CC BY
0
5. Рассел, Стюарт, Норвиг, Питер. Искусственный интеллект: современный подход, 4-е изд., том 1. Решение проблем: знания и рассуждения. СПб. : ООО "Диалектика", 2021. 704 с.
6. Бураков М.В. Генетический алгоритм: теория и практика: учеб. пособие. СПб.: ГУАП, 2008. 64 с.
7. Батищев Д.И., Неймарк Е.А., Старостин Н.В. Применение генетических алгоритмов к решению задач дискретной оптимизации. Учебно-методический материал по программе повышения квалификации «Информационные технологии и компьютерное моделирование в прикладной математике». Нижний Новгород, 2007, 85 с.
8. Рассел Стюарт Норвиг, Питер. Искусственный интеллект: современный подход, 4-е изд., том 2. Знания и рассуждения в условиях неопределенности. СПб.: ООО "Диалектика", 2021. 480 с.
9. Рассел Стюарт Норвиг, Питер. Искусственный интеллект: современный подход, 4-е издание, 2022. Том 3. Обучение, восприятие и действие. СПб.: ООО "Диалектика", 2022. 640 с.
10. Гречишников Е.В., Зубачев А.Б., Сазыкин А.М., Добрышин М.М., Берлизев А.В. Предложения по повышению быстродействия распределенной системы мониторинга компьютерных сетей, интегрированных в единую сеть электросвязи / Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2017. № 3-4 (105-106). С. 24-29.
Добрушин Михаил Михайлович, канд. техн. наук, сотрудник, [email protected], Россия, Орел, Академия Федеральной службы охраны Российской Федерации,
Шугуров Дмитрий Евгеньевич, канд. техн. наук, сотрудник, [email protected], Россия, Орел, Академия Федеральной службы охраны Российской Федерации,
Слесарева Ксения Максимовна, сотрудник, [email protected], Россия, Орел, Академия Федеральной службы охраны Российской Федерации,
Юркин Даниил Андреевич, сотрудник, Россия, Москва, Московский физико-технический институт
A TECHNIQUE FOR REDUCING THE FEATURE SPACE OF ATTACK DETECTION SYSTEMS BASED ON THE USE OF
A GENETIC ALGORITHM
M.M. Dobryshin, D.E. Shugurov, K.M. Slesareva, D.A. Yurkin
The article describes the principle of formation and implementation of actions to reduce the number of controlled parameters through the use of a genetic algorithm. In particular, the procedure for specifying chromosomes and genes is defined, the order of gene mutation is determined, and some decision-making conditions are formulated. The article also presents an example of the implementation of the formulated algorithm.
Key words: attack detection system, signature, parameter, genetic algorithm, mutation.
Dobryshin Mikhail Mikhailovich, candidate of technical sciences, employee, [email protected], Russia, Orel, Academy of the Federal Security Service of the Russian Federation,
Shugurov Dmitry Evgenievich, candidate of technical sciences, employee [email protected], Russia, Oryol, Academy of the Federal Security Service of the Russian Federation,
Slesareva Ksenia Maximovna employee, kirillbolhov@mail. ru, Russia, Orel, Academy of the Federal Security Service of the Russian Federation,
Yurkin Daniil Andreevich, employee, Russia, Moscow, Moscow Institute of Physics and Technology
УДК 004.932
DOI: 10.24412/2071-6168-2023-11-113-114
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ИССЛЕДОВАНИЯ АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ
А.И. Ефимов, Е.Р. Муратов, М.Б. Никифоров
В данной статье рассмотрено применение разработанного программного стенда для исследования и разработки алгоритмов обработки изображений различных спектральных диапазонов. Приведен пример исследования алгоритмов совмещения изображений.
Ключевые слова: Архитектура программного стенда, конвейер. ТВ, ТПВ, лидар, DLL.
Современные алгоритмы обработки данных от систем технического зрения - это конвейеры, состоящие из последовательности более мелких (простых) алгоритмов [1].
С одной стороны, имеется множество алгоритмов обработки данных, предоставляемых различными средами разработки (например, Matlab, OpenCV), переписывание программного кода которых с целью исследования и проектирования новых алгоритмов нецелесообразно. С другой стороны, их возможностей не всегда достаточно для создания новых алгоритмов, к тому же формат входных данных в разных пакетах обработки изображений в большинстве случаев различен [2-6]. Также следует отметить, что пакеты обработки изображений и библиотеки дополняют друг друга, но, как правило, не предусматривают между собой полноценного взаимодействия.
113
При разработке элементов программно-математического обеспечения систем технического зрения возникает потребность в создании системы, которая объединила бы известные библиотеки, увязала обработку разных форматов данных, позволила создавать конвейер алгоритмов и произвести оценку параметров и качества его функционирования. Процесс перевода алгоритмов на бортовое оборудование, например, в ПЛИС сопряжен с поэтапной отладкой всего конвейера, совместно с оборудованием. Такая возможность может быть обеспечена с помощью предлагаемой системы автоматизированной отладки и исследования алгоритмов и программ.
1. Принципы организации автоматизированной системы отладки и исследования алгоритмов и программ. Система автоматизированной отладки и исследования алгоритмов и ПО представляет собой универсальное программное средство - программный стенд, позволяющее проводить отработку и сравнительный анализ алгоритмов обработки изображений, включая алгоритмы совмещения изображений различной физической природы и оценку качества получаемых совмещений в автоматическом режиме.
Архитектура программного стенда и его программная реализация не накладывают каких-либо ограничений на типы изображений, используемых в качестве входных в пользовательских функциях. В качестве них могут быть изображения, полученные от телевизионных (ТВ), тепловизионных (ТПВ), радиолокационных, а также лидар-ных сенсоров [9, 10].
Для работы с ранее не используемым алгоритмом добавляется новый блок (добавление происходит автоматически по данным конфигурационного файла). Для изменения конфигурационного файла можно воспользоваться интерфейсом стенда или изменить его вручную. Интерфейс стенда позволяет выбирать функцию из библиотеки DLL, реализующую интересующий алгоритм, а также описать параметры этой функции и задать ее размещение в палитре функциональных блоков. Архитектура программного стенда представлена на рисунке 1.
Рис. 1. Архитектура программного стенда
2. Критерии оценки алгоритмов совмещения изображений
Для оценки эффективности алгоритмов совмещения изображений введены показатели качества алгоритмов:
показатель качества совмещения 2, используемый для оценки качества выполненного совмещения разнородных изображений [11];
трудоемкость алгоритма совмещения изображений Т. Будет использоваться абсолютная величина трудоемкости (машинное время), либо относительная, например, для алгоритмов корреляционного совмещения изображений - количество вызовов ЦФ Мцф.
Таким образом, в качестве показателей эффективности ОМ для алгоритмов совмещения изображений целесообразно принять пару показателей ОМ = (Т, О).
Каждому тестируемому г-му методу в координатах (Т, О) соответствует уравнение вида:
Ъ {т, О )|уг = 0, (1)
где Yi является параметром г'-го метода, изменение которого позволяет перераспределить соотношения между показателями Q и Т. Параметр может быть один, например, при методе двухэтапного сканирования, это шаг сканирования, а у генетического алгоритма два параметра - размер популяции и количество поколений. Для каждого алгоритма совмещения необходимо в первую очередь определиться с наиболее эффективным значением параметра метода Yi.
Решение уравнения (1) для различных Yi называется качественной характеристикой алгоритма (КХА). Если при выбранном значении Т качественная характеристика одного алгоритма лежит выше качественной характеристики другого алгоритма, то первый алгоритм обеспечивает лучшее качество совмещения Q при тех же затратах на поиск. Если при выбранном значении Q качественная характеристика одного алгоритма лежит левее качественной характеристики другого алгоритма, то первый алгоритм требует меньших затрат для достижения того же показателя качества совмещения.
Для оценки показателя качества совмещения используются статистические характеристики коэффициента совмещения K, который определяется для каждой пары кадров совмещаемых изображений.
Коэффициент совмещения K изменяется в диапазоне от 0 до 1. K=1 - идеальное совмещение, K=0 - полное несовмещение.
Кроме этого, на интегральный показатель качества совмещения также влияет вероятность правильного совмещения изображений P.
Для каждой серии экспериментов коэффициент совмещения K вычисляется для каждой пары кадров совмещаемых изображений, а по всей тестовой видеопоследовательности (сюжету) оцениваются: математическое ожидание Mk , дисперсия Dk и среднеквадратическое отклонение (СКО) иk . Если коэффициент совмещения K(t)
рассматривать как случайный процесс, то даже при предположении о его стационарности, при строгом подходе к вычислению этих характеристик они должны вычисляться по совокупности различных реализаций случайного процесса K(t).
Алгоритм тем лучше, чем меньше << , и чем больше Mк . Показатель качества совмещения Q можно
определить как: q = а м + а 1 , где ам , а< - весовые коэффициенты соответственно математического
м к <<к а
ожидания и СКО, причем ам + а< = 1. Значения ам , а< определяются экспериментально, в зависимости от
важности того или другого параметра. Чем больше значение показателя качества совмещения Q, тем лучше алгоритм.
Для объединения влияния Mк, <гк может быть использован мультипликативный подход для определения показатель качества совмещения Q. В этом случае
Q ==ж~ -1
В данном варианте показатель качества совмещения Q может принимать и отрицательные и положительные значения, причем значение Q = 0 соответствует равновероятному закону распределения K между 0 и 1. В этом
случае Mк = 0,5,и < = 1 . Значение Q = 0 можно считать пограничным между неопределенностью процес-
' ' K 2л/3
са совмещения при Q < 0 и определенной степени доверия к результатам совмещения при Q > 0.
Еще может быть использован гиперболический вариант вычисления показателя качества совмещения:
Q ==^Л-■
-W3a „ (1 - M„)
Данный показатель равен 1 при MK = 0,5, и равновероятном законе распределения. Соответственно, он меньше единицы при больших значений СКО и меньших значения математического ожидания. При MK = 1 и <к = 0 стремится к да.
Нормированная автокорреляционная функция
Pk (!) = м[(к(t) - Мк )(к(t + т) - M
к)]/< к,
где M[Y] - математическое ожидание случайной величины Y. Если тестовый сюжет имеет длительность tmax и измерения K(t) проводились с интервалом At, то
M [(к (t)-Mk )(к (t + т) - Mk )] = tm±(K (t) - Mk )(K (t + т) - Mk ) = 'if K (t)K (t + т) - M|,
tmax T t=0,At tmax - т t=0,At
t -
{max
t -т
{max c 0
tmax f K (t)K (t + T) - MK
Мч t=0,At т) =-
г2 1К г=0,Аг
При этом для мультипликативного варианта показатель качества совмещения
(ч 111ал г\ г-
(max -т) f K 2(t) - MK t= пока
Mk
Q=-i--1,
1 тп
V3< k (1 —Jp к (т)*0
т n 0
115
где тп = 3..5 с - граничное значение интервала контроля автокорреляционной связи коэффициента совмещения Для гиперболического варианта
1
Q = -
( 1 Tn Y
Щак 1 - Mk )(1 ~—\Pk № V Tn 0 ,
В результате будет лучшим тот алгоритм совмещения изображений, для которого интегральный коэффициент совмещения изображений будет максимальным, а трудоемкость вычислений при этом окажется минимальной или приемлемой.
Кроме этого, для определения показателя качества совмещения Q, а также эффективности метода оценки качества совмещения, следует учитывать степень изменения математического ожидания Mk и СКО иk до и после применения соответствующего алгоритма совмещения. Например, q' = Mk^k где M0 и это математическое ожидания и СКО совмещения видеопоследовательности двух изображений до их совмещения с помощью исследуемого алгоритма. Так при Q' < 1 алгоритм совмещения или методика оценки качества совмещения абсолютно не эффективны.
Общее число проведения элементарных опытов (совмещение пар кадров) n = 1200 + 10000 является обоснованным и достаточным для оценки вероятности по частоте с доверительной вероятностью ß = 0,9, при достижении частоты событий порядка 0,95 ^ 0,98.
Таким образом, качественные характеристики позволяют сравнивать различные алгоритмы совмещения изображения.
3. Оценка качества совмещения изображений. Важно количественно оценить степень (качество) совмещения изображений для принятия решения о возможности использования результатов совмещения изображений. Применение автоматических алгоритмов оценки качества совмещения позволяет избежать необходимости экспертных оценок качества совмещения изображений и объективно определять показатели качества функционирования алгоритмов совмещения, благодаря чему становится возможным сравнение различных алгоритмов совмещения между собой [11].
Необходимо четко и однозначно сформулировать задачу оценки качества совмещения изображений в системах комбинированного видения, а также требования, предъявляемые к данной оценке.
Исходные данные:
- изображение A={(x, y, h(x,y))}, полученное от одного из сенсоров, установленных на борту летательного
аппарата;
- изображение B={(x, y, h(x,y))}, полученное от сенсора на борту летательного аппарата, либо путём проецирования виртуальной модели местности в двухмерное растровое изображение.
Предварительные действия:
- предварительная обработка изображений А и В, необходимая для дальнейшего совмещения;
- совмещение исходных изображений с применением некоторой функции совмещения f.
Задача оценки качества совмещения состоит в получении количественной оценки K(A, B, f) точности совмещения изображений А и В с применением функции f.
В процессе проектирования алгоритмов оценки качества совмещения необходимо, чтобы результирующая оценка K удовлетворяла ряду условий:
1. K Е [0,1], то есть оценка K - нормированное в пределах от нуля до единицы действительное число.
2. Оценка K должна быть непрерывна и определена на всей области определения A, B, f т.е. вычисление оценки K возможно для любых входных изображений и любой функции их совмещения.
3. К ^ 1 при увеличении точности совмещения А и В. Оценка К должна быть тем больше, чем больше совпадают f(A,B) и изображение А или B в зависимости от того, как осуществляется совмещение функцией f.
4. Временная сложность расчета оценки K должна быть по возможности минимальной, чтобы данная оценка могла быть применима в составе алгоритмов совмещения изображений.
Вывод. В результате можно сделать вывод, что оценки качества совмещения следует осуществлять на базе алгоритмов, основанных на анализе форм объектов. Этот подход заложен в архитектуру предлагаемой системы автоматизированной отладки и исследования алгоритмов и ПО.
Экспериментальные исследования алгоритмов совмещения изображений [8, 9, 10] подтвердили работоспособность предлагаемой системы и пригодность ее для автоматизации научных исследований в области разработки алгоритмов обработки изображений. В процессе исследования программный стенд автоматически формирует необходимые показатели качества алгоритмов и выводит их на экран.
Список литературы
1. Обработка изображений в авиационных системах технического зрения. Под. ред. Костяшкина Л.Н. и Никифорова М.Б./М.: ФИЗМАТЛИТ. 2018. 235 с.
2. Беляков П.В., Никифоров М.Б. Вариационный метод вычисления оптического потока в системе-на-кристалле // Цифровая обработка сигналов. 2018. № 3. С. 76-82.
3. Tarasov A., Muratov Y., Nikiforov M., Baranchikov A. Intelligent video computer tracking system // В сборнике: 13th International Conference ELEKTRO 2020, ELEKTRO 2020 - Proceedings. 13. 2020. С. 9130254.
4. Anders Hast, Johan Nysjö, and Andrea Marchetti, "Optimal RANSAC - Towards a Repeatable Algorithm for Finding the Optimal Set," in Journal of WSCG, Vol. 21, no. 1. P. 21-30, 2013.
5. Peter Kovesi, MATLAB and Octave Functions for Computer Vision and Image Processing [Электронный ресурс] URL: http://www.peterkovesi.com/matlabfns (дата обращения: 10.05.2023).
6. Калинин Н.В., Черпалкин А.В., Никифоров М.Б. Применение ПЛИС для ускорения обработки изображения // Известия Тульского государственного университета. Технические науки. 2022. Вып. 5. С. 67-73.
7. Нгуен К.Х. Определение параметров движения объектов в пассивной сканирующей системе // Вестник Рязанского государственного радиотехнического университета, 2023. №1. Выпуск 67. С. 19-23. DOI: 10.21667/19954565-2019-67-1-19-23.
8. Nikiforov M., Muratov Y., Loskutov A., Melnik O. Video Computer Technology for Assessing Heart Rate Based on Spectral Analysis // 2021 23rd International Conference on Digital Signal Processing and its Applications, DSPA 2021. 23. 2021.
9. Kudinov I.A., Nikiforov M.B., Kholopov I.S. Comparative Analysis of Two Strategies for Forming Regions of Interest in Panorama Vision SystemZ/В сборнике: Proceedings of ITNT 2021 - 7th IEEE International Conference on Information Technology and Nanotechnology. 7. 2021.
10. Кудинов И.А., Никифоров М.Б., Холопов И.С. Стратегии формирования панорамного видеоизображения без учёта информации о сюжетных соответствиях в мультиспектральных системах с распределённой апертурой // Компьютерная оптика. 2021. Т. 45. № 4. С. 589-599.
11. Кудинов И.А., Никифоров М.Б., Холопов И.С. Алгоритм двухэтапной калибровки камер с малыми угловыми размерами пересечения полей зрения // Вестник Рязанского государственного радиотехнического университета. 2020. № 74. С. 99-107.
12. Шакирзянов Р. М., Шлеймович М. П. Модель и метод для обнаружения цветных объектов с использованием модифицированного преобразования радиальной симметрии // Вестник Рязанского государственного радиотехнического университета. 2021. №1. Выпуск 77. С. 101-112.
13. Ефимов А.И. Алгоритмы оценки качества совмещения изображений // Известия Тульского государственного университета. Технические науки. 2016. № 2. С. 92-98.
Ефимов Алексей Игоревич, канд. техн. наук, доцент, [email protected], Россия, Рязань, Рязанский государственный радиотехнический университет имени В.Ф. Уткина,
Муратов Евгений Рашитович, канд. техн. наук, доцент, [email protected]. Россия, Рязань, Рязанский государственный радиотехнический университет имени В.Ф. Уткина,
Никифоров Михаил Борисович, канд. техн. наук, доцент, заместитель заведующего кафедрой, директор НОЦ «СпецЭВМ», [email protected]. Россия, Рязань, Рязанский государственный радиотехнический университет имени В. Ф. Уткина
AUTOMATED SYSTEM FOR STUDYING IMAGE PROCESSING ALGORITHMS
M.B. Nikiforov
This article discusses the use of the developed software stand for research and development of image processing algorithms for various spectral ranges. An example of the study of image alignment algorithms is given.
Key words: Software bench architecture, conveyor. TV, TPV, lidar, DLL.
Efimov Aleksey Igorevich, candidate of technical sciences, docent, [email protected]. Russia, Ryazan, Ryazan State Radiotechnical University named after V.F. Utkin,
Muratov Evgeny Rashitovich, candidate of technical sciences, docent, [email protected], Russia, Ryazan, Ryazan State Radio Engineering University named after V.F. Utkin,
Nikiforov Mikhail Borisovich, candidate of technical sciences, associate professor, deputy head of the department, director of the research center «Special Computer», nikiforov. [email protected], Russia, Ryazan, Ryazan State Radio Engineering University named after V.F. Utkin
