автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Модели и алгоритмы обработки и анализа изображений для систем автоматического сопровождения воздушных объектов

На правах рукописи

004ЬИ4438

¿У

МУРАВЬЕВ Вадим Сергеевич

МОДЕЛИ И АЛГОРИТМЫ ОБРАБОТКИ И АНАЛИЗА ИЗОБРАЖЕНИЙ ДЛЯ СИСТЕМ АВТОМАТИЧЕСКОГО СОПРОВОЖДЕНИЯ ВОЗДУШНЫХ ОБЪЕКТОВ

Специальность 05.13.01 - «Системный анализ, управление и обработка информации (технические системы)»

Автореферат

диссертации на соискание учёной степени кандидата технических наук

1 7 «юн ?910

Рязань 2010

004604438

Работа выполнена в ГОУВПО Рязанский государственный радиотехнический университет.

Научный руководитель: Официальные оппоненты

доктор технических наук, профессор Алпатов Борис Алексеевич

доктор технических наук, профессор Кузнецов Алексей Евгеньевич

кандидат технических наук, доцент Муртазов Андрей Константинович

Ведущая организация: ФГУП «Конструкторское бюро

машиностроения», г. Коломна

Защита состоится 30 июня 2010 г. в 12 часов на заседании диссертационного совета Д 212.211.01 в ГОУВПО Рязанский государственный радиотехнический университет по адресу:

390005, г. Рязань, ул. Гагарина, 59/1, ауд. 235.

С диссертацией можно ознакомиться в библиотеке ГОУВПО Рязанский государственный радиотехнический университет.

Автореферат разослан «¿¿>> мая 2010 г.

Ученый секретарь диссертационного совета кандидат технических наук, доцент и . Пржегорлинский В.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

Задачи цифровой обработки изображений можно условно разделить на два больших класса: повышение качества изображений для улучшения его визуального восприятия человеком и обработка изображений с целью их классификации, распознавания и анализа в системах технического зрения. И если при решении первого класса задач был достигнут значительный прогресс, то решение второго класса задач столкнулось с рядом трудностей, среди которых можно отметить: отсутствие математических моделей, адекватно описывающих наблюдаемую обстановку, несовершенство датчиков изображешгй, недостаточную производительность вычислительных систем и ряд других. Вместе с тем достижения последних десятилетий в науке и технике позволяют говорить о значительных успехах в преодолении этих проблем.

Развитие технологий обработки изображений способствует интенсивному внедрению видеоинформационных комплексов для решения задач навигации, космического мониторинга Земли, контроля качества и количества производимой продукции, обеспечения безопасности важнейших объектов, передачи и сжатия видеоинформации и т.п. Одним из направлений создания этих комплексов является разработка систем анализа и обработки изображений, которые предназначены, в первую очередь, для установки на подвижных носителях, таких как самолёты, вертолёты, автомобили и другие транспортные средства. Назначением подобных систем является решение задач обнаружения движущихся и неподвижных объектов, оценки их параметров, распознавания, построения траекторий движения.

Постоянное совершенствование средств вычислительной техники приводит к расширению сферы практического применения методов и алгоритмов обработки изображений. Так, комплексы обработки изображешш реального времени начали активно применяться в системах автоматического сопровождения воздушных объектов, наблюдаемых на фоне ясного или облачного неба, с целью решения задач их обнаружения и оценки параметров. Необходимо отметить, что ранее для этих целей использовались преимущественно радиолокационные станции (РЛС). К числу существенных недостатков РЛС можно отнести присутствие "слепой зоны", чувствительность к постановкам помех, высокую стоимость, значительные габариты и ограничения по угловому разрешению, связанные с шириной диаграммы направленности антенны. Кроме этого, во многих случаях применение активных способов наблюдения, связанных с облучением объекта электромапштными волнами, нежелательно, так как приводит к демаскировке положения излучателя. Решить указанные проблемы возможно путем использования современных телевизионных и тепловизионных датчиков для получения изображения объекта с последующей компьютерной обработкой и анализом видеоинформации. Область использования технологий автоматического выделения и оценки параметров воздушных объектов включает в себя задачи обеспечения безопасности аэропортов и важных

промьшшенных предприятий, контроль и мониторинг воздушного движения, астронавигацию и т.д.

В настоящее время разработано множество алгоритмов выделения и оценки параметров объектов. Однако известные подходы зачастую обладают большой вычислительной сложностью и не в полной мере учитывают специфику рассматриваемой задачи и особенности применяемых на практике датчиков изображений. Таким образом, разработка эффективных алгоритмов выделения, обнаружения и оценки параметров для систем автоматического сопровождения воздушных объектов до настоящего времени остается весьма актуальной задачей.

Степень разработанности темы.

Вопросы выделения и оценки параметров воздушных объектов по данным видеонаблюдений достаточно широко представлены в отечественной и зарубежной литературе. Значительный вклад в разработку методов и алгоритмов решения данной задачи внесли работы таких учёных как Б.А. Алпатов, П.А. Бакут, В.Г. Лабунец, А.П. Трифонов, И.Н. Пустынский, D. Braunreiter, В. Li, J. Silverman, Q. Pham и др.

Несмотря на большое количество работ по данной тематике, в результате проведенного анализа не было выявлено публикаций, в которых в полной мере учитывается специфика задач выделения, обнаружения и оценки параметров воздушных объектов с большим диапазоном варьирования размеров, наблюдаемых тепловизионными и телевизионными датчиками на фоне ясного или облачного неба. В ряде работ рассматриваются алгоритмы, позволяющие обнаруживать точечные и малоразмерные воздушные объекты, однако они преимущественно ориентированы на обработку изображений, получаемых с тепловизионных датчиков и часто не способны эффективно обнаруживать протяженные объекты. Синтезированы оптимальные алгоритмы обнаружения и измерения координат объектов, предполагающие известной корреляционную матрицу фона. Существенным ограничением является то, что при больших размерностях изображения требуемая операция нахождения обратной матрицы является очень ресурсоемкой. Разработаны многоэтапные пространственно-временные алгоритмы выделения объектов, но им присущ такой недостаток, как необходимость четкого задания модели движения объектов.

Таким образом, цель диссертации состоит в разработке эффективных алгоритмов решения задачи выделения и оценки параметров воздушных объектов в комплексах обработки изображений для систем автоматического сопровождения. Для достижения поставленной цели в диссертации решаются следующие основные задачи:

- обзор и анализ существующих алгоритмов выделения и обнаружения объектов;

- формирование модели фоноцелевой обстановки и признаков выделения объектов на основе созданной библиотеки реальных видеосюжетов;

- синтез оптимального алгоритма обнаружения воздушных объектов;

- построение многоэтапного алгоритма выделения, обнаружения и оценки параметров воздушных объектов для систем автоматического сопровождения;

- разработка методики и проведение экспериментальных исследований эффективности разработанных алгоритмов с использованием набора тестовых видеосюжетов, выработка рекомендаций по параметрической настройке алгоритмов при различной фоноцелевой обстановке;

- модернизация разработанных алгоритмов с учетом полученных экспериментальных данных и аппаратных ограничений;

- моделирование и проведение натурных испытаний разработанных алгоритмов выделения и оценки параметров воздушных объектов в составе системы автоматического сопровождения.

Научная новизна работы состоит в том, что в ней на основе введенных моделей с использованием теории статистических решений синтезирован оптимальный алгоритм обнаружения воздушных объектов и разработан многоэтапный алгоритм выделения, обнаружения и оценки параметров объектов, ориентированный на применение в системах реального времени. Эффективность разработанных подходов получила экспериментальное подтверждение.

Методы исследования.

Теоретические исследования в настоящей работе выполнены на основе методов теории статистических решений, теории вероятностей, теории оценивания. Экспериментальные исследования выполнялись на реальных и синтезированных видеосюжетах с использованием методов математической статистики.

Достоверность и обоснованность полученных результатов подтверждены корректным использованием математического аппарата, компьютерным моделированием разработанных алгоритмов, результатами экспериментальных исследований, а также опытом практического внедрения.

Реализация и внедрение.

Разработанные в диссертации модели и алгоритмы использованы при выполнении научно-исследовательских работ, проводимых в Рязанском государственном радиотехническом университете по заказам Федерального агентства по образованию и Федерального агентства по науке и инновациям РФ (НИР 6-ОЗГ, НИР 14-ОЗГ, НИР 26-ОЗГ, НИР 7-06Г, НИР 10-08Г, НИР 17-08Г, НИР 12-09Г, 23-09), Российского фонда фундаментальных исследований (НИР 35-06Г), ФГУП "Государственный Рязанский приборный завод" (НИР 1-04, НИР 23-05, НИР 5-06, НИР 2-07, НИР 1-08, НИР 7-09), при выполнении ОКР, проводимых ФГУП "Государственный Рязанский приборный завод" по заказам ОАО "Ульяновский механический завод", ОАО "Радиозавод" г. Пенза, ГУЛ "КБП" г. Тула, ОАО "НИЭМИ" г. Москва в рамках работ по модернизации зенитно-ракетных комплексов "Квадрат", "Бук", "Оса", зенитного ракетно-пушечного комплекса "Тунгуска-М1", а также на инициативной основе с целью совершенствования пункта управления ПУ-12М7 для борьбы с БПЛА.

Апробация работы.

Основные результаты работы докладывались на следующих конференциях:

- 13-й, 14-й и 15-й международных научно-технических конференциях "Проблемы передачи и обработки информации в сетях и системах телекоммуникаций" (Рязань -2004,2005,2008);

-11-й и 12-й всероссийских конференциях "Новые информационные технологии в научных исследованиях и образовании" (Рязань - 2006,2007);

- 8-й и 9-й международных научно-технических конференциях "Цифровая обработка сигналов и ее применения" (Москва - 2006,2007);

- 5-й международной научно-технической конференции "Космонавтика. Радиоэлектроника. Геоинформатика" (Рязань - 2007);

- 30-й, 31-й и 32-й всероссийских научно-практических конференциях "Сети, системы связи и телекоммуникации" (Рязань - 2005-2007);

- 2-й всероссийской научной конференции "Проектирование инженерных и научных приложений в среде MATLAB" (Москва - 2004);

- 1-й международной научной конференции МАА-РАКЦ "Космос для человечества" (Королёв - 2008);

- 1-й международной научно-технической конференции "Проблемы автоматизации и управления в технических системах" (Пенза - 2009).

Выступление на 11-й всероссийской научно-технической конференции "Новые информационные технологии в научных исследованиях и образовании" (2006) отмечено дипломом за лучший доклад.

Публикации.

По теме диссертации опубликовано 18 работ, в том числе четыре статьи, из них две в журналах, рекомендованных ВАК для публикации результатов кандидатских диссертаций. Результаты исследований отражены в 15 отчётах по НИР.

Основные результаты, выносимые на защиту:

- модель фоноцелевой обстановки, на основе которой синтезирован оптимальный алгоритм обнаружения объектов;

- пространственно-временной алгоритм выделения объектов, наблюдаемых на облачных фонах;

- модифицированный алгоритм выделения объектов с процедурой подстройки параметров;

- многоэтапный алгоритм выделения, обнаружения и оценки параметров объектов, наблюдаемых на ровных и облачных фонах.

Структура и объём диссертации.

Диссертация состоит из введения, четырёх глав, заключения, списка литературы (94 источника), изложенных на 155 страницах, содержит 64 рисунка и 5 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

В первой главе диссертации формулируется качественная постановка задачи выделения и оценки параметров воздушных объектов, выполняется обзор и анализ существующих подходов к ее решению. Рассмотрены основные компоненты системы автоматического сопровождения объектов, приведена общая структура алгоритмов выделения и обнаружения воздушных объектов.

Представлен краткий обзор существующих датчиков изображений ТВ и ИК диапазонов, рассмотрены факторы, влияющие на качество формируемого изображения.

Типовая структура системы автоматического сопровождения воздушных объектов приведена на рисунке 1.

Платформа с

установленным

датчиком изображений

Система анализа изображений

Видео

Бинарные изображении

Параметры сегментов

Выделение объектов

Оценка параметров сегментов

Обнаружение и оценка параметров объектов

Управление приводами

Устройство управления

Ошибка позиционирования датчика

Модуль взаимодействия с потребителем

тг

(^Потребитель^)

Рисунок 1 - Структура системы автоматического сопровождения воздушных

объектов

В работе предполагается, что датчик формирует последовательность изображений размерностью 720x576 пикселей с частотой дискретизации 25 кадров в секунду, поступающих на вход системы анализа изображений. Первоначальным этапом обработки, как правило, является этап выделения объектов, состоящий в получении бинарной маски, определяющей положение и форму объектов на наблюдаемом изображении. На практике в процессе выделения объектов любой алгоритм будет допускать ошибки, которые возможно устранить путем применения процедур обработки бинарного изображения и списка сегментов.

По окончании обработки каждого кадра потребителю выдается список таких параметров объектов, как яркость, размеры, координаты центра и др. Устройство управления необходимо для минимизации рассогласования между реальным направлением оптической оси датчика и желаемым, которое в большинстве случаев совпадает с направлением на объект. Совмещение этих направлений с целью постоянного поддержания визуального контакта с выбранным объектом и составляет суть задачи сопровождения.

Примерами наблюдаемых объектов могут служить самолёты, вертолёты, ракеты, наблюдаемые на дальностях от 500 м до нескольких десятков километров как на ровных, так и контрастных облачных фонах. Исходя из удаленности воздушных объектов, характеристик датчиков и возможных полей зрения, размеры наблюдаемых объектов на изображении могут лежать в широком диапазоне значений от 2x2 до 50x50 элементов разложения. При этом учитывается тот факт, что применяемые на практике датчики имеют возможность аппаратного масштабирования изображения.

В системах автоматического сопровождения воздушных объектов датчик размещается на поворотном устройстве, прикреплённом к корпусу носителя. Будем считать, что поле зрения камеры может перемещаться, что в итоге приводит к сдвигам всего изображения. Формируемые последовательности изображений также могут быть искажены шумом, источником которого является датчик изображения.

В диссертации рассмотрены основные физические явления, которые порождают шум на изображении. Для датчиков, построенных на основе ПЗС матриц и линеек, модель шума может быть представлена в следующем виде:

WJ) = ку (Ç àut (/, Л + + ((', + (', j)) + ï,y(i,j), (1) где ^дш(1,Л - дробовой шум, £,mc(i,j) - ток смещения, ÇnwO'J) -темновой ток, %Ke(i,j) - равномерно распределенный шум квантования, i,y(ij) - шум усилителя, распределенный по гауссовскому закону, ку- коэффициент

усиления. При использовании высококачественных видеодатчиков слагаемое у) будет вносить наибольший вклад в формирование шума, тогда £,((', у)

можно считать гауссовским с нулевым математическим ожиданием и дисперсией .

Таким образом, достаточно часто задачу выделения и оценки параметров воздушных объектов необходимо решать при наличии мешающих факторов, к которым можно отнести: присутствие контрастного облачного фона, пространственное перемещение датчика изображений, заслонение объекта фоном, интенсивный шум. Недостатки существующих подходов обусловили необходимость разработки многоэтапных пространственно-временных алгоритмов, способных работать в отмеченных условиях наблюдения. Также необходимо принимать во внимание, что алгоритмы выделения и обнаружения объектов должны быть ориентированы на обработку полного кадра изображения в реальном масштабе времени при большом диапазоне варьирования размеров объектов. Для достижения данной цели требуется учитывать всю имеющуюся априорную информацию о характеристиках объекта и фона.

Вторая глава диссертации посвящена решению задач выделения, обнаружения и оценки параметров воздушных объектов на изображениях, формируемых датчиками ТВ и ИК диапазонов.

За основу была принята следующая модель наблюдения: /(/, j, п) = Hf, j, n)r{i, j, п) + g(i, j, rt\\ - r{i, j, и)) + £(/, j, n\ (/, j) eR,n = l,N, (2) где N - количество наблюдаемых кадров, R = |(/, j) : i = 0, Nx -1; j = 0, Ny -1} -множество точек, на котором задано изображение, Nx,Ny - размеры изображения по вертикали и горизонтали, l(i,j,n) - наблюдаемое изображение, g(i,j,n) и h{i,j,n) - яркости точек фона и объектов соответственно в кадре п, r(i,j, п) - бинарная маска, определяющая положение объектов, ф, j, п) -аддитивный шум датчика.

С целью аналитического решения задачи обнаружения, состоящей в принятии решения о присутствии/отсутствии объекта на изображении, в работе вводятся модели, описывающие яркости точек объекта и фона. При наблюдении удаленного объекта известной конфигурации на фоне неба с помощью датчика видимого диапазона яркости объекта и фона в кадре считаются постоянными, но заранее неизвестными величинами с плотностями

распределения p{h) = p(g) = V , при Л е [0; /тах ], g е [0;/тах ]. Также

/ 'max

считается, что £,(i,j,n) - белый гауссовый шум с нулевым средним и известной дисперсией Положение объекта неизвестно, но предполагается, что координаты (а,Р), задающие его местоположение на изображении, являются дискретной векторной случайной величиной, подчиняющейся равномерному закону распределения. Количество возможных положений объекта в кадре равно NxaNy р, где Nm=Nx-Vo6+\,N^=Ny-Wo6+\, (Vo6JVo6) -

соответственно высота и ширина ограничивающего объект прямоугольника.

Для выбора между гипотезой Хх о присутствии объекта и альтернативной гипотезой Х0 составляется отношение правдоподобия Л, которое сравнивается с порогом. С учетом предложенных моделей, описывающих яркости точек объекта и фона, (2) принимает вид:

1 Е + (3)

: l(iJ) = g + WJU'J)zR,

где Ноб - множество, задающее координаты точек объекта на изображении, Go6 = R/ Ноб. Выражение для А будет равно:

I I p{<x,V)\\px{L\gA*,V)p{h)p(g)dhdg

. а=0 (3=0 (4) Д =-Е--,

)Po(L\g)p(g)dg

где рх (L | g, h, а, Р) - многомерная плотность распределения наблюдаемого изображения при наличии объекта, Po{L\g) - многомерная плотность распределения наблюдаемого изображения при отсутствии объекта, L - вектор, состоящий из яркостей точек наблюдаемого изображения.

В работе показано, что с учетом сделанных допущений, оптимальное по критерию Неймана-Пирсона правило принятия решения заключается в проверке следующего условия:

у

1 SzS>' (U А V1 2ст^ NxNy (hafi ^

где С - константа, зависящая от заданной величины ложной тревоги, V2nu,JNxNy

кА=—,-дгтг- ' sh~ площадь объекта, Sg = NxNy-Sh, Ла_р, ga p-

'maxV A^g

Nr„N

дга^уР а=0 p=0

exp

>С/кл, (5)

усредненные значения яркостей объекта и фона, вычисляемые для всех ос и р в областях, определяемых конфигурациями точек объекта и фона.

Помимо принятия решения о присутствии искомого объекта на изображении необходимо находить оценки (аоб,|Зоб) координат, задающих его местоположение. В диссертации эта задача решается путем применения критерия максимального правдоподобия. Показано, что алгоритм обнаружения объекта и измерения его координат состоит в максимизации критериальной функции F(a,p) = |Aa p - ga pj и сравнении максимального значения с порогом,

зависящим от площади объекта, размеров изображения и СКО шума. В случае принятия гипотезы о наличии объекта в кадре его координаты на изображении

будут определяться как (a,,6Jo6) = argmax(F(a,P)).

a,P

В реальных условиях наблюдения конфигурации объектов на изображении неизвестны, поэтому требуется решать задачу их выделения. Так как изображения могут быть искажены воздействием шума различной природы, а фон может быть как ровным, так и содержать разнородную облачность, то получить аналитическое решение задачи выделения, в общем случае, не удается. Опираясь на результаты теоретических исследований, в диссертации разработан эвристический алгоритм выделения объектов. В соответствии с этим подходом на первом этапе наблюдаемое изображение l(i,j,ri) фильтруется во времени по формуле:

hUj,ri) = у • ¡(i,j,n-1) + (1 - у) • l(i,j,n), i = 0,Nx-l,j = 0,Ny-l, (6)

где l(i,j,n), l(i,j,n-1) - изображения, сглаженные во времени к п-му и «-1-му кадру соответственно, у - коэффициент сглаживания. После процедуры фильтрации для каждой точки находится разность dep(i,j,n) между

наблюдаемым изображением и оценкой /(/, j,п -1), умноженной на некоторый коэффициент kst:

dep(ij,n) = l(ij,n)-kst-IQJ, и-1), (7)

Применение (6), (7) при ksl= 1 и условии неподвижности фона приводит к существенному подавлению шума датчика и позволяет повысить контраст изменяющихся областей наблюдаемого изображения. Такие изменения чаще всего обусловлены перемещением объекта. Однако в силу движения видеодатчика наблюдаемые изображения подвергаются воздействию геометрических преобразований. Разработанные алгоритмы компенсации геометрических преобразований изображений требуют дополнительных вычислительных затрат для их реализации и не всегда бывают эффективны при наблюдении изображений, содержащих однородный фон. Положение усложняет тот факт, что объекты, которые требуется обнаруживать, могут быть как движущимися, так и неподвижными. Для обеспечения компромисса между достоинствами и недостатками временной обработки по выражениям (6), (7)

значения коэффициента кг, могут выбираться дробными в диапазоне от нуля до единицы.

На втором этапе для более точного оценивания яркости объекта и снижения влияния шумов значение анализируемого пикселя усредняется со своими ближайшими соседями, для чего полученная после временной фильтрации разность с?в;,(г,у,л) обрабатывается линейным усредняющим

л — — —. — - .1 —

фильтром, имеющим маску м/\{тх,ту~) = М , тх,ту=-(д{-\)12,^{-\)12 размерности ^ х^,. Параллельно с этим с1вр (/, у, п) обрабатывается фильтром с маской щ{тх,ту)\

™2(тх>ту) =

О, при тх,ту = — (<7)-\)!2,(дх -1)/2,

(8)

-> , , иначе 4 '

(Ч22-Я12)

размерности д2х Яг' причем д2>(!\- Данная операция предназначена для

оценки остаточного фона, содержащегося в г/в/,(/,у,и). При аппаратной

реализации описываемого алгоритма имеется возможность существенно сократить вычислительную трудоемкость процедуры фильтрации, так как при свертке обрабатываемого изображения фактически отсутствуют операции умножения на весовые коэффициенты.

На конечном этапе осуществляется процедура компенсации фона, для чего находится разность (и,4) = /^,п)-/2(и,п), где /](/,./» и

/2 (/, у, п), / = 0,Л^-1,у' = 0,Л^-1 - выходные изображения, полученные после обработки с/е;,(г,у',и) фильтрами с масками м>{ и соответственно. Вычисление разности йпр[},],п) с помощью пространственной фильтрации

имеет много общего с нахождением подэкспоненциального выражения в левой части (5), с тем отличием, что оценка фона вычисляется не во всем кадре, а в области меньшего размера, определяемой маской щ. Бинаризация осуществляется в соответствии с правилом:

1, I¿„р('.У,и)1

;(/,У» = Г ' (9)

0, иначе,

где к - пороговый коэффициент, б = —'— £ £ ¿„р (/, у, п) - оценка

\КхЫу ,=0 у=0

среднеквадратического отклонения шума, вычисляемая во всей области кадра. Результаты численного моделирования показывают, что практически оценка а2 сводится к нахождению второго начального момента, так как математическое ожидание остаточного шума, как правило, близко к нулю.

На изображениях, формируемых датчиками ИК диапазона, интересующие воздушные объекты зачастую имеют положительный тепловой контраст

относительно фона, поэтому целесообразно не вычислять модуль разности с1пр (/', у, п) при пороговой обработке.

В некоторых случаях объекты наблюдаются на контрастном фоне с резкими перепадами яркости, появляющимися из-за того, что в поле зрения видеокамеры попадают деревья, сооружения, элементы искусственных конструкций и т.д. Для улучшения качества работы рассмотренного выше алгоритма в данных условиях его предлагается модифицировать путем использования процедуры предварительной сегментации изображений с целью получения бинарной маски гс(г',у',п), являющейся результатом выделения протяженных контрастных областей. Располагая изображением /"с(/,у',и), можно сократить число лишних сегментов путем обнуления тех точек в г(/',у,п), которые были отличны от нуля в гс(г,у,и).

Задача получения бинарной маски гс(/,у',я) решается путем использования вычислительно простой процедуры сегментации. Для этого /(¿,у, п) сглаживается линейным пространственным фильтром, вычисляется гистограмма р(1с) отфильтрованного изображения /с(/,у, п) и находится некоторое бинарное изображение г5 (7, у, и) по правилу

[1,при р(1с) < Т, - -

г, (г, у, п) = \ /' = 0,N - 1,у = 0,Ж, -1, где Т - порог. Так как

[0, иначе, 7

полученная бинарная маска может содержать сегменты, порожденные присутствием объектов в наблюдаемом кадре, то (/, у, п) подвергается процедуре разметки и на выходном изображении сохраняются только протяженные граничные сегменты. Причем сегмент считается граничным, если он касается как минимум двух сторон обрабатываемой зоны кадра. Пример наблюдаемого и обработанных изображений приведен на рисунке 2._

а б в

Рисунок 2 - Примеры: а- наблюдаемого изображения; б- инвертированной маски Я(/,у',л); в- инвертированного бинарного изображения, формируемого модифицированным алгоритмом выделения объектов После получения итогового бинарного изображения необходимо уменьшить степень фрагментации сегментов (связных областей) и подавить точечный шум, для чего осуществляется морфологическая обработка бинарных

изображений, заключающаяся в последовательном применении операций морфологического закрытия и открытия с квадратными структурирующими элементами. Полученные бинарные изображения могут подвергаться дополнительной межкадровой обработке с целью улучшения связности сегментов. Переход от бинарного изображения к представлению результатов обработки в виде списка параметров связных областей изображения производится с помощью процедуры разметки и параметризации. Исходя из параметров найденных сегментов и имеющейся априорной информации, можно принять решение о наличии объектов в обрабатываемой области кадра. Сегменты, не прошедшие проверку, удаляются из дальнейшего рассмотрения. Для сопоставления списков объектов, найденных на текущем и предыдущем кадрах, и присвоения каждому объекту уникального номера применяется алгоритм стробирования. Селекция объектов в стробе осуществляется исходя из минимума расстояния между центром объекта и центром строба.

С целью повышения качества обнаружения объектов и учета особенностей работы оператора предложено ввести дополнительный канал пространственной фильтрации и пороговой обработки. В обоих каналах осуществляется пространственная обработка по формулам (6)-(9), но значения размеров маски и>2 и порогового коэффициента первого и второго каналов, положения и размеры зон обработки отличаются. Каждый канал генерирует свое бинарное изображение, а для получения результата выделения объектов в виде единого бинарного изображения точки бинарного изображения 1-го канала, попадающие в область обработки второго канала, замещаются точками изображения с выхода канала 2. Первоначально работает только канал, предназначенный для выделения и обнаружения объектов, размеры которых лежат в широком диапазоне. Параметры канала фиксированы и не меняются с течением времени. При выделении сегмента, порожденного присутствием интересующего объекта, последний может быть взят на сопровождение. В этом случае включается второй канал, зона пространственной обработки которого соответствует стробу слежения за интересующим объектом, что позволяет точнее оценить дисперсию шума на этапе получения бинарного изображения. Размер д2с маски фильтра и>2 на следующем после включения дополнительного канала кадре выбирается исходя из выражения:

где (Уоб № об} ~ измеренные значения высоты и ширины объекта на изображении, кся - коэффициент сглаживания, - граничное значение д2с. Подстройка значений порогового коэффициента в дополнительном канале в кадре п+1 осуществляется в зависимости от числа найденных объектов в стробе на текущем кадре.

Третья глава посвящена экспериментальным исследованиям разработанных алгоритмов выделения и обнаружения воздушных объектов. В данной главе описаны методики количественного анализа эффективности

?2с(")*сл + тах(#,1 -ксл),при шах(Я,«0<^ ЯгЛФсл + Зтах(Я, ^Х1 - ксл)!2, иначе,

(10)

работы рассматриваемых алгоритмов, приведены результаты статистического моделирования с привлечением как искусственных изображений, так и естественных видеопоследовательностей, выбранных из созданной библиотеки видеосюжетов. Выполнено сравнительное исследование качества выделения и обнаружения воздушных объектов на натурных видеосюжетах.

При исследовании качества работы алгоритмов использовались как визуальная, так и количественная оценки. Фон на использованных сюжетах был как неподвижным, так и движущимся со скоростью до нескольких десятков пикселей за кадр. Использовались сюжеты как с однородным фоном, так и с присутствием кучевых облаков, деревьев, элементов искусственных конструкций, размеры объектов изменялись от 2x2 пикселей до 55x40 пикселей. С целью уменьшения искажений, вызванных использованием датчиков с чересстрочной разверткой, применялась интерполяция изображения по полукадрам.

Для количественного анализа работы алгоритмов выделения объектов использовались следующие методики: строились зависимости частоты правильного выделения точек объекта от частоты ложного выделения точек объекта; определялась зависимость частоты правильного выделения от отношения сигнал/шум; находились зависимости частоты правильного обнаружения объекта от частоты ложных тревог; определялось предельное отношение сигнал/шум, при котором малоразмерный объект еще обнаруживался. Под частотой правильного выделения Рт понималось отношение числа точек, правильно отнесённых к объекту, к общему количеству точек объекта. Частота ложных тревог Рт вычислялась как отношение количества точек, неверно отнесённых к объекту, к общему количеству точек изображения, не принадлежащих объекту. Частота правильного обнаружения Рпо малоразмерного объекта рассчитывалась как отношение числа кадров, на которых объект был обнаружен, к общему количеству кадров видеопоследовательности, Дополнительно проводились исследования точности измерения координат объектов. В качестве эталонных использовались данные, полученные человеком-экспертом.

По результатам исследований разработанных алгоритмов можно сделать следующие выводы.

1. Частота правильного выделения составляет 0,75-0,85 при частоте ложных тревог 0,005 для размеров объектов, лежащих в диапазоне от 10x10 до 50x50 элементов разрешения.

2 Частота правильного обнаружения малоразмерных воздушных объектов, наблюдаемых на фоне облачного неба при отношении сигнал/шум 3 и выше, достигает значений 0,85-0,9 при частоте ложных тревог 0,005. 3. При использовании временной обработки становится возможным уменьшить количество пропусков малоразмерного объекта при одном и том же значении ложных тревог (в 1,5-3 раза) по сравнению с чисто пространственной обработкой и заметно подавить шум. Рассматриваемые алгоритмы позволяют

обнаруживать малоразмерные объекты вплоть до отношений сигнал/шум 2,5 в исходном видеосигнале.

4. Алгоритм выделения воздушных объектов, использующий процедуру предварительной сегментации изображений, обеспечивает лучшие характеристики по сравнению с немодифицированным алгоритмом при наблюдении объектов на контрастных фонах. Прирост частоты правильного выделения составляет до 45% при фиксированной частоте ложных тревог.

5. Значение СКО ошибки измерения координат центров объектов на изображении не превышает 1,5 пикселей.

Приведены результаты исследований разработанных алгоритмов в сравнении с известными подходами, основанными на байесовской процедуре сегментации и максмедианной фильтрации, позволяющие сделать следующие выводы.

1. Анализ полученных результатов позволяет утверждать о преимуществе разработанного алгоритма выделения при наблюдении объектов размерами более 10x10 по сравнению подходом, использующим максмедианную фильтрацию. Прирост частоты правильного выделения крупноразмерного объекта составляет 30-50% при одном и том же значении ложных тревог (рисунок 3). Качество обнаружения малоразмерных объектов для рассматриваемых алгоритмов находится примерно на одинаковом уровне.

Рисунок 3 - Графики зависимостей частоты правильного выделения от частоты ложных тревог построенные при изменении к для: а- разработанного алгоритма; б- алгоритма, основанного на максмедианной фильтрации 2. Использование предлагаемого многоэтапного алгоритма выделения, обнаружения и оценки параметров воздушных объектов позволяет добиться уменьшения частоты пропусков объекта в 2 раза и СКО ошибки измерения координат центров объекта на 50-65% по сравнению с алгоритмом, основанным на байесовской сегментации. Под пропуском объекта понимается превышение расстояния, происходящее более двух кадров подряд, между эталонными и

измеренными координатами центра объекта на заранее заданную величину. В работе данная величина выбиралась равной диагонали прямоугольника, ограничивающего эталонное изображение объекта.

3. К числу основных преимуществ разработанных алгоритмов выделения воздушных объектов можно отнести: невысокую чувствительность к изменению освещенности наблюдаемой сцены, возможность обработки полного кадра изображения в реальном масштабе времени и работоспособность алгоритмов при изменении размеров объектов в большом диапазоне.

В четвёртой главе диссертации рассмотрены вопросы программной и аппаратной реализации алгоритмов выделения, обнаружения и оценки параметров объектов. Проведен анализ вычислительной сложности предложенных алгоритмов выделения воздушных объектов, позволяющий судить об их невысокой трудоемкости, даны рекомендации по аппаратной реализации алгоритмов на современной элементной базе. Описаны результаты апробации разработанных подходов в реальных условиях наблюдения, а также рассмотрены основные проблемы, выявленные в ходе проведения натурных испытаний. Приведено описание программного обеспечения, разработанного в среде МАТЬАВ, предназначенного для моделирования алгоритмов и выполнения сравнительных экспериментальных исследований.

В работе исследовалась возможность применения предлагаемых алгоритмов выделения и оценки параметров объектов в составе пункта управления для борьбы с беспилотными летательными аппаратами (БПЛА), целью которого является обнаружение и сопровождение БПЛА тепловизионным датчиком и камерой видимого диапазона, а также выдача целеуказаний оператору. Помимо БПЛА на практике исследовалась эффективность обнаружения и сопровождения таких самолетов и вертолетов, как Ан-2, Миг-31, Ка-52, Ми-8 и др. на дальностях до 35 км с помощью матричных и скановых датчиков изображений. Примеры сопровождения 05ъект0в представлены на рисунке 4._

Рисунок 4 - Примеры сопровождения воздушных объектов В процессе сопровождения возникали ситуации, характеризующиеся присутствием контрастного фона, частичным или полным заслонением объекта облаками и деревьями, изменением направления движения и размеров объекта,

искажением изображения шумами видеодатчика и низким отношением сигнал/шум во входном видеосигнале.

В целом результаты проведенных натурных экспериментов свидетельствуют о целесообразности использования разработанных алгоритмов в составе системы автоматического сопровождения воздушных объектов.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Предложена модель фоноцелевой обстановки, на основе которой синтезирован оптимальный по критерию Неймана-Пирсона алгоритм обнаружения объектов, а также получен оптимальный по критерию максимального правдоподобия алгоритм обнаружения объектов и измерения их координат.

2. Основываясь на результатах теоретических исследований, разработан эвристический пространственно-временной алгоритм выделения воздушных объектов, наблюдаемых как на фоне ясного, так и облачного неба. Проведены сравнительные экспериментальные исследования, подтверждающие преимущества данного алгоритма по частоте правильного выделения на 30-50% при наблюдении крупноразмерных объектов по сравнению с подходом, основанным на максмедианной фильтрации.

3. Разработан алгоритм выделения воздушных объектов, использующий процедуру предварительной сегментации изображений для выявления граничных областей с резкими перепадами яркости. Данный алгоритм обеспечивает лучшие характеристики по сравнешло с немодифицированным алгоритмом при наблюдении объектов на контрастных фонах (прирост частоты правильного выделения составляет до 45% при той же частоте ложных тревог).

4. С целью увеличения качества обнаружения объектов предложен двухканальный алгоритм выделения объектов, особенностями которого являются введение дополнительного канала пространственной фильтрации и пороговой обработки и использование процедуры подстройки размерности маски фильтра и порогового коэффициента.

5. Создан многоэтапный алгоритм .выделения, обнаружения и оценки параметров воздушных объектов. Частота пропусков объекта при использовании разработанного подхода в среднем в 2 раза меньше, а СКО ошибки измерения координат центров объекта на 50-65% ниже по сравнению со способом, основанным на байесовской сегментации изображений.

6. Предложены методики количественной оценки эффективности работы предлагаемых алгоритмов. Проведенные экспериментальные исследования с использованием введенных мер качества позволяют утверждать о преимуществах разработанных алгоритмов по сравнению с известными ранее. Использование предлагаемых подходов в системах обработки и анализа изображений реального времени позволяет повысить точность выделения воздушных объектов, наблюдаемых на телевизионных и тепловизионных изображениях при низких отношениях сигнал/шум.

7. Выполнена оценка вычислительной сложности разработанных алгоритмов выделения объектов. Даны рекомендации по их аппаратной реализации на

современной аппаратной базе. Проведены натурные испытания комплекса алгоритмов в составе систем автоматического сопровождения воздушных объектов, установленных на ЗРК "Бук", "Квадрат", "Оса", ЗРПК "Тунгуска-Mi", пункте управления ПУ-12М7 для борьбы с беспилотными летательными аппаратами, свидетельствующие о целесообразности их использования.

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Алпатов Б.А., Бабаян IIB., Муравьев B.C. Анализ траекторий движения объектов в сложных условиях наблюдения // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Тез. докл. 13-й междунар. научно-гехнич. конф. - Рязань, 2004. -С. 92-94.

2. Алпатов Б.А., Балашов O.E., Бохан К.А., Катаев A.A., Муравьев B.C., Селяев A.A., Стротов В.В. Разработка цикла лабораторных работ по курсу "Цифровая обработка изображений" в системе MATLAB // Проектировшше инженерных и научных приложений в среде MATLAB. Труды 2-й всерос. научн. конф. -М.: ИПУ РАН, 2004. - С. 1825.

3. Алпатов Б.А., Муравьев В.С, Муравьев С.И. Алгоритм предварительного обнаружения объектов на основе адаптивной пороговой обработки // Сети и системы связи. Мат-лы 30-го всерос. научн. практ. сем-pa. - Рязань, РВВКУС, 2005. - С.195-197.

4. Муравьев B.C. Пространственный алгоритм обнаружения объектов на основе адаптивного порога // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Тез. докл. 14-й междунар. научно-техн. конф. - Рязань, 2005. - С. 122123.

5. Алпатов Б.А, Муравьев С.И., Муравьев B.C. Пространственный алгоритм выделения объектов на основе адаптивной пороговой обработки // Цифровая обработка сигналов и ее применения. Тез. докл. 8-й междунар. паучно-техн. конф. Том 2. - М.: 2006. - С. 445-448.

6. Муравьев С.И., Муравьев B.C. Исследование алгоритма выделения воздушных объектов на основе пространственной фильтрации // Обработка информации в автоматических системах: Сб. науч. тр. -Рязань: РГРТУ, 2006. - С. 76-82.

7. Муравьев B.C. Моделирование пространственного алгоритма обнаружения и выделения объектов в среде MATLAB // Новые информационные технологии в научных исследованиях и образовании. Тез. докл. 11-й всерос. конф. - Рязань, 2006. - С. 136-137.

8. Муравьев С.И., Муравьев B.C. Пространственный алгоритм выделения и обнаружешм воздушных объектов для видеоинформационных комплексов // Хранить традиции. Готовить профессионалов. Растить патриотов. Мат-лы 31-й научно-техн. конф. - Рязань, РВВКУС, 2006.-С. 148-150.

9. Муравьев B.C., Муравьев С.И. Пространственно-временной алгоритм выделения объектов, наблюдаемых на облачных фонах // Цифровая обработка сигналов и ее применения. Тез. докл. 9-й междунар. научно-техн. конф. Том 2. - М.: 2007. - С. 375-377.

10. Муравьев B.C., Муравьев С.И. Алгоритм выделения и измерения координат объектов, наблюдаемых на облачных фонах // Вестник РГРТУ. - 2007. - №21- С. 20-24.

11. Муравьев B.C. Разработка и исследование пространственно-временного алгоритма выделения воздушных объектов // Новые информационные технологии в научных исследованиях и образовании. Тез. докл. 12-й всерос. конф. - Рязань, 2007. - С. 205.

12. Алпатов Б.А., Муравьёв B.C. Пространственно-временной алгоритм выделения воздушных объектов для систем видеослеженяя // Сети и системы связи. Мат-лы 32-й всерос. научно-пракг. конф. —Рязань, РВВКУС, 2007. - С. 5-7.

13. Муравьев B.C. Пространственно-временной алгоритм выделения объектов при космическом наблюдении // Космонавтика. Радиоэлектроника. Геоинформатнка. Тезисы докладов 5-й междунар. конф. - Рязань, 2007. - С. 237-239.

14. Муравьев B.C. Адаптивный пространственно-временной алгоритм выделения объектов для систем видеослежения // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Тез. докл. 15-й междунар. научно-технич. конф. - Рязань, 2008. -С.135-136.

15. Алпатов Б.А., Бабаян П.В., Муравьёв B.C., Стротов В.В. Обнаружение и сопровождение объектов в последовательности изображений при наблюдении из космоса И Космос для человечества. Тез. докл. 1-ой междунар. конф. - Королев, 2008. - С. 175.

16. Муравьёв B.C. Алгоритм выделения и измерения координат воздушных объектов для систем обработки изображений // Проблемы автоматизации и управления в технических системах. Тез. докл. научно-технич. конф. - Пенза, 2009. - С. 374-377.

17. Муравьев B.C. Пространственный алгоритм обнаружения и измерения координат воздушных объектов на изображении // Вестник РГРТУ. - 2009 - №28. - С. 17-20.

18. Муравьев B.C. Алгоритм выделения воздушных объектов, наблюдаемых на неоднородных фонах // Обработка информации в автоматических системах: Сб. науч. тр. -Рязань: РГРТУ, 2009. - С. 83-88.

Муравьев Вадим Сергеевич

МОДЕЛИ И АЛГОРИТМЫ ОБРАБОТКИ И АНАЛИЗА ИЗОБРАЖЕНИЙ ДЛЯ СИСТЕМ АВТОМАТИЧЕСКОГО СОПРОВОЖДЕНИЯ ВОЗДУШНЫХ ОБЪЕКТОВ

Автореферат

диссертации на соискание учёной степени кандидата технических наук

Подписано в печать 18.05.2010 Бумага офисная. Формат бумаги 60x84/16. Гарнитура Тайме. Усл. печ. л. 1,0. Тираж 100 экз. Печать офсетная. Заказ № $00

Отпечатано в ООО «Интермета» 390000, Рязань, ул. Семинарская д.З.

ВВЕДЕНИЕ.

1 АНАЛИЗ ПРОБЛЕМЫ ВЫДЕЛЕНИЯ, ОБНАРУЖЕНИЯ И ОЦЕНКИ ПАРАМЕТРОВ ВОЗДУШНЫХ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ, ФОРМИРУЕМЫХ ДАТЧИКАМИ ТВ И ИК ДИАПАЗОНОВ.

1.1 Вводные замечания и качественная постановка задачи выделения, обнаружения и слежения за воздушными объектами.

1.2 Обзор датчиков, применяемых в системах анализа изображений.

1.3 Обзор и анализ методов и алгоритмов обнаружения и выделения объектов.

2 РАЗРАБОТКА АЛГОРИТМОВ ВЫДЕЛЕНИЯ, ОБНАРУЖЕНИЯ И ОЦЕНКИ ПАРАМЕТРОВ ВОЗДУШНЫХ ОБЪЕКТОВ.

2.1 Аналитическая постановка задачи обнаружения и измерения координат объекта на изображении.

2.2 Оптимальный алгоритм обнаружения объекта на изображении.

2.3 Алгоритм выделения воздушных объектов, наблюдаемых на облачных фонах.

2.4 Алгоритмы обработки бинарных изображений.

2.5 Анализ сегментов бинарного изображения.

2.6 Алгоритм выделения воздушных объектов, использующий процедуру предварительной сегментации изображений.

2.7 Алгоритм слежения за воздушными объектами.

3 КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ И ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННЫХ АЛГОРИТМОВ.

3.1 Исследование алгоритма выделения воздушных объектов, наблюдаемых на облачных фонах.

3.2 Исследование алгоритма выделения воздушных объектов, использующего процедуру предварительной сегментации изображений

3.3 Исследование эффективности выбора параметров сегментов бинарного изображения.

3.4 Экспериментальные исследования многоэтапного алгоритма выделения, обнаружения и оценки параметров воздушных объектов.

4 ВОПРОСЫ ПРОГРАММНОЙ И АППАРАТНОЙ РЕАЛИЗАЦИИ РАЗРАБОТАННЫХ АЛГОРИТМОВ.!

4.1 Структура программного обеспечения.

4.2 Вопросы аппаратной реализации разработанных алгоритмов выделения воздушных объектов.

4.3 Результаты испытаний разработанных алгоритмов обработки и анализа изображений в составе систем автоматического сопровождения воздушных объектов.

Актуальность работы.

Задачи цифровой обработки изображений можно условно разделить на два больших класса: повышение качества изображений для улучшения его визуального восприятия человеком и обработка изображений с целью их хранения, передачи и представления в системах технического зрения. И если при решении первого класса задач был достигнут значительный прогресс, то решение второго класса задач столкнулось с рядом трудностей, среди которых можно выделить: отсутствие математических моделей, адекватно описывающих наблюдаемую фоноцелевую обстановку, несовершенство датчиков изображений, недостаточная производительность вычислительных систем и ряд других. Вместе с тем, достижения последних десятилетий в науке и технике позволяют сделать заключение о значительных успехах в преодолении отмеченных проблем.

Совершенствование технологий способствует интенсивному внедрению видеоинформационных систем для решения задач навигации, космического мониторинга Земли, контроля качества и количества производимой продукции, обеспечения безопасности различных объектов, передачи и хранения видеоинформации, в биомедицинских и военных приложениях.

Одним из направлений создания систем анализа и обработки изображений является разработка видеоинформационных комплексов, которые предназначены, в первую очередь, для установки на подвижных носителях, таких как самолёты, вертолёты, автомобили и другие транспортные средства. Целью подобных систем является решение задач обнаружения движущихся объектов, оценки их параметров, построения траекторий движения объектов, распознавания образов.

Важным требованием, предъявляемым к видеоинформационным комплексам, является необходимость работы в реальном масштабе времени. Разрабатываемые системы также должны иметь автономный режим функционирования, требуя лишь незначительных усилий со стороны оператора.

Постоянное совершенствование средств вычислительной техники приводит к расширению сферы практического применения методов и алгоритмов обработки изображений. Так, комплексы обработки изображений реального времени начали активно применяться в системах автоматического сопровождения воздушных объектов, наблюдаемых на фоне ясного или облачного неба, с целью решения задач их обнаружения и оценки параметров. Необходимо отметить, что ранее для этих целей использовались преимущественно радиолокационные станции (РЛС). К числу существенных недостатков РЛС можно отнести присутствие "слепой зоны", чувствительность к постановкам помех, высокая стоимость, значительные габариты и ограничения по угловому разрешению, связанные с шириной диаграммы направленности антенны. Кроме этого, во многих случаях применение активных способов наблюдения, связанных с облучением объекта электромагнитными волнами нежелательно, так как приводит к демаскировке положения излучателя. Решить указанные проблемы возможно путем использования современных телевизионных и тепловизионных датчиков для получения изображения объекта с последующей компьютерной обработкой видеоинформации. Установка оптических систем наблюдения вместе с лазерным дальномером во многих случаях дополняет, а в некоторых случаях заменяет РЛС. Из вышеописанного становится понятно, что системы обработки и анализа изображений находят широкое применение при модернизации существующих и разработке новых стационарных и мобильных станций обнаружения и ЗРК (зенитно-ракетных комплексов).

Область использования технологий автоматического обнаружения и выделения воздушных объектов не ограничивается только военными и специальными приложениями и включает в себя также задачи обеспечения безопасности аэропортов, важных промышленных предприятий, контроль и мониторинг воздушного движения, астронавигацию и т.д.

В настоящее время разработано множество алгоритмов выделения и обнаружения объектов [21-24, 51, 52]. Однако данные подходы обладают большой вычислительной сложностью и не в полной мере учитывают специфику рассматриваемой задачи и особенности применяемых на практике датчиков изображений. Таким образом, разработка вычислительно эффективных алгоритмов выделения, обнаружения и оценки параметров воздушных объектов до настоящего времени остается весьма актуальной задачей.

Степень разработанности темы.

Вопросы обнаружения и выделения воздушных объектов по данным видеонаблюдений достаточно широко представлены в отечественной и зарубежной печати. Значительный вклад в разработку методов и алгоритмов решения данной задачи внесли работы таких учёных как Б.А. Алпатов, П.А. Бакут, В.Г. Лабунец, А.П. Трифонов, И.Н. Пустынский, D. Braunreiter, В. Li, J. Silverman, Q. Pham.

Несмотря на большое количество работ по данной тематике, в результате её анализа не было выявлено публикаций, в которых в полной мере учитывается специфика задач выделения и обнаружения воздушных объектов с большим диапазоном варьирования размеров, наблюдаемых как в ТВ, так и ИК-диапазоне на фоне ясного или облачного неба. Важным требованием, предъявляемым к алгоритмам, решающим данную задачу, является возможность их реализации в реальном масштабе времени на существующей элементной базе. В ряде работ, рассматриваются алгоритмь1, позволяющие обнаруживать точечные и малоразмерные воздушные объекты [21-24], однако они преимущественно ориентированы на обработку изображений, получаемых с тепловизионных датчиков. Разработаны многоэтапные пространственно-временные алгоритмы выделения объектов [2, 53], основанные на получении оценок параметров геометрических преобразований изображений. Однако при наблюдении объектов на однородном фоне или фоне с присутствием протяженной облачности точность оценивания может быть низкой, что в итоге приводит к ухудшению качества обнаружения.

Исходя из этого, сформулируем цель диссертации, которая состоит в разработке эффективных алгоритмов решения задачи выделения и оценки параметров воздушных объектов в комплексах обработки изображений для систем автоматического сопровождения. Для достижения поставленной цели необходимо решить следующие основные задачи:

• обзор и оценка достоинств и недостатков существующих алгоритмов выделения и обнаружения объектов;

• создание и анализ библиотеки видеосюжетов для адекватного формирования модели наблюдения, а также систематизация признаков для эффективного выделения объектов;

• синтез оптимального алгоритма обнаружения воздушных объектов;

• построение многоэтапного алгоритма выделения, обнаружения и оценки параметров воздушных объектов для систем автоматического сопровождения;

• разработка методики и проведение экспериментальных исследований эффективности разработанных алгоритмов с использованием набора тестовых видеосюжетов, выработка рекомендаций по параметрической настройке алгоритмов при различной фоноцелевой обстановке;

• модернизация разработанных алгоритмов с учетом полученных экспериментальных данных и аппаратных ограничений;

• моделирование и проведение натурных испытаний разработанных алгоритмов выделения и оценки параметров воздушных объектов в составе системы автоматического сопровождения.

Научная новизна работы состоит в том, что в ней на основе введенных моделей с использованием теории статистических решений синтезирован оптимальный алгоритм обнаружения воздушных объектов и разработан многоэтапный алгоритм выделения, обнаружения и оценки параметров объектов, ориентированный на реальный масштаб времени. Эффективность разработанных подходов получила экспериментальное подтверждение.

Методы исследования.

Теоретические исследования в настоящей работе выполнены на основе методов теории статистических решений, теории вероятностей, теории случайных процессов. Экспериментальные исследования выполнялись на реальных и синтезированных видеосюжетах с использованием методов математической статистики.

Достоверность и обоснованность полученных результатов подтверждены корректным использованием математического аппарата, компьютерным моделированием разработанных алгоритмов, результатами экспериментальных исследований, а также опытом практического внедрения.

Реализация и внедрение.

Разработанные в диссертации модели и алгоритмы были использованы при выполнении научно-исследовательских работ, проводимых в Рязанском государственном радиотехническом университете по заказам Федерального агентства по образованию и Федерального агентства по науке и инновациям министерства образования и науки РФ (НИР 6-ОЗГ, НИР 14-ОЗГ, НИР 26-ОЗГ, НИР 7-06Г, НИР 10-08Г, НИР 17-08Г, НИР 12-09Г, 23-09), Российского фонда фундаментальных исследований (НИР 35-06Г), ФГУП "Государственный Рязанский приборный завод" (НИР 1-04, НИР 23-05, НИР 5-06, НИР 2-07, НИР 108, НИР 7-09), при выполнении ОКР, проводимых ФГУП "Государственный Рязанский приборный завод" по заказам ОАО "Ульяновский механический завод", ОАО "Радиозавод" г. Пенза, ФГУП "КБП" г. Тула, ОАО "НИЭМИ" г. Москва в рамках работ по модернизации зенитно-ракетных комплексов "Квадрат", "Бук", "Оса", зенитного ракетно-пушечного комплекса "Тунгуска-М1", а также на инициативной основе с целью совершенствования пункта управления ПУ-12М7 для борьбы с БПЛА.

Апробация работы.

Основные результаты работы докладывались на следующих конференциях:

13-й, 14-й и 15-й международных научно-технических конференциях "Проблемы передачи и обработки информации в сетях и системах телекоммуникаций" (Рязань - 2004-2005, 2008);

11-й и 12-й всероссийских конференциях "Новые информационные технологии в научных исследованиях и образовании" (Рязань — 2006, 2007);

8-й и 9-й международных научно-технических конференциях "Цифровая обработка сигналов и ее применения" (Москва — 2006-2007);

5-й международной научно-технической конференции "Космонавтика. Радиоэлектроника. Геоинформатика" (Рязань-2007);

30-й, 31-й и 32-й всероссийских научно-практических конференциях "Сети, системы связи и телекоммуникации" (Рязань - 2005-2007);

2-й всероссийской научной конференции "Проектирование инженерных и научных приложений в среде МАТЬАВ" (Москва - 2004);

1-й международной научной конференции МАА-РАКЦ "Космос для человечества" (Королёв - 2008);

1-й международной научно-технической конференции "Проблемы автоматизации и управления в технических системах" (Пенза - 2009).

Выступление на 11-й всероссийской научно-технической конференции "Новые информационные технологии в научных исследованиях и образовании" (2006) отмечено дипломом за лучший доклад.

Публикации.

По теме диссертации опубликовано 18 работ, в том числе четыре статьи, из них две в журналах, рекомендованных ВАК для публикации результатов кандидатских диссертаций. Результаты исследований отражены в пятнадцати отчётах по НИР.

Структура и объём диссертации.

Диссертация состоит из введения, четырёх глав, заключения, списка литературы (94 источника), приложений, изложенных на 155 страницах, содержит 64 рисунка и 5 таблиц.

ЗАКЛЮЧЕНИЕ

Диссертационная работа посвящена решению задачи выделения и оценки параметров воздушных объектов в последовательности изображений, наблюдаемых датчиками ТВ и ИК диапазонов. Данная задача часто возникает при проектировании систем автоматического сопровождения воздушных объектов. Разработанные алгоритмы ориентированы на реализацию в системах обработки и анализа изображений реального времени. Особенностью рассматриваемой задачи, является широкий диапазон варьирования размеров воздушных объектов и низкое отношение сигнал/шум в наблюдаемом изображении.

В процессе исследования задачи получены следующие новые научные и практические результаты:

1. На основе введенной модели фоноцелевой обстановки синтезирован оптимальный по критерию Неймана-Пирсона алгоритм обнаружения объектов, выведен оптимальный по критерию максимального правдоподобия алгоритм обнаружения объектов и измерения их координат. Основываясь на полученных результатах теоретических исследований, разработан вычислительно эффективный пространственно-временной алгоритм выделения воздушных объектов, наблюдаемых на фоне ясного и облачного неба. Предложен алгоритм выделения воздушных объектов, наблюдаемых на контрастных фонах, использующий процедуру предварительной сегментации изображений для подавления граничных областей с резкими перепадами яркости.

2. Создан многоэтапный алгоритм выделения, обнаружения и оценки параметров воздушных объектов. С целью уменьшения частоты срывов слежения предложен двухканальный алгоритм выделения объектов, заключающийся во введении дополнительного канала пространственной фильтрации и пороговой обработки и использовании процедуры подстройки размерности маски фильтра и порогового коэффициента.

3. Предложены количественные методики оценки качества работы пред-лагамых алгоритмов. Проведенные экспериментальные исследования с использованием введенных мер качества позволяют утверждать о преимуществах разработанных подходов по сравнению с алгоритмами, основанными на максмеди-анной фильтрации и байесовской сегментации изображений. Использование предлагаемых алгоритмов в составе систем автоматического сопровождения объектов позволяет повысить точность обнаружения и слежения за мало- и крупноразмерными воздушными объектами, наблюдаемыми на телевизионных и тепловизионных изображениях при отношениях сигнал/шум до 2,5, в том числе при высоком уровне структурного шума датчика изображений.

Так, применение пространственно-временного алгоритма выделения объектов позволяет достичь частоты правильного выделения 0,75-0,85 при частоте ложных тревог 0,005 для размеров объектов лежащих в диапазоне от 10x10 до 50x50 элементов разрешения. Частота правильного обнаружения малоразмерных воздушных объектов, наблюдаемых на фоне облачного неба при отношении сигнал/шум 3 и выше, достигает значений 0,85-0,95 при частоте ложных тревог 0,005. Алгоритм выделения объектов с процедурой предварительной сегментации изображений обеспечивает лучшие характеристики по сравнению с немодифицированным алгоритмом, при наблюдении объектов на контрастных фонах с резкими перепадами яркости (прирост частоты правильного выделения составляет до 45% при той же частоте ложных тревог). Ошибка измерения координат центров крупноразмерных объектов не превышает 1,5 пикселя. Частота срывов слежения при использовании разработанных подходов для большинства использованных сюжетов составляет не более 5 на 1000 кадров, что позволяет добиться улучшения этой характеристики до 2 раз по сравнению со способом, основанным.на байесовской сегментации.

4. Разработанные алгоритмы нашли применение в системах обработки видеоинформации (СОВИ) семейства "Охотник", выпускаемых ФГУП ГРПЗ. Полученные результаты использованы в хоздоговорных работах, выполняемых по заданиям ФГУП ГРПЗ с целью модернизации ЗРК "Квадрат" "Бук", "Оса" ЗРПК "Тунгуска-М1", пункта управления ПУ-12М7 для борьбы с БПЛА.

1. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Алпатов Б.А., Бабаян П.В., Балашов O.E., Степашкин А.И. — М.: Радиотехника, 2008. — 176 с.

2. Алпатов Б.А., Бабаян П.В. Методы обработки и анализа изображений в бортовых системах обнаружения и сопровождения объектов // Цифровая обработка сигналов. — 2006. №2. — С. 45-51.

3. Алпатов Б.А. Методы и алгоритмы обработки изображений в системах управления: учеб. пособие, Рязань, 1999. — 64 с.

4. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. Пер. с англ. М.: Издательский дом "Вильяме", 2004. — 924 с.

5. Госсорг Ж. Инфракрасная термография. Основы, техника, применение. Пер. с франц. М.: Мир, 1988. - 416 с.

6. Snyder D., Hammoud A., White R. Image recovery from data acquired with a charge-coupled-device camera // Journal of the optical society of America — №10(5).-pp. 1014-1023.

7. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАТЛИТ, 2006. - 816 с.

8. Баклицкий В.К., Бочкарёв A.M. Методы фильтрации сигналов в корреляционно-экстремальных системах навигации. — М.: Радио и связь, 1986. — 216 с.

9. Алпатов Б.А., Селяев A.A. Алгоритм оценки местоположения объекта на двумерном изображении // Изв. вузов. — Приборостроение. 1988. - №5. -С.3-5.

10. Колмогоров Г.С., Костромина Е.В., Лучина И.И., Мальцев А.П. Оптоэлек-тронная система самонаведения THSSID // Зарубежная радиоэлектроника. 1987.-№10.-С. 57-68.

11. Eklund M.W., Trivedi М.М. Adaptive correlation-based tracking algorithm //

12. Proc. of SPIE Vol. 2234, Automatic Object Recognition IV. 1994, pp. 384393.

13. Mostafavi H. Optimal window function for image correlation in the presence of geometric distortion // IEEE Trans.-1979.-Vol. ASSP 27.-№2. - pp. 163-169.

14. Гороховатский B.A., Кацлап С.Ф., Путятин Е.П. Анализ изображений в условиях локальных искажений // Автометрия. — 1986. №6. - С. 46—51.

15. Латышев В.В. Кодирование изображений в корреляционно-экстремальных системах // Автоматика и телемеханика. 1983. - №5. - С. 117-121.

16. Буймов А.Г. Корреляционно-экстремальная обработка изображений. — Томск: Изд-во Том. ун-та, 1987. 134 с.

17. Kim S., Jay Kuo С.-С. A Stochastic Approach for Motion Vector Estimation in Video Coding // Proc. of SPIE, Vol. 2304, Neural and Stochastic Methods in Image and Signal Processing III. 1994, pp. 111-122.

18. Алпатов Б.А., Хлудов С.Ю. Алгоритм последовательных испытаний в задаче совмещения двумерных изображений // Изв. вузов. Сер. Электромеханика. 1988. - №7. - С. 87-91

19. Бочкарёв A.M. Корреляционно-экстремальные системы навигации // Зарубежная радиоэлектроника. 1981. -№9. - С. 28-53.

20. Sabio V. Efficient method of target recognition based on spectral correlation of widehand resonance effects // Proc. of SPIE Vol. 2230, Algorithms for Synthetic Aperture Radar Imagery. 1994, pp. 328-335.

21. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике.- М.: Машиностроение. 1990. - 320 с.

22. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.- 107 с.

23. Li J., Shen Z., Bao L. Detection of small moving objects in image sequences // Proc. Of SPIE, Vol. 3069. Automatic Target Recognition IV. 1997, pp. 511517.

24. Deshpande S. D., Er M.H., Ronda V., Chan P. Max-mean and max-median filters for detection of small-targets // Proc. of SPIE, Vol. 3809, Signal and Data Processing of Small Targets. 1999, pp. 74-83.

25. Li J., Shen Z., Biao L. Automatic Target Detection and Tracking System Using Infrared Imagery // Proc. of SPIE, Vol. 3069. Automatic Target Recognition IV. Jun 1997, pp. 534-540.

26. Braunreiter D., Banh N. Detection of moving subpixel targets in infrared clutter with space-time filtering // Proc. of SPIE, Vol. 1481. Signal and Data Processing of Small Targets. 1991, pp. 73-83.

27. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: Методы выделения границ областей // Зарубежная радиоэлектрони-ка.-1987.-№10. С.25-47

28. Pham Q.H., Brosnan Т.М., Smith M.J.T., Mersereau R.M. A morphological method of clutter suppression in ATR // Proc. of SPIE Vol. 3371, Automatic Target Recognition VIII. 1998, pp. 367 - 374.

29. Pham Q.H., Brosnan T.M., Smith M.J.T. Sequential digital filters for fast detection of targets in FLIR image data // Proc. of SPIE Vol. 3069, Automatic Target Recognition VII. Jun 1997, pp. 62-73.

30. Tom V.T., Peli Т., Leung M., Bondaryk J.E. Morphology-based algorithm for point target detection in infrared backgrounds // Proc. of SPIE, Vol. 1954. Signal and Data Processing of Small Targets. 1993, pp. 2-11.

31. Fazlollahi A.H., Javidi B. Optimum receivers for pattern recognition problems with nonoverlapping target and background noise // Optical Engineering 36(10).-Oct 1997, pp. 2633-2641.

32. Бакут П.А., Лабунец В.Г. Телевизионная следящая система с байесовским дискриминатором цели // Зарубежная радиоэлектроника. 1987 — №10. — С.81-93

33. Алпатов Б.А., Блохин А.Н., Бохан К.А. Исследование алгоритма сегментации, основанного на байесовской процедуре классификации // Космонавтика. Радиоэлектроника. Геоинформатика. Тез. докл. 2-й междунар. науч.-техн. конф. — Рязань, 1998. С. 169 - 170.

34. Муравьев С.И., Муравьев B.C. Использование вейвлет-признаков в задачах сегментации изображений // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Тез. докл. 12-й междунар. науч.-техн. конф. Рязань, 2004. - С. 73-74.

35. Алпатов Б.А., Балашов O.E. Исследование методов оценки фрактальной размерности и сегментация изображения // Цифровая обработка сигналов и ее применения. Тез. докл. 6-й междунар. конф. Том 2. М.: 2004. — С. 97-99.

36. Алпатов Б.А., Балашов O.E. Исследование алгоритмов сегментации изображения по фрактальным признакам // Космонавтика. Радиоэлектроника. Геоинформатика. Тез. докл. 4-й междунар. конф. Рязань, 2003. - С. 320321.

37. Тимофеев Б. С., Обухова Н. А. Алгоритм сегментации объектов в последовательности видеокадров методами нечеткой логики // Обработка информации и управление. — 2006 №3. - С.12-18.

38. Борисенко В.И., Златопольский А.А., Мучник И.Б. Сегментация изображений состояние проблемы. // Автоматика и телемеханика. 1987. — №7. -С. 3-55

39. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982. - 790 с.

40. Денисов Д.А., Низовкин В.А. Сегментация изображений на ЭВМ // Зарубежная радиоэлектроника. -1985. — №10 — С. 5-30.

41. Liyan Li, Maylor К.Н. Leung Integrating Intensity and Texture Differences for Robust Change Detection // IEEE Trans, on Image Processing, Vol. 11, No. 2. February 2002. - pp. 105-112.

42. Silverman J., Caefer C.E., DiSalvo S., Vickers V.E. Temporal filtering for point target detection in staring IR imagery: II. Recursive variance filter // Proc. of SPIE Vol. 3373, Signal and Data Processing of Small Targets. Jul 1998, pp. 44-53.

43. Farin D., Peter H.N. de With, Effelsberg W. A Segmentation System with Model Assisted Completion of Video Objects // Proc. Conf. Visual Communications & Image Processing, Proc. SPIE 5150. Jun 2003, pp. 366-377.

44. Farin D., Peter H.N. de With, Effelsberg W. Robust background estimation for complex video sequences // International Conference on Image Processing. — Sept. 2003, pp. 145-148.

45. Алпатов Б.А. Алгоритм обнаружения и выделения движущегося фрагмента изображения // Техника средств связи. Серия Техника телевидения. — 1991.-№2.-С. 72-76.

46. Алпатов Б.А., Блохин А.Н. Модели и алгоритмы обнаружения и выделения движущихся фрагментов изображений // Автометрия. 1995. - №4. — С. 100-104.

47. Алпатов Б.А., Бохан К.А. Алгоритм обнаружения и выделения изображения движущегося объекта в присутствии неоднородного фона // Вестник РГРТА. 1999. - №6 - С. 7-11.

48. Алпатов Б.А. Оценивание параметров движущегося фрагмента двумерного изображения // Техника средств связи. Сер. Техника телевидения. — 1991.-№2.-С. 77-81.

49. Алпатов Б.А. Оценивание параметров движущегося объекта в последовательности изменяющихся двумерных изображений // Автометрия. 1991. -№3.-С. 21-24.

50. Алпатов Б.А. Оптимальное оценивание параметров движущегося объекта в последовательности изображений // Автометрия. — 1994. №2. — С. 3237.

51. Алпатов Б.А., Бабаян П.В. Выделение движущихся объектов в условиях геометрических искажений изображения // Цифровая обработка сигналов. -2004.-№4.-С. 9-14.

52. Алпатов Б.А., Катаев А.А. Обнаружение движущегося объекта в последовательности изображений при наличии ограничений на площадь и скорость движения объекта // Цифровая обработка сигналов — 2007. — №2. — С. 11-16.

53. Трифонов А.П., Куцов Р.В. Обнаружение движущегося с произвольной скоростью объекта при неизвестных интенсивностях изображения и фона // Автометрия. 2006. - №4. - С. 3-16.

54. Aridgides A., Fernandez М., Randolph D., Bray D. Adaptive three-dimensional spatio-temporal filtering techniques for infrared clutter suppression. Proc. of SPIE Vol. 1305, Signal and Data Processing of Small Targets. Oct 1990, pp. 63-74.

55. Aridgides A., Fernandez M., Randolph D., Ferris D. Adaptive 4-D IR clutter suppression filtering technique // Proc. of SPIE Vol. 1481, Signal and Data Processing of Small Targets. Aug 1991, pp. 110-116.

56. Fernandez M.F., Aridgides A., Bray D. Detecting and tracking low-observable targets using IR // Proc. of SPIE Vol. 1305, Signal and Data Processing of Small Targets. Oct 1990. - pp. 193-206.

57. Стротов B.B. Оценивание параметров смещения изображения в задачах выделения движущихся объектов // Вестник РГРТУ. Рязань, 2008. — №.23. -С. 30-37.

58. Муравьев B.C. Пространственный алгоритм обнаружения и измерения координат воздушных объектов на изображении // Вестник РГРТУ — 2009 — №28.-С. 17-20.

59. Репин В.Г., Тартаковский Г.П. Статистический синтез при априорной неопределенности и адаптация информационных систем. — М.: Советское радио, 1977.- 432с.

60. Левин Б.Р. Теоретические основы статистической радиотехники. Книга вторая. — М.: Советское радио, 1975.-392с.

61. Акимов П.С. и др. Сигналы и их обработка в информационных системах. М.: Радио и связь, 1994. - 256 с.

62. Алпатов Б.А., Муравьев В.С, Муравьев С.И. Алгоритм предварительного обнаружения объектов на основе адаптивной пороговой обработки // Сети и системы связи. Мат-лы 30-го всерос. научн. практ. сем-pa. Рязань, РВВКУС, 2005.- С.195-197.

63. Муравьев B.C. Пространственный алгоритм обнаружения объектов на основе адаптивного порога // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Тез. докл. 14-й междунар. научно-технич. конф. Рязань, 2005. — С.122-123.

64. Алпатов Б.А, Муравьев С.И., Муравьев B.C. Пространственный алгоритм выделения объектов на основе адаптивной пороговой обработки // Цифровая обработка сигналов и ее применения. Тез. докл. 8-й междунар. конф. Том 2.-М.: 2006. С. 445-448.

65. Муравьев С.И. Муравьев B.C. Пространственный алгоритм выделения иобнаружения воздушных объектов для видеоинформационных комплексов // Сети и системы связи. Мат-лы 31-й научно-техн. конф. — Рязань, РВВКУС, 2006. С. 148-150.

66. Муравьев С.И. Муравьев B.C. Исследование алгоритма выделения воздушных объектов на основе пространственной фильтрации // Обработка информации в автоматических системах: Сб. науч. тр. — Рязань: РГРТУ,2006. С. 76-82.

67. Алпатов Б.А., Бабаян П.В., Стротов В.В. Анализ точностных характеристик методов слежения за фоновым изображением для бортовой видеоинформационной системы // Вестник РГРТУ. Рязань, 2007. - №20. - С. 310.

68. Rao М. Target recognition using cepstrum and inverse filtering // Proc. of SPIE, Vol. 2484, Signal Processing, Sensor Fusion and Target Recognition IV. 1995, pp. 224-235.

69. Муравьев B.C., Муравьев С.И. Алгоритм выделения и измерения координат объектов, наблюдаемых на облачных фонах // Вестник РГРТУ. Рязань, 2007. -№21. - С. 20-24.

70. Муравьев B.C., Муравьев С.И. Пространственно-временной алгоритм выделения объектов, наблюдаемых на облачных фонах // Цифровая обработка сигналов и ее применения. Тез. докл. 9-й междунар. конф. Том 2. М.:2007. С. 375-377.

71. Муравьев B.C. Разработка и исследование пространственно-временного алгоритма выделения воздушных объектов // Новые информационные технологии в научных исследованиях и образовании. Тез. докл. 12-й всерос. конф. Рязань, 2007. — С. 205.

72. Алпатов Б.А., Муравьёв B.C. Пространственно-временной алгоритм выделения воздушных объектов для систем видеослежения // Сети и системы связи. Мат-лы 32-й всерос. научно-практ. конф. Рязань, РВВКУС, 2007.- С. 5-7.

73. Муравьев B.C. Пространственно-временной алгоритм выделения объектов при космическом наблюдении // Космонавтика. Радиоэлектроника. Геоинформатика. Тез. докл. 5-й междунар. конф. Рязань, 2007 - С. 237-239.

74. Разработка теории и алгоритмов обнаружения и оценки параметров объектов в последовательностях изображений. Отчёт о научно-исследовательской работе № 6-ОЗГ /№ госрегистрации 01200302741/ -Рязань, 2003.- 185 с.

75. Алпатов Б.А. Катаев A.A. Исследование эффективности алгоритма межкадровой фильтрации бинарного изображения в системах видеослежения // Вестник РГРТУ. Рязань, 2006. - №19. - С. 3-6.

76. Степашкин А.И., Хлудов С.Ю. Выделение и параметризация связных областей двумерного изображения // Обработка информации в системах управления. — Рязань, 1989. — С. 28-33.

77. McLachlan G. J., Krishnan Т. The ЕМ algorithm and extensions. New York, 1997.-274 p.

78. Li Rong X., Jilkov V.P. A Survey of maneuvering target tracking part III:measurement models // Proc. of SPIE, Vol. 4473, Signal and Data Processing of Small Targets. 2001, pp. 423-446.

79. Брайсон A., Xo Ю-Ши Прикладная теория оптимального управления. Пер. с англ. М.: Мир, 1972. - 544 с.

80. Шахтарин Б.И. Случайные процессы в радиотехнике. 4.1. Линейные системы. М.: Радио и связь, 2002. - 568 с.

81. Муравьев B.C. Алгоритм выделения воздушных объектов, наблюдаемых на неоднородных фонах // Обработка информации в автоматических системах: Сб. науч. тр. Рязань: РГРТУ, 2009. - С. 83-88.

82. Муравьёв B.C. Алгоритм выделения и измерения координат воздушных объектов для систем обработки изображений // Проблемы автоматизации и управления в технических системах. Тез. докл. научно-технич. конф. — Пенза, 2009.-С. 374-377.

83. Муравьев B.C. Моделирование пространственного алгоритма обнаружения и выделения объектов в среде MATLAB // Новые информационные технологии в научных исследованиях и образовании. Тез. докл. 11-й все-рос. конф. Рязань, 2006. - С. 136-137.

84. Алпатов Б.А., Балашов O.E. Степашкин А.И. Повышение точности сопровождения объектов бортовой оптико-механической системой с двухосным карданным подвесом // Мехатроника. Автоматизация. Управление. 2008.- №9. С. 20-23.

85. Алпатов Б.А., Балашов O.E., Степашкин А.И. Формирование управления приводами трехосного карданного подвеса в системе сопровождения объектов // Известия ВУЗов. Приборостроение. 2006. — №5(Т. 49). - С. 2428.

86. Алпатов Б.А., Балашов O.E., Степашкин А.И. Управление приводами ги-ростабилизированной платформы в видеокомпьютерной системе сопровождения объектов // Вестник РГРТА. 2003. - №12. - С. 38-41.