CC BY
31
Shulgenko Petr Konstantinovich, candidate of technical sciences, Lead researcher, shulgenkopk@,mail. ru, Russia, Saint Petersburg, OJSC "Research and Production Enterprise "Aviation and Marine Electronics"
УДК 004.932.2
КОМПЛЕКС УНИВЕРСАЛЬНОГО АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ ТЕХНИЧЕСКОГО
ЗРЕНИЯ
В. А. Бондаренко
Рассматривается подход к созданию комплекса универсального алгоритмического обеспечения для решения различных задач интеллектуальной цифровой обработки изображений. Создаваемый алгоритмический комплекс включает в себя базовые и комплексные методы обработки изображений, в том числе методы автоматического обнаружения и автосопровождения объектов. Приводится пример применения алгоритмического комплекса в составе оптико-электронной системы мониторинга надводной обстановки, установленной на борту безэкипажного катера.
Ключевые слова: цифровая обработка изображений, автоматическое обнаружение, автосопровождение.
Стремительный рост производительности вычислительных систем даёт возможность проектировать и внедрять всё более сложные системы технического зрения. В то же время постоянное расширение списка хорошо зарекомендовавших себя методов обработки изображений приводит к необходимости систематизировать эти методы с целью создания комплекса универсального алгоритмического обеспечения для решения широкого круга задач.
В современных условиях для решения задач импортозамещения также необходимым требованием к подобному алгоритмическому комплексу является его полная документированность, открытость. Применение закрытых библиотек или готового программного обеспечения не является допустимым, в особенности при негражданском применении разрабатываемого комплекса.
Исходя из этих соображений, проведён анализ мирового опыта в области цифровой обработки изображений. Систематизация этих данных позволяет разделить их на следующие большие группы.
1. Алгоритмы предобработки и улучшения качества изображений.
1.1. Алгоритмы шумоподавления (выделение сигнала на фоне шумов).
1.2. Алгоритмы коррекции (цветовой, яркостной и др.).
1.3. Алгоритмы мультиспектрального комплексирования.
2. Алгоритмы фильтрации и пространственного анализа.
2.1. Алгоритмы текстурного анализа и сегментации.
2.2. Алгоритмы выделения границ и контуров объектов.
2.3. Морфологические алгоритмы фильтрации и выделения объектов.
2.4. Алгоритмы бинаризации (отделения объектов интереса от фона).
2.5. Алгоритмы стереограмметрии и стереоскопические алгоритмы.
3. Алгоритмы автоматического обнаружения и распознавания объектов. Алгоритмы автосопровождения объектов.
3.1. Корреляционно-экстремальные алгоритмы.
3.2. Нейросетевые алгоритмы.
3.3. Признаковые и текстурные алгоритмы.
3.4. Лингвистические алгоритмы.
Данная классификация хотя и не полностью охватывает весь спектр алгоритмов, тем не менее, позволяет сформировать базовый набор алгоритмов, применимый при решении широкого круга задач технического зрения. Этот набор был взят за основу при проектировании и разработке комплекса универсального алгоритмического обеспечения.
В результате разработки комплекса были исследованы и включены в его состав, а также реализованы на языках программирования ^С++ следующие алгоритмы интеллектуальной обработки изображений.
1. Алгоритмы предобработки и улучшения качества изображений.
1.1. Алгоритм медианной фильтрации [1, 2].
1.2. Алгоритмы цветовой и яркостно-контрастностной коррекции в цветовом пространстве Y ^ О- [1, 2].
1.3. Алгоритмы повышения чёткости изображения (т.н. нерезкого маскирования) [1, 2].
1.4. Алгоритм информационного совмещения разноканальных изображений [3].
2. Алгоритмы фильтрации и пространственного анализа.
2.1. Алгоритм текстурного анализа с использованием локальных бинарных паттернов [4].
2.2. Алгоритмы выделения границ с использованием дискретных дифференциальных операторов (Собеля, Превитта, Робертса и др.) [1, 2].
2.3. Алгоритмы бинаризации изображения по градиенту яркости на изображении [1, 2], на основе анализа локальных контрастов [5, 6], на основе анализа гистограммы изображения [1, 2].
2.4. Алгоритмы морфологической фильтрации изображений [1, 7].
2.5. Алгоритмы поиска и выделения объектов по связности на бинарном изображении [8].
3. Алгоритмы автоматического обнаружения и распознавания объектов. Алгоритмы автосопровождения объектов.
3.1. Алгоритм классической кросс-корреляции (распознавание и автосопровождение) [9, 10, 11].
3.2. Алгоритм фазовой кросс-корреляции (распознавание и автосопровождение) [9, 10].
3.3. Алгоритм с применением искусственной нейронной сети прямого распространения [12].
3.4. Алгоритм автоматического обнаружения и автосопровождения объектов [13].
В процессе проработки и реализации комплекса универсального алгоритмического обеспечения были разработаны и реализованы оригинальные алгоритм бинаризации изображения на основе анализа локальных контрастов и алгоритм автоматического обнаружения и автосопровождения объектов [13].
Разработанный 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.
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.
Важной особенностью комплекса универсального алгоритмического обеспечения является полная его независимость от каких-либо сторонних разработок и алгоритмических библиотек.
Комплекс универсального алгоритмического обеспечения опробован в составе оптико-электронной системы мониторинга надводной поверхности, установленной на борту безэкипажного катера. Алгоритмы комплекса, допускающие многопоточную обработку, были запрограммированы с использованием технологий массового параллелизма СиОЛ, что позволило реализовать выполнение алгоритмов в реальном времени.
На рис. 1 и 2 представлены результаты работы алгоритмов автоматического обнаружения и автосопровождения объектов по изображениям с оптико-электронной системы безэкипажного катера.
Система автоматического обнаружения в составе оптико-электронной системы на борту безэкипажного катера подтвердила свою работоспособность и высокую эффективность в сложных условиях эксплуатации.
На рис. 3 представлены результаты работы алгоритмов автоматического обнаружения, распознавания и автосопровождения объектов по изображениям с наземной оптико-электронной системы наблюдения воздушного пространства.
Рис. 1. Автоматическое обнаружение одиночного малоразмерного
объекта
Рис. 2. Автоматическое обнаружение группы объектов
82
Рис. 3. Автоматическое обнаружение и распознавание объекта
Использование комплекса универсального алгоритмического обеспечения позволило значительно сократить цикл разработки и внедрения системы технического зрения.
Список литературы
1. Красильников Н.Н. Цифровая обработка 2D- и ЭБ-изображений: учеб. пособие. СПб.: БХВ-Петербург, 2011. 608 с.
2. Gonzalez R.C., Woods R.E. Digital Image Processing. 2nd ed. 2002.
79Э p.
3. 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. Э. С. 95-104.
4. Ojala T., Pietikainen M. Unsupervised Texture Segmentation Using Feature Distributions // Pattern Recognition. 1999. Vol. Э2. P. 477486.
5. Sauvola J., Pietikainen M. Adaptive document image binarization // Pattern Recognition. 2000. №ЭЭ. P. 225-236.
6. Shafait F., Keysers D., Breuel T. M. Efficient implementation of local adaptive thresholding techniques using integral images // Proc. SPIE. 2008. Vol. 6815. Document Recognition and Retrieval XV.
7. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. Красноярск: Изд-во Красноярского университета, 1992. 248 с.
8. Abubaker A., Qahwaji R., Ipson S., Saleh M. One Scan Connected Component Labeling Technique // Signal Processing and Communications. 2007. P. 1283-1286.
9. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б.А. Алпатов, П.В. Бабаян, О.Е. Балашов, А.И. Степашкин. М.: Радиотехника, 2008. 176 с.
10. Баклицкий В.К. Корреляционно-экстремальные методы навигации и наведения. Тверь: ТО «Книжный клуб», 2009. 360 с.
11. Briechle K., Hanebeck U.D. Template matching using fast normalized cross correlation // Proc. SPIE. Vol. 4387. Optical Pattern Recognition XII. 2001. P. 95-103.
12. Haykin S. Neural Networks: A Comprehensive Foundation. 2nd ed., 1998. 823 p.
13. 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.
Бондаренко Владимир Александрович зам. нач. центра, shockus@,gmail. com, Россия, Санкт-Петербург, ОАО ««Научно-производственное предприятие «Авиационная и морская электроника»
UNIVERSAL ALGORITHMIC COMPLEX FOR COMPUTER VISION PROBLEMS
V.A. Bondarenko
This paper describes an approach for developing a universal algorithmic complex for solving of different digital image processing tasks. The proposed algorithmic complex contains basic and complex image processing methods, including automatic object detection and automatic object tracking. The algorithmic complex practical implementation sample is provided on board of marine surface monitoring electro-optical system of unmanned sea vehicle.
Key words: digital image processing, automatic object detection, automatic object
tracking.
Bondarenko Vladimir Alexandrovich, deputy director of center, shockus@,gmail. com, Russia, Saint Petersburg, OJSC "Research and Production Enterprise "Aviation and Marine Electronics"
