enterprise "Air and Marine Electronics"
