CC BY
278
УДК 681.786
АНАЛИЗ АЛГОРИТМОВ ОБНАРУЖЕНИЯ И ИЗМЕРЕНИЯ
КООРДИНАТ ОБЪЕКТОВ В ОПТИКО-ЭЛЕКТРОННЫХ
СИСТЕМАХ
О.В. Корзунов, А.И. Лужинский
Рассмотрены состав и принцип работы оптико-электронной системы. Перечислены основные алгоритмы обнаружения и измерения координат объектов, применяемые в телевизионном автомате. Предложена методика объединения данных алгоритмов для улучшения качества автоматического сопровождения.
Ключевые слова: оптико-электронная система, телевизионный автомат, алгоритмы, комплексирование.
Активное развитие пилотируемой и беспилотной авиации, а также расширение их скоростных возможностей приводит к необходимости создания таких систем наблюдения, которые позволяли бы выполнять задачи по обнаружению, определению координат и параметров движения воздушных целей в сложной помеховой обстановке.
В связи с этим повышаются требования, предъявляемые к современным комплексам противовоздушной обороны. Это приводит к разработке новых и модернизации существующих комплексов, что, в свою очередь, ведет к развитию новых алгоритмов, способных решать поставленные задачи.
В данной работе будет рассматриваться проблема автоматического сопровождения (АС) оптико-электронной системы (ОЭС) в условиях помех, а также возможность комплексирования алгоритмов обнаружения и измерения координат объектов для решения данной задачи.
ОЭС. Данная система обеспечивает автоматическое обнаружение и сопровождение целей, производит определение угловых координат цели и выдает их в центральную вычислительную систему (ЦВС), для формирования команд управления приводами слежения (ПС).
Функциональная схема ОЭС представлена на рис. 1.
Рис. 1. Функциональная схема ОЭС
164
В данной схеме видеосигнал с камер слежения (телевизионной и тепловизионной - ТВ и ТПВ) обрабатывается в ОЭС. На выходе ОЭС формирует ошибку сопровождения, которая характеризует качество АС. ЦВС, оценивая данный сигнал, формирует команды управления приводами слежения горизонтального и вертикального наведения (ПС ГН и ВН).
Телевизионный автомат. Основным звеном, отвечающим за обработку видеоинформации, обнаружение цели и формировании ошибки сопровождения в ОЭС, является телевизионный автомат (ТА). Функциональная схема ТА представлена на рис. 2.
Рис. 2. Функциональная схема ТА
При устойчивом сопровождении цели ТА вырабатывает признак АС. Заслонения объекта, а также резкое изменение контраста и размера значительно затрудняют его сопровождение и часто ведут к его потере или к переключению на сопровождение другого объекта. При отсутствии оптической связи с объектом либо для исключения переключения на другой объект ТА переходит в режим инерционного сопровождения (ИС) и перестает вырабатывать ошибку сопровождения.
Для улучшения качества АС можно воспользоваться следующими методами:
- улучшить ТА в части алгоритмов распознавания объектов слежения для более устойчивого режима АС;
- модернизировать алгоритмы сопровождения в части прогнозирования координат в режиме собственной инерции.
В данной работе будет рассматриваться первый из представленных методов.
Анализ фоноцелевой обстановки. Одной из главных задач, предшествующих поиску объекта на изображении, является анализ фоноцеле-вой обстановки (ФЦО). ФЦО включает в себя: цели, фон, а также помехи.
165
Для определения сложности ФЦО предлагается воспользоваться критерием однородности, разработанным на основе анализа пространственно-корреляционных свойств излучения атмосферного фона, которые оцениваются по величине радиусов пространственной корреляции, рассчитываемых для фоноцелевого изображения [1].
гк,р - \[х1,к ~ №к][х1,р ~ > (1) где - \ элемент к массива, х^ - \ элемент р массива, Щ - количество элементов в массивах, /¿к, ¡1р - математическое ожидание энергетических яркостей в к-х и р-х массивах, <тк, <тр - среднеквадратические отклонения энергетических яркостей в к-х и р-х массивах.
Результаты определения сложности ФЦО представлены на рис. 3.
Рис. 3. Результаты анализа сложности ФЦО
а - при гк р= 0,909; б - при гк р= 0,430
Из вышеприведенных рисунков видно, что чем однороднее фон, тем больше значение гкр. Если среднее значение гкр < 0,5, принимается решение о том, что ФЦО содержит «сложный фон», в противном случае -«простой фон».
При сложном ФЦО необходимо воспользоваться алгоритмом компенсирования неоднородности фона (использование разностных методов, в основе которых лежат операции пространственного совмещения последовательно регистрируемых изображений и их межкадрового вычитания).
Выделение фрагментов изображений. Конечный результат анализа изображений во многом определяется качеством сегментации [2]. На этом этапе происходит формирование участков изображения, принадлежащих области объекта слежения. Формирование участков происходит по следующим признакам:
- яркость;
- контраст;
- размер;
- текстура;
- четкий контур;
- движение в одном направлении;
- одинаковая скорость;
- уровень сигнал/шум > 6.
Так как сегментация предшествует этапам более высокого уровня обработки изображения (сопровождение и распознавание), то представим ряд требований, необходимых при выполнении данного метода:
- максимальное соответствие сегментированной области реальному объекту;
- работа в режиме реального времени;
- устойчивая работа при наличии помех;
- низкая вероятность ошибок.
Алгоритмы обнаружения и измерения координат. Существует ряд алгоритмов обнаружения объектов, каждый из которых имеет свои плюсы и минусы. Рассмотрим основные алгоритмы.
1. Алгоритм на основе выделения динамических изменений (пространственно-временная фильтрация) имеет высокую эффективность при слежении за движущимся объектом на однородном или неоднородном фоне.
При анализе шума на изображениях выделяют пространственный и временной шумы. Пространственный шум проявляется искажением изображения в пределах одного кадра. Временной шум возникает при формировании видеопоследовательностей из-за случайного или неслучайного изменения пространственного шума в нескольких кадрах.
Поэтому, исходя из вида шума, применяют пространственные или временные фильтры подавления либо используют сочетание пространственного и временного методов фильтрации.
Для фильтрации во временной области используются:
- метод усреднения между соседними кадрами;
- медианный фильтр;
- фильтр-ящик;
- биноминальный фильтр.
Для пространственной фильтрации используют такие методы как:
- низкочастотная пространственная фильтрация;
- высокочастотная пространственная фильтрация (в том числе и адаптивная);
- линейное усреднение по значениям яркости соседних пикселей.
2. Алгоритм на основе пространственной фильтрации (линейная и нелинейная пространственная фильтрация) имеет высокую эффективность при работе на фоне ясного или облачного неба.
Обработка изображений подразделяется на два типа: линейная и нелинейная.
При линейной обработке применяются линейные операторы.
Пусть Н - оператор, входом и выходом которого являются изображения. Говорят, что оператор Н линейный, если для любых двух изображений fиgи любых двух скалярных значений а и Ь справедливо равенство (2):
H(af + Ъд) = аН (/) + ЬН(д). (2)
Таким образом, результат применения линейного оператора к линейной комбинации двух изображений (т.е. к их сумме с предварительным умножением соответственно на коэффициенты а и Ь) идентичен линейной комбинации результатов применения такого оператора к этим изображениям по отдельности. Например, оператор, функция которого состоит в вычислении суммы К изображений, есть линейный оператор.
К линейным фильтрам относятся:
- фильтр скользящего среднего;
- фильтр взвешенного среднего.
При нелинейной обработке изображений применяются нелинейные операторы. Для них равенство (2) выполняться не будет.
Иными словами, выходной сигнал нелинейного цифрового фильтра нелинейным образом зависит от данных исходного изображения.
К нелинейным фильтрам относятся: среднегеометрический, средне-гармонический, контргармонический. Это фильтры, основанные на порядковых статистиках и др.
3. Алгоритм статистической сегментации (в нем обрабатываются статистические свойства объекта и фона, включает в себя методы пороговой обработки, наращивание областей и Байесовскую сегментацию) имеет высокую эффективность при наблюдении на однородном фоне. Именно на этапе сегментации объекта происходит преобразование из вида, характеризуемого совокупностью пикселей, в форму, пригодную для дальнейшего распознавания объектов сцены.
Методы сегментации можно разделить на две группы:
- первоначальное выделение границ областей (контуров) как перепадов признаков изображения;
- выделение области (сегментов) по однородности определенного признака.
К первой группе относятся методы, вычисляющие первую и вторую производные функции изображения с помощью масок (операторы Робер-тса, Соббела, Превитта и др.), дополняемые методами связывания контуров (локальное связывание, преобразование Хафа, анализ с помощью теории графов) [3].
Для второй группы характерны методы связного выделения областей.
4. Алгоритм на основе сопоставления с эталоном (корреляционный метод) применяется при наблюдении на однородном и неоднородном фоне при малом уровне сигнал/шум [4]. Корреляционный разностный алгоритма на базе вычисления разностной критериальной функции отличия текущего изображения объекта от эталонного имеет вид (3) - (4).
Определение координат объекта:
(a*,ß*) = argmmaßZiJeHlh(i,J) - l(i + a,j + ß)|, (3)
где l(ij) - текущее изображение, /?(/,/) - эталонное изображение.
Межкадровая фильтрация эталона:
h(i,j,n) = k * h(i,j,n - 1) + (1 - k)h*(i,j,n - 1), (4)
где h(i,j, ri) - эталонное изображение на кадре п, h(i,j, п — 1) - эталонное изображение на кадре п — 1, h*(i,j,n — 1) - выделенное из (п — 1)-го кадра изображение объекта, к - коэффициент сглаживания.
5. Структурный алгоритм - структурные методы, которые занимаются изучением взаимного положения простейших составляющих изображения, как например описание параллельных линий, проходящих с постоянным шагом. Основными структурными элементами являются:
- участки изображений;
- особые точки;
- отрезки линий, окружностей или других параметрических фигур
[5].
На данный метод накладываются достаточно жесткие ограничения: наличие точного количества стабильных элементов, а также этап выделения структурных элементов, который имеет чрезмерную вычислительную сложность.
Таким образом, в системах, осуществляющих обработку изображений в реальном времени, необходимо разбивать изображения на равные небольшие сектора и производить их анализ. Наибольшей известностью и точностью среди данных алгоритмов обладают «SIFT», «PCA-SIFT», «SURF» и «ORB» [6]. Различием же в этих алгоритмах является отношение точность/быстродействие.
Объединение результатов. Каждый из приведенных выше алгоритмов используется в конкретной ситуации. Но не существует одного обобщенного алгоритма, который может справиться со всеми задачами сразу. Поэтому под задачей объединения результатов будем понимать термин - комплексирование.
Комплексирование - это параллельное или последовательное использование сразу нескольких алгоритмов обнаружения и измерения координат с целью повышения надежности и точности системы наблюдения. При этом комплексирование позволяет сопровождать объект как в одном спектральном диапазоне, так и в нескольких спектральных диапазонах.
Подходы к комплексированию алгоритмов обработки изображений, получаемых одним датчиком, можно условно разделить на две группы:
- объединение;
- комбинирование.
Объединение - использование нескольких алгоритмов для повышения характеристик обнаружения и расчета координат при сопровождении на неоднородном фоне при наличии помех.
Комбинирование представляет собой объединение информации, при работе нескольких алгоритмов.
Комплексирование информации, получаемой несколькими датчиками (например, ТВ и ТПВ), работающими в разных спектральных диапазонах, может быть осуществлено на трех уровнях:
- объединение изображений;
- объединение признаков;
- объединение решений.
Комплексирование при объединении изображений формирует видео с ТВ и ТПВ в одно изображение. Преимуществом 2-канальной системы наблюдения является формирование видеосигнала в различных диапазонах, что позволяет определить местонахождение цели при невозможности наблюдения одним из каналов (помехи, сложная ФЦО).
Комплексирование при объединении признаков позволяет использовать параллельное решение задачи обнаружения объектов в каждом спектральном диапазоне.
Формирование ошибки сопровождения. В ходе выполнения задач по сопровождению объектов одним из главных критериев является величина ошибки сопровождения. На основе ее значения формируются команды управления ПС.
На рис. 4 представлен кадр слежения за целью.
ТА вырабатывает признак сопровождения, исходя из величины ошибки. Далее система пытается удержать объект слежения в поле зрения ТА, уменьшая ошибку, тем самым обеспечивая устойчивое сопровождение.
Рис. 4. Кадр слежения за целью: 1 - объект слежения, 2 - центр строба ТА, 3 - разница между координатами центра строба и объектом слежения (ошибка сопровождения), 4 - признак сопровождения (А - автоматическое,
И - инерционное) 170
В ходе исследования проблем обнаружения и сопровождения объектов в оптическом диапазоне было выявлено, что перспективными направлениями развития алгоритмического обеспечения ОЭС являются:
- анализ ФЦО и принятие решений о работоспособности алгоритмов обнаружения и оценки параметров объектов;
- разработка алгоритмов на основе комплексирования разноспек-тральной информации;
- разработка вычислительно эффективных структурных алгоритмов обнаружения и оценки параметров объектов.
Так же существует ряд факторов, существенно влияющих на качество обработки сигналов:
- естественные (облака, дождь, туман, песчаные бури);
- аппаратные (воздействия аппаратуры, ошибки квантования при преобразовании аналогового сигнала в цифровую форму, погрешности коррекции изображения);
- организованные (тепловые, дымовые, лазерные и др.).
Комплексирование алгоритмов по обнаружению и измерению координат объектов позволяет справиться с этими задачами независимо в каждом спектральном канале, а затем объединить результаты для увеличения качества обнаружения, сопровождения и формирования координат движения наблюдаемого объекта.
Таким образом, применение комплексирования в ОЭС позволяет повысить эффективность применяемых алгоритмов обнаружения и сопровождения целей при наличии помех.
Список литературы
1. Способ обнаружения точечных тепловых объектов на сложном атмосферном фоне. Математическая морфология / Д.А. Гурченков, М.В. Жендарев, А.С. Набадчиков, И.В. Якименко // Электронный математический и медико-биологический журнал. 2012. Т. 11. Вып. 3. С. 1-9.
2. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М: Техносфера, 2006. 616 с.
3. Паламарь И.Н., Сизов П.В. Метод сегментации изображений с применением выращивания областей и многомасштабного анализа // Вестник Сибирского государственного аэрокосмического университета имени акад. М.Ф. Решетнева. 2010. №3. С. 15-20.
4. Яне Б. Цифровая обработка изображений. М: Техносфера, 2007.
584 с.
5. Стротов В.В. Сравнение двух структурных алгоритмов оценки параметров геометрических преобразований изображений // Цифровая обработка сигналов. 2013. №3. С. 21-25.
6. ORB:an afficient alternative to SIFT or SURF / E. Rublee [et al.] // Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. C. 2564-2571.
Корзунов Олег Владимирович, нач. сектора, helyia,front.ru, Россия, Тула, АО
«КБП»,
Лужинский Алексей Иосифович, инж.-исследователь, [email protected], Россия, Тула, Тульский государственный университет, АО КБП
ANALYSIS OF DETECTION AND COORDINATES' MEASUREMENT ALGORITHMS
IN OPTOELECTRONIC SYSTEMS
O. V. Korzunov, A.I. Luzhinskiy
Composition and underlying work principle of optoelectronic system were examined. Primary detection and objects coordinates' tracking algorithms, which target tracking device is uses, were enumerated. Aforementioned algorithms' composition methodology was suggested, which should provide better quality of automatic target tracking.
Key words: optoelectronic system, target tracking device, algorithm, complexifica-
tion.
Korzunov Oleg Vladimirovich, chief of section, [email protected], Russia, Tula, KBP,
Luzhinskiy Alexey Iosifovich, research engineer, iampvp@yandex. ru, Russia, Tula, Tula State University, KBP
УДК 623.462.4; 623.465.54
СПОСОБ ОЦЕНКИ ЭФФЕКТИВНОСТИ СИСТЕМ УПРАВЛЕНИЯ
ПОДВИЖНЫМ ОБЪЕКТОМ
В.Н. Хруслов, С.В. Феофилов, А.Ф. Индюхин
Рассматривается способ оценки эффективности систем управления подвижным объектом по результатам математического моделирования. Проведено сравнение двух систем с разными законами управления.
Ключевые слова: эффективность, система управления, математическая модель.
Развитие высокоточных систем приводит к широкому использованию систем теленаведения и телеориентирования в ситуации, когда в «задаче трех точек» подвижен не только объект управления, но также точка старта и точка встречи, причем характеристики всех трех объектов могут быть сопоставимы прежде всего в скорости изменения их углового положения. Маневр объекта, несущего измеритель положения объекта управления, его угловое движение (разворот на углы места, азимута и крена относительно положения в первоначальный момент), приводит к развороту,
172
