CC BY
26
5. Патент РФ 2332775 05.12.2006. Гайтов Б.Х., Самородов А.В., Гайтова Т.Б., Копелевич Л.Е. Двухмерная электрическая машина-генератор;
6. Патент РФ 2349014 02.07.2007. Гайтов Б.Х., Самородов А.В., Гайтова Т.Б., Копелевич Л.Е. Двухмерная аксиальная электрическая машина-генератор;
7. Ермак A.A. Перспективные источники для автономных систем электроснабжения на базе возобновляемых источников энергии / Ермак A.A., Самородов А.В., Копелевич М.Л. // Современные наукоемкие технологии. 2013. № 8-1. С. 39-41.
Лазарев Н.Ю.1, Свиридов В.П.2
'Аспирант, 2кандидат технических наук, доцент, Самарский государственный технический университет ИЗМЕРЕНИЕ ВЕКТОРА СКОРОСТИ АВТОНОМНОГО АППАРАТА ПО ДВИЖЕНИЮ ИЗОБРАЖЕНИЯ
ПОДСТИЛАЮЩЕЙ ПОВЕРХНОСТИ
Аннотация
В статье рассмотрены основные методы измерения составляющих вектора скорости движения изображения подстилающей поверхности и определения по ним скорости автономного подвижного объекта, использование рекурсивных методов для сокращения время поиска эталонных участков изображения, приведены результаты моделирования.
Ключевые слова: измерение, изображение, скорость движения
Lazarev N.YU.1 , Sviridov V.P.2
1 Postgraduate student, 2 candidate technical sciences, associate professor, Samara State Technical University
MEASURING OF THE VELOCITY VECTOR OF AN AUTONOMOUS VEHICLE MOTION PICTURE OF UNDERLYING
SURFACE
Abstract
The article describes the main methods of measuring the components of the velocity vector of the motion picture of the underlying surface and defining them speed of an autonomous mobile unit, the use of recursive techniques to reduce the search time reference areas of the image, shows the simulation results .
Keywords : measurement, image, velocity
Задача измерения вектора движения по динамическим составляющим формируемых изображений находит широкое применение в различных технических областях. Восстановление смазанных движением изображений методом деконволюции, автоматическая стабилизация изображений, алгоритмы сжатия и кодирования видео на основе временной декорреляции кадров, управление движением автономных роботов, автономная навигация беспилотных летательных и космических аппаратов - вот далеко не полный перечень таких областей.
Существует большое разнообразие методов и технических средств решения данной проблемы [1]. В общем виде оценка движения локальных областей изображения и отдельных точек решается с помощью уравнения оптического потока [4]. При определенных допущениях можно получить систему уравнений для пикселей и решить ее методом наименьших квадратов. Однако точность оценки скорости движения в этом случае не велика.
Использование локальных областей (блоков, эталонов) лежит в основе большого класса корреляционно-экстремальных систем (КЭС). Работа таких систем основана на выделении информативного объекта слежения и дальнейшем поиском его положения в процессе движения с помощью коррелятора. Отметим, что КЭС не позволяют измерять скорость при движении, как в прямом, так и в обратном направлении. Для реализации такой функции требуется два коррелятора, один из которых работает в прямом, а другой - в обратном направлении [5]. Измерение угла направления вектора скорости ограничено размерами растра.
Методы, основанные на анализе пространственных частот, заключаются в пространственной фильтрации элементов изображений с помощью специальных оптических фильтров - модуляторов потока излучения различными модулирующими решетками (растрами), расположенными в фокальной плоскости датчика [5]. При этом формируется сигнал, спектр которого определяется по существу произведением независимых комплексно-сопряженного пространственно-частотного спектра изображения и пространственно-частотного спектра модулятора и зависит от относительной скорости движения изображения и модулятора. Используя неподвижный растр, выполненный из двух, расположенных под углом а к оси симметрии у растров, помещенных в плоскость изображения, можно в небольших пределах измерять направление вектора скорости.
Все приведенные методы обладают общим недостатком: они не позволяют определять полный вектор движения в пределах 0360 гр., а их диапазон измерений и точность определяются конструктивными особенностями и не могут адаптивно изменяться.
Из всего перечисленного множества задач рассмотрим те из них, которые требуют оценки глобального движения, когда вектор движения элементов изображения одинаков для всех точек. Такое условие имеет место при движении автономного аппарата со скоростью VQ, при этом изображение подстилающей поверхности перемещается в фокальной плоскости объектива, где установлена видеокамера, в противоположную сторону со скоростью
V=—, (1)
н ’ v '
где F — фокусное расстояние объектива, H —высота над поверхностью.
Измерив вектор скорости движения изображения, можно определить и вектор скорости аппарата.
Пусть видеокамера формирует последовательность кадров полутоновых изображений /;(х,у, t;) движущейся сцены с межкадровым периодом Tk и временем экспозиции т << Tk. Примем в первом приближении, что освещенность сцены достаточна, т мало, и смазом изображения за время экспозиции можно пренебречь. Тогда все элементы кадров, кроме краевых, сдвигаются на величину Д = VNTk, а скорость движения изображения равна
V= Д /(N • Tk), (2)
где N - число кадров, между которыми определяется сдвиг.
Отметим, что все параметры привязаны к изображениям: сдвиг измеряется в пикселях (пик), скорость - в пик/сек. Если вычислить функцию взаимной корреляции между соседними кадрами, то смещение положения ее главного максимума (ГКМ) относительно центра корреляционной плоскости определит вектор сдвига Д . По формулам (1, 2) можно определить вектор скорости движения изображения и автономного аппарата.
Корреляционные методы относятся к одним из самых точных методов определения параметров движения яркостных объектов. Точность корреляционных методов определяется, в первую очередь, точностью нахождения положения экстремума корреляционной функции, которое может быть определено с субпиксельной точностью. Однако решение задачи напрямую сопряжено с рядом трудностей: очень большим объемом вычислений и наличием краевого эффекта. Размер корреляционной плоскости в четыре раза превышает размер исходного изображения и, следовательно, при размерности изображения LxL необходимо выполнить 4 • L2 расчетов коэффициента корреляции
^ 2х2у(Г[(х,у,Ц)—/[Ср)-(Д-(х,у,£_/)—/уСр) (3)
^2х£у(Г[(:УУ'£[)—£[ср) '(й(*’У’^/)_йср)
Общее число операций составляет 4 • L4; при L=1024 получаем 4,4 • 1012 операций сложений и умножений целых чисел.
60
При движении на соседний кадр «наползают» новые области, которых нет на предыдущем, что существенно снижает корреляционный максимум. Компьютерное моделирование, проведенное авторами [2], позволяет сделать вывод, что при |д| = (0,15 ^ 0,2) L главный корреляционный максимум (ГКМ) падает примерно вдвое, а радиус корреляции возрастает до 10М2 пикселей, что затрудняет измерение положения ГКМ с необходимой точностью.
Моделирование показало, что целесообразно осуществлять корреляционное сравнение не между соседними кадрами /;(х,у, t;) и lj (х, у, tj), взятыми в моменты времени t; и tj, а между их разностями, вычисленными по формуле
д .(Х,у) = f 1 если IЬ&.УЛд - Ij(x,y,tj)\ > 0, (4)
1,1 ( 0, в противном случае
где 0 - значение порогового уровня.
В этом случае из трех последовательных кадров можно получить два разностных бинарных изображения логического типа. Для устранения мелких градиентных деталей и шумовых компонент разностные изображения подвергаются морфологической операции размыкания со структурным элементом В квадратной формы:
ДО£ = (Д©£)0£.
При таком подходе значительно уменьшается деградация ГКМ, радиус корреляции уменьшается приблизительно в три раза, а диапазон измерений возрастает вдвое, до (0,35 ^ 0,4) L. Кроме того переход к изображениям логического типа позволяет при расчете корреляционной функции использовать более простые метрики сравнения, основанные на логических функциях вида:
SAND = '%=1'Z)=1(RU&Д32) или SX0R = Х[=1Х)=1 -(й21 ® й32), что упрощает вычисления приблизительно на порядок по сравнению с (3).
Исследования также показали, что существенное снижение количества операций при вычислении корреляционной функции может быть достигнуто при использовании рекурсивно - пирамидального подхода [3]. На предварительном этапе формируются пирамиды из M изображений, каждое из которых получается из предыдущего путем фильтрации и прореживания в два раза. Обозначим изображение текущего уровня /m_i(x,y), тогда изображение следующего уровня формируется путем уменьшения размеров в 2 раза
/m(x,y) = g(2x,2y) и высокочастотной фильтрации с ядром h(u,v) функции Гаусса.
д(х,у) ='Y^Im_1(x-u,y-v)-h(u,v)
U V
В этом случае согласно теореме Котельникова сжатие происходит с минимальной потерей информации.
На верхнем уровне пирамид находятся изображения с наиболее грубым разрешением. Разностные изображения этого уровня используются для грубой оценки движения. Если движение имеет место, то при минимально допустимом пороге 0 число единичных пикселей в разностном изображении Д;д(х,у) превышает некоторый «шумовой» уровень. В этом случае производится грубая оценка положения ГКМ и осуществляется переход на следующий уровень, на котором зона поиска существенно сокращается благодаря информации о положении ГКМ предыдущего уровня. По нашим предварительным оценкам такое сокращение составляет величину порядка (10 ^ 15)м_1.
Чем выше разрешение текущего уровня, тем точнее определяются координаты ГКМ, поэтому существует возможность адаптации системы под заданную точность измерений, кроме того рекурсивная процедура последовательного поиска существенно снижает вероятность перепутывания ложных корреляционных максимумов с главным максимумом. Исследования показали, что на точность измерения влияет выбор порогового значения 0. В компьютерной модели порог менялся в диапазоне от 0,02 до 0,8 максимальной яркости. Для увеличения точности при низких скоростях следует уменьшать 0, а при больших - увеличивать.
Литература
1. Свиридов В.П., Лазарев Н.Ю. Методы повышения точности определения экстремума взаимнокорреляционных функций в бесконтактных системах измерения скорости: сб. статей мат. конф. - Самара: САГМУ, 2013. - Т.1. С. 164-170.
2. Лазарев Н.Ю. Разностно-корреляционный метод измерения движения изображения: сб. ст. в Международном научноисследовательском журнале №3 (22), ч.2, . Екатеринбург, 2014. - С. 33-35.
3. Свиридов В.П., Лазарев Н.Ю. Использование рекурсивных методов в распознавании и корреляционной привязке изображений // Актуальные проблемы информационной безопасности: тезисы докл. всерос. конф. (СамГТУ, 20 - 21 марта. 2014 г). - Самара, 2014. - С. 55-60.
4. Lucas B.D. An Iterative Image Registration Technique with an Application to Stereo Vision / B.D. Lucas, T. Kanade // Proceedings of the 7th international joint conference on Artifical intelligence. - 1981. - Vol. 2. - P. 674-679.
5. Еськов Д.Н., Ларионов Ю.П. и др. Автоматическая стабилизация оптического изображения / Под общ. ред. Д.Н. Еськова, В.А. Новикова. - Л.: Машиностроение, 1988. - 240 с.
Скороспешкин М.В.1, Скороспешкин В.Н.2
'Кандидат технических наук; ^Кандидат технических наук, доцент, Национальный исследовательский Томский
политехнический университет
ЛИНЕЙНАЯ АДАПТИВНАЯ СИСТЕМА АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ
Аннотация
В статье рассмотрено применение адаптивной системы автоматического регулирования со стабилизацией частотных характеристик. Представленная адаптивная система применяется для регулирования объектами с нестационарными параметрами. Показана эффективность применения представленной системы для повышения качества регулирования объектами с нестационарными параметрами.
Ключевые слова: нестационарный объект управления, адаптивная система, качество регулирования, частотные
характеристики.
Skorospeshkin M.V.1, Skorospeshkin V.N.2
'PhD of Technical Sciences; 2PhD of Technical Sciences, assosiate professor, National Research Tomsk Polytechnic University LINEAR ADAPTIVE SYSTEMS OF AUTOMATIC CONTROL
Abstract
In the article is reviewed the application of adaptive system of automatic control with stabilization of frequency characteristics. Presented adaptive system is used to control the objects with non-stationary parameters. The efficiency of application of the specified system to improve the quality of control the objects with non-stationary parameters is shown.
Keywords: non-stationary object of control, adaptive system, quality of control, frequency characteristics.
Системы со стабилизацией частотных характеристик являются одной из разновидностей адаптивных систем регулирования. Наиболее простой в реализации является система автоматического регулирования (САР) со стабилизацией значений амплитудночастотной характеристики (АЧХ) на определенных частотах. Однако область применения таких систем весьма ограничена. У нестационарных объектов управления в большинстве случаев происходит изменение как амплитудно-частотной так и фазочастотной характеристики (ФЧХ). Для сохранения динамических свойств САР в данных случаях необходимо изменять
61
