CC BY
65
Pogorelsky Semen L 'vovich, candidate of technical sciences, head of department, makaretsky a mail. ru, Russia, Tula, JSC "KBP",
Ponyatsky Valeriy Mariafovich, candidate of technical sciences, head of group, makaretskyamail. ru, Russia, Tula, JSC "KBP",
Egorov Dmitriy Borisovich, engineer, makaretskyamail. ru, Russia, Tula, JSC
"KBP",
Makaretsky Evgeniy Alexandrovich, doctor of technical sciences, professor, makaretskyamail. ru, Russia, Tula, Tula State University,
Ovchiinikov Alexandr Viktorovich, сandidate of technical sciences, docent, gubli-nas'a yandex. ru, Russia, Tula, Tula State University,
Gublin Alexandr Sergeevich, сandidate of technical sciences, docent, gubli-nas'a yandex. ru, Russia, Tula, Tula State University
УДК 621.932
ПОВЫШЕНИЕ ТОЧНОСТИ ИЗМЕРЕНИЯ ПАРАМЕТРОВ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ НА ОСНОВЕ АЛГОРИТМИЧЕСКОГО КОМПЛЕКСИРОВАНИЯ
С. Л. Погорельский, В.М. Понятский, Е.А. Макарецкий, А. С. Гублин, А.В. Овчинников
Рассматриваются способы повышения точности измерения параметров траектории движения объекта слежения. Выполнены обзор и анализ методов комплекси-рования изображений, определена структурная схема комплексирования данных нескольких измерительных каналов. Представлены результаты имитационного моделирования системы комплексирования измерительных каналов на основе многоуровневой логики и фильтрации Калмана.
Ключевые слова: комплексирование, фильтр Калмана, многоуровневая логика, весовые коэффициенты
Повышение точности измерения параметров траектории движения объекта слежениявозможно за счёт комплексирования обработки видеоинформации, полученной в различных спектральных диапазонах.
В настоящее время не существует единой методики комплексирования изображений в многоканальных оптико-электронных системах наблюдения, что связано с индивидуальными особенностями каждой конкретной решаемой задачи. Но можно выделить основные задачи, которые могут быть решены комплексированием[1]:
1) отображение основной информации, содержащейся в исходных изображениях (например, телевизионном и тепловизионном);
147
2) максимально точную привязку отдельных изображений;
3) выделение предполагаемых объектов интереса в соответствие с решаемой целевой задачей.
При этом поиск предполагаемых объектов интереса может быть реализован с использованием анализа наблюдаемой сцены, в частности, алгоритмов статистического распознавания и алгоритмов обнаружения по признакам движения.
Как показал анализ методов комплексирования изображений, положительный эффект в результатах обработки видеоизображений (в первую очередь по точности) может быть достигнут следующими путями:
1) комплексная обработка цифровой видеоинформации с нескольких видеосенсоров;
2) осуществление комплексной алгоритмической обработки цифровых изображений, формируемых одним видеосенсором (алгоритмическое компл ексирование);
3) комбинированное аппаратно-программное комплексирование, при котором используются несколько видеосенсоров, а обработка в каждом канале осуществляется с использованием алгоритмического комплексирования.
При любом методе комплексирования, в результате которого формируются параллельные потоки данных об объекте (или объектах), одним
из важнейших этапов является установление достоверности данных и принятие решения о выборе достоверного источника или алгоритма формирования обобщённых комплексированных данных.
Структурная схема комплексирования данных нескольких измерительных каналов показана на рис. 1.
Ш(4)
Блок анализа
Б2
п2(1)
БЗ
пЗ(1)
пп(1)
Рис. 1. Структурная схема комплексирования данных нескольких
измерительных каналов
148
На вход блока анализа на основе многозначной логики поступают сигналы 81(1;)...8п(1:)^8п от различных измерительных каналов, несущие информацию об одном и том же объекте (объектах). Сигналы могут отличаться размерностью, тактовой частотой поступления данных, особенностями восприятия информации об объекте. На информационные сигналы 81(1)...8п(1) накладываются аддитивные шумы и помехи, учитываемые случайными сигналами п1(1).пп(1) ^ ^. Целью обработки является формирование выходного сигнала 82(11), который по выбранному критерию (критериям) должен сохранять информационную составляющую входных сигналов 81(1;)...8п(1;) и отличаться пониженным уровнем шумов. По общему содержанию данная задача аналогична фильтрации сигналов на фоне шумов, а основное отличие заключается в многомерности (векторности) входного сигнала 8п и необходимости преобразования входного многомерного сигнала в одномерный [2].
Одним из подходов к решению задачи комплексирования является раздельная фильтрация потоков данных от каждого канала с последующим их комплексированием с весами, зависящими от точности полученных оценок. Комплексирование данных с использованием весовых коэффициентов в общем случае может быть описано следующей зависимостью:
I = и V;
I
где I) - информационный параметр ;-го канала; wj■ - весовой коэффициент ;-го канала.
Преимущества комплексирования с использованием весовых коэффициентов заключаются, во-первых, в использовании данных от всех каналов, что в сравнении с одним каналом позволяет повысить устойчивость системы, во-вторых, более гибкий учет влияния каждого из каналов на общий результат за счет перераспределения весов. К недостаткам относится необходимость привлечения дополнительных вычислительных ресурсов для определения весовых коэффициентов.
Авторами разработана программа моделирования комплексирова-ния сигналов с нескольких измерительных каналов, назначением которой является исследование эффективности внедрения комплексирования с использованием теории многозначной и нечеткой логии [3]. Приведем пример моделирования (рис. 2): число имитационных каналов, используемых для определения координаты объекта слежения, 3; закон изменения траектории по всем каналам - гармонический, шумовая составляющая по каждому из каналов центрированная и имеет значения уровней среднеквадратичного отклонения (СКО): 1-й канал - 0,5, 2-й канал - 1, 3-й канал - 1,5.
Для входных имитационных сигналов на основе многоуровневой логики были определены поканальные значения весовых коэффициентов (рис. 3). Параметры логики: число уровней 5, предельное отклонение 2.
149
Вхсднай смгиап
О 200 400 1мс 600 ВОО 1000
Рис. 2. Имитационные входные сигналы с шумовой составляющей
Весовые ки|ф|фициенты
■ О 200 400 1 мс 600 300 100С
Рис. 3. Расчетные значения весовых коэффициентов
Выходной сигнал может быть получен путем суммирования каналов без весовых коэффициентов (рис. 4, а), а также с использованием весовых коэффициентов (рис. 4, б).
■2--'-'-'-'- -2-'-'-'-'-
О 200 400 ^ мс 600 000 1000 О 200 400 ( мс 600 800 100(
а б
Рис. 4. Выходной сигнал, полученный на основе: а - суммирования каналов; б - весовых коэффициентов
В результате моделирования установлено, что СКО сигнала, полученного на основе весовых коэффициентов, составляет 0.32, а СКО суммарного канала 0.829. Таким образом, эффективность применения метода весовых коэффициентов с использованием многозначной логики выше в
сравнении с использованием метода суммирования каналов. Отметим, что в рассматриваемом примере сигнал, полученный на основе весовых коэффициентов, имеет шумовые характеристики лучшие, чем наименее зашум-ленный канал.
Возможной альтернативой методу комплексирования на основе весовых коэффициентов является использование фильтрации Калмана, которая представляет собой эффективный рекурсивный фильтр, оценивающий вектор состояния динамической системы, используя ряд неполных и за-шумленных измерений.
Алгоритм фильтрации Калмана при наличии выделенных координат источника излучения двумя методами обработки s1 = 1 и s2 = 1 (режим комплексирования) имеет следующий вид [4]:
2
х1э[п] = х1ф[п -1] + х2ф[п -1] Т0 + х3ф[п -1] Т0 /2; х2э[п] = х2ф[п -1] + х3ф[п -1] Т0;
х3э[п]=х3ф[п -1];
х1ф[п] = х1э[п] + к11 [п^^п] - х1э[п]) + к 21[п] 82(х2[п] - х1э[п]); х2ф[п] = х2э[п] + к12[п]Б1(х1[п] - х1э[п]) + к 22[п]Б2(х2[п] - х1э[п]); х3ф [п] = х3э [п] + к13 [п] (х1п] - х1э [п]) + к 23[п] Б2 (х2[п] - х1э [п]),
где Х1[п], Х2[п] - вычисленные координаты источника двумя методами;
и э2 - признаки наличия сигнала: 8 = 1 - при наличии сигналов, 8 = 0 -при отсутствии сигналов;
хо[п] = х1ф[п], х&о[п] = х2ф[п], хоИ = х3ф[п].
Полученные на выходе фильтра оценки координаты, скорости и ускорения источника излучения:
при отсутствии сигналов 81 = 0 и 8 2 = 0 (режим прогнозирования),
2
х1ф [п] = х1ф[п -1] + х2ф[п -1] Т0 + х3ф[п -1] Т0 /2; х2ф [п] = х2ф[п -1] + х3ф [п-1]Т0.
На рис. 5 приведены выделенные различными методами координаты источника полезного излучения, а также результаты объединения этих координат в процессе комплексирования методом фильтрации Калмана.
Результаты обработки: СХ, СУ - обработка с помощью корреляционного метода; X, У - обработка методом сегментации объектов и селекции характеристик объекта слежения; ХГ, УГ - комплексирование результатов с помощью фильтра Калмана.
У
б
Рис. 5. Выделенные координаты источника полезного излучения: а - вертикальная координата, б - горизонтальная координата
Приведённые графики показывают, что результаты комплексирова-ния двух методов обработки обеспечивают существенно меньший разброс (ошибки) определения координат. Возможные сбои одного из методов компенсируются большей стабильностью результатов второго метода на этом интервале. Проведенное тестирование и обработка экспериментальной последовательности видеоизображений показали эффективность предложенной методики объединения результатов обработки и выделения источника полезного излучения по последовательности видеоизображений разными методами видеоанализа.
Список литературы
1. Поклад П.М Анализ методов интеллектуализации управления сложными динамическими объектами // Вестник ИГЭУ. Вып. 2. 2010. файл 76 - 79.
2. Макарецкий Е.А., Гублин А.С. Комплексирование информации нескольких измерительных каналов методами многозначной логики // Международная конференция // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации: сборник материалов. Курск: Курск.гос. техн. ун-т. 2015. С.224 - 226.
3. Программно-аппаратный комплекс для обработки видеоинформации, формируемой несколькими видеокамерами / Е.А. Макарецкий [и др.] // Международная конференция Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации: сборник материалов. Курск: Курск. гос. техн. ун-т, 2015. С. 226 - 228.
4. Понятский В.М. Комплексирование оценок координат подвижного объекта, полученных разными методами обработки последовательности видеоизображений // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ. 2015. Вып. 2.
Погорельский Семён Львович, канд. техн. наук, начальник отделения, makaretskyamail. ru, Россия, Тула, АО КБП,
Понятский Валерий Мариафович, канд. техн. наук, начальник сектора, makaretskyamail. ru, Россия, Тула, АО «КБП»,
Макарецкий Евгений Александрович, д-р техн. наук, проф., makaretskyamail.ru, Россия, Тула, Тульский государственный университет,
Гублин Александр Сергеевич, канд. техн. наук, доц., [email protected], Россия, Тула, Тульский государственный университет,
Овчинников Александр Викторович, канд. техн. наук, доц., gublinasai yandex.ru, Россия, Тула, Тульский государственный университет
ENHANCE THE ACCURACY PARAMETERS OF THE OBJECT IN THE IMAGE, BASED ON ALGORITHMIC COMPLEX INFORMATION PROCESSING
S.L. Pogorelsky, V.M. Ponyatsky, E.A. Makaretsky, A.S. Gublin, A.V. Ovchiinikov
This article discusses ways to improve the accuracy of measurement parameters trajectory tracking object. A review and analysis of multi-image techniques, determined a block diagram of multi-data of several measurement channels. The results of the simulation of multi-channel measurement system based on multi-level logic, and Kalman filtering.
Key words: aggregation, Kalman filter, a multi-level logic, weights.
Pogorelsky Semen L 'vovich, candidate of technical sciences, head of department, makaretsky a mail. ru, Russia, Tula, JSC "KBP",
Ponyatsky Valeriy Mariafovich, сandidate of technical sciences, head of group, makaretskyamail. ru, Russia, Tula, JSC "KBP",
Makaretsky Evgeniy Alexandrovich, doctor of technical sciences, professor, makaretskyamail. ru, Russia, Tula, Tula State University,
Gublin Alexandr Sergeevich, сandidate of technical sciences, docent, gubli-nasa yandex. ru, Russia, Tula, Tula State University,
153
Ovchiimkov Alexandr Viktorovich, candidate of technical sciences, docent, zubli-rias(cvvaridex.ru, Russia, Tula, Tula State University
УДК 621.396.62
ОБЕСПЕЧЕНИЕ ЗАДАННОЙ ВЕРОЯТНОСТИ ОБНАРУЖЕНИЯ
В СЕКТОРЕ ОБЗОРА РЛС
C.B. Замарахин, A.B. Полынкин
Описан алгоритм распределения ячеек внутри сектора обзора РЛС, обеспечивающего повышение вероятности обнаружения цели и уменьшение вероятности ее пропуска.
Ключевые слова: радиолокационная станция, сектор обзора, вероятность обнаружения, диаграмма направленности антенны.
Распределение вероятности обнаружения по всей области обзора радиолокационной станции (РЛС) зависит от расположения ячеек обзора, определяемых шириной диаграммы направленности антенны (ДНА). Если принять вероятность обнаруженияР^ =0.5, а вероятность ложной тревоги
_7
Fo = 10 , то вероятность обнаружения в каждой точке обзора:
P = F* 1
1 + &-в(у)
Г 2
1/тт' \ —5.55(—)
где & =-— ; 0(у) -е , ширина ДНА по уровню ЗдБ;
ВД)
у - угол между точкой обзора и центром луча, который определяется выражениями
ву/=8ш(р/),А/=8т(е7); (1)
Х1 =д/1-з;/2-^/2;
У(=й (2)
** = V1-у?;
у = агссо + у}уг + }ц1ц).
Входящие в (1) и (2) углы г, и рь а также угол у показаны на рис. 1. Заполнение ячейками области обзора выполняется методом "ромб" (рис. 2) таким образом, чтобы вероятность обнаружения в общей точке трех соседних ячеек была равна Д.
