автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Определение пространственного положения и распознавание типов летательных аппаратов на основе контурного анализа

005006004

На правах рукописи

Малышев Олег Владимирович

ОПРЕДЕЛЕНИЕ ПРОСТРАНСТВЕННОГО ПОЛОЖЕНИЯ И РАСПОЗНАВАНИЕ ТИПОВ ЛЕТАТЕЛЬНЫХ АППАРАТОВ НА ОСНОВЕ КОНТУРНОГО АНАЛИЗА

г\

Специальность 05.13.01 - Системный анализ, управление и обработка информации (промышленность)

Автореферат

диссертации на соискание ученой степени кандидата технических наук

2 2 ДЕК 2011

Рыбинск-2011

005006004

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П.А.Соловьева».

Научный руководитель:

кандидат технических наук Хмаров Игорь Михайлович

Официальные оппоненты:

доктор технических наук, профессор Баранов Александр Владимирович

кандидат технических наук Тихомиров Илья Александрович

Ведущая организация: Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Санкт- Петербургский государственный университет аэрокосмического приборостроения»

Защита диссертации состоится 30 декабря 2011 года в 12 ч 00 мин на заседании диссертационного совета Д 212.210.04 при федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П.А.Соловьева» по адресу: 152934, г. Рыбинск, ул. Пушкина, д. 53. С диссертацией можно ознакомиться в библиотеке Рыбинского государственного авиационного технического университета имени П.А.Соловьева»

Автореферат разослан 29 ноября 2011 г.

Ученый секретарь диссертационного совета

Конюхов Б.М.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность работы. Важнейшими областями применения радиолокационных и оптико-электронных систем (ОЭС) является обнаружение и последующее сопровождение летательных аппаратов (ЛА). Задача обнаружения ЛА решается на этапе предварительной обработки радиолокационных и оптических сигналов фоно-целевой обстановки. При последующей обработке радиолокационных и оптических сигналов с целью организации работы систем сопровождения решается задача определения пространственного положения ЛА. Важной задачей обработки радиолокационных и оптических сигналов является задача распознавания типов ЛА в полете на фоне небосвода. Традиционно решение задачи распознавания заключается в построении эталонов и решающих правил, позволяющих с требуемой вероятностью отнести изображение реального объекта к одному из заданных классов. Значительный вклад в создание радиолокационных и ОЭС, развитие дистанционных методов обнаружения объектов, методов и средств обработки изображений и распознавания образов внесен специалистами ЦАГИ (г. Москва), ЛИИ им. М.М. Громова (г. Москва), ГОИ им. С.И.Вавилова (г. Санкт-Петербург), НИИКИ ОЭП (г. Сосновый Бор), НПО «Геофизика» (г. Москва), ЦНИИ машиностроения (г. Королев), НИЦ ПВО (г.Тверь) 4ЦНИИ Минобороны России, ИСОИ РАН (г.Самара), ИПМ им. М.В.Келдыша РАН (г. Москва), и ряда других НИУ РАН, промышленности и МО РФ. Разработанный коллективами данных организаций научно-методический аппарат позволяет оптимизировать параметры радиолокационной и оптико-электронной аппаратуры и разрабатывать алгоритмы ее функционирования с учетом целевого назначения.

Вследствие развития ЛА и наземных средств поражения становится актуальной задача определения трех линейных координат центра и трех угловых координат (рыскания, тангажа и крена) поворота связанной системы координат ЛА. Полное решение задачи определения пространственного положения ЛА требуется при решении задачи распознавания типов ЛА и решении задачи определения наиболее уязвимых элементов конструкции ЛА. Кроме того, полное решение задачи определения пространственного положения необходимо для получения информации о параметрии ЛА по видеозаписи его полета и при решении задачи калибровки многоканальной ОЭС пассивной радиолокации.

Существующие методы (радиолокация, лазерный дальномер, стереопара и системы машинного зрения) не дают полного решения задачи определения пространственного положения. Это позволяет сделать вывод об актуальности разработки метода определения шести обобщенных координат пространственного положения ЛА на основе обработки информации, получаемой из пассивного оптического канала.

Цели работы. На основе обработки изображений, полученных из оптического канала ОЭС, разработать:

1. Метод определения пространственного положения ЛА известного типа.

2. Алгоритм определения элементов конструкции ЛА известного типа.

3. Алгоритм распознавания типа ЛА из заданного базового набора.

Направление исследований. Развитие дистанционных методов обнаружения объектов, определения их пространственного положения, обработки изображений и распознавания образов на основе контурного анализа.

Методы исследований. В диссертации при разработке алгоритмов определения пространственного положения и распознавания ЛА используются общие методы системного анализа, методы теории аппроксимации, теории графов, выпуклого анализа, кусочно-линейной и вычислительной геометрии, дискретной математики.

Обоснованность полученных результатов базируется на использовании основных принципов системного подхода при постановке научной задачи; ее декомпозиции и разработке методов их решения; учете современных представлений о методах обработки информации, влияющих на эффективность ОЭС при решении прикладных задач; использовании значительного объема экспериментальных натурных исследований, расчетных методов и имитационного моделирования с привлечением современных вычислительных средств.

Достоверность полученных результатов подтверждается достаточной для практики сходимостью теоретических расчетов с данными имитационного моделирования и с экспериментальными данными, полученными на реальных объектах и трассах; правильным согласованным выбором исходных данных и условий, принятием допущений и ограничений, имеющих наглядную физическую интерпретацию; решением модельных задач и сравнением полученных результатов с известными ранее или полученными другими методами; согласованностью результатов с ведущими НИУ МО РФ и организациями промышленности, которые получены с использованием изложенного в диссертации научно-методического аппарата.

Положения, выносимые на защиту.

1. Метод определения трех линейных и трех угловых координат пространственного положения ЛА известного типа, основанный на вычислении шести наблюдаемых параметров по внешнему контуру реального изображения ЛА.

2. Обоснование формулы определения расстояния до объекта из асимптотических оценок точности решения задачи определения пространственного положения.

3. Алгоритм построения древовидной структуры контуров границ яркостей на основе спектральных характеристик монохромных изображений.

4. Алгоритм распознавания элементов конструкции ЛА известного типа на основе разделения ракурсов.

5. Алгоритм распознавания ЛА на фоне небосвода, основанный на решении задачи определения пространственного положения для каждого типа ЛА из заданного базового набора.

Научная новизна.

1. Метод определения шести обобщенных координат ЛА известного типа, основанный на обработке одного двумерного изображения.

2. Алгоритм определения элементов конструкции ЛА известного типа, основанный на методе определения пространственного положения.

3. Алгоритм распознавания типов ЛА из заданного базового набора на основе контурного анализа.

Практическая полезность. Алгоритмы, изложенные в работе, были программно реализованы и позволили усовершенствовать процесс калибровки и проверки в полевых условиях многоканальной ОЭС.

Апробация работы. Основные результаты диссертации докладывались на конференциях и совещаниях: XXXII Гагаринские чтения, ХЬ Военно-научная конференция ВА ВКО им. Г.К. Жукова (г. Тверь), Военно-научный комитет космический войск (г. Москва), НИЦ ПВО (г. Тверь) 4 ЦНИИ МО РФ, 54-ая научная конференция МФТИ (г. Москва).

Реализация результатов исследований. Результаты и рекомендации, разработанные и предложенные автором, использовались при проведении исследований в следующих организациях:

1. НИЦ ПВО (г. Тверь) 4ЦНИИ Минобороны России (2009-2011г.г.) - при проведении НИОКР по темам: «Растр-8ЦН», «Заметность-Т» и др., выполненных по заказам Минобороны России.

2. ЗНП АО «Отделение ПВЭ и Ф» (2011г.) - при проведении научно-исследовательских и испытательных работ по теме «Барнаул-Т», выполненной по заказу Минобороны России.

Публикации. Основные результаты диссертации опубликованы в семи печатных работах, в том числе трех статьях в журналах, рекомендованных перечнем ВАК.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и списка литературы (99 наименований). Общий объем диссертации -157 страниц машинописного текста. Диссертация содержит 82 рисунка и 21 таблицу.

СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность исследований, дано краткое изложение содержания и сформулированы результаты, выносимые на защиту.

В первой главе дается обзор литературы, методов и алгоритмов, решающих задачи определения пространственного положения и распознавания, а

также делается формализованная постановка задачи определения пространственного положения ЛА известного типа.

В диссертационной работе основным результатом является метод полного определения пространственного положения ЛА. Остальные результаты (распознавание элементов конструкции ЛА известного типа и распознавание типов ЛА из заданного базового набора) являются прямыми или косвенными следствиями данного метода. По этой причине основное внимание уделяется обзору методов, которые с большей или меньшей полнотой решают задачу определения пространственного положения.

Существующие методы (радиолокация, лазерный дальномер, стереопара и системы машинного зрения) не дают полного решения задачи определения пространственного положения. Радиолокация и лазерный дальномер решают задачу определения трех линейных координат центра объекта, однако не решают задачу пространственной ориентации. Для использования метода стереопары требуются два синхронизированные изображения. Более того, использование стереопары для определения положения ЛА на значительных расстояниях невозможно, поскольку требуемая для таких расстояний база приводит к существенным ошибкам измерений. Системы машинного зрения, применяемые для решения задачи определения ориентации деталей на конвейере, эксплуатируются в условиях, существенно отличных от условий видеонаблюдения за полетами ЛА. Кроме того, деталь на конвейере может занимать строго определенные устойчивые положения, задаваемые гранями ее выпуклой оболочки, тогда как современные ЛА могут иметь любую ориентацию относительно наблюдателя.

Задача определения пространственного положения ЛА решается в рамках традиционной математической модели съемки, как на рис. 1.

Рис. 1. Математическая модель съемки

Математическую модель съемки проективной камерой формируют следующие условия. Точки пространства, направляемые в одну точку фотоприемной матрицы (ФПМ), лежат на одной прямой. Все такие прямые пересекаются в одной точке - оптическим центре С. Оптический центр С лежит на перпендикуляре, построенном к центру ФПМ - оптической оси Ь. Важной характеристикой оптической системы является фокусное расстояние Р - расстояние от ФПМ до С вдоль Ь. Изображение объекта формируется как центральная проекция из оптического центра С на плоскость ФПМ, изображенной на рис. 1 в виде прямоугольника.

В формальной постановке задачи определение пространственного положения Л А сводится к определению трех линейных координат центра Х,У,1 и трех углов поворота у/, у рыскания, тангажа и крена, задающих положение связанной системы координат Л А 0 рХрУргр в абсолютной системе координат расположенной в центре ФПМ, как на рис. 1.

Во второй главе излагается метод определения пространственного положения ЛА, делаются теоретическое и экспериментальное обоснования метода и даются приложения метода к решению задач определения параметрии полета.

Метод определения пространственного положения ЛА тестировался на базовом наборе из 14 ЛА, представленном в табл. 1.

Таблица 1

Базовый набор ЛА

N Модель N Модель N Модель N Модель N Модель N Модель

1 Р-14 5 А-10 6 Р-22 8 АОМ-129 10 ИоЬН 12 Миг-29

2 И-15 7 Р-35 9 ВОМ-109 11 Ргеав 13 Су-25

3 Ыб 14 Су-30

4 Б-18

Внешний облик базовых Л А показан на рис. 2.

и К и •

и

г

Л Г

И I *

10 11 12 13

Рис. 2. Внешний облик базовых ЛА

14

Решение задачи определения пространственного положения ЛА сводится к определению по внешнему контуру С изображения ЛА шести параметров, через которые однозначно вычисляются шесть обобщенных координат. Такими

шестью параметрами являются пиксельные координаты (х,у) точки пересечения прямой, проходящей через точки С и 0р, углы поворота к,1,г вокруг осей 0рХр,0ргр,0рУр и расстояние р между точками С и 0р.

Углы поворота к, I, г отличаются от традиционно используемых углов поворота щ, 3, у обратным порядком выполнения. Определение углов поворота к, /, г осуществляется в результате совмещения реального контура с эталонными контурами из непрерывного 2-параметрического семейства по метрике Ни-кодима.

Для построения эталонных контуров устанавливается характерное фокусное расстояние Г = центр 0р цифровой модели ЛА помещается на оптическую ось £ на характерном расстоянии р = р„ от оптического центра С и фиксируется угол ¿ = 0. В качестве эталонных контуров г(г,г) берутся внешние контуры проекций цифровой модели ЛА на ФПМ для углов (г,г) из прямоугольника 2 = [-180ДВ0]х[-90,90]. При записи эталонных контуров изменять угол к не требуется, поскольку при указанном расположении центра цифровой модели поворот на угол к поворачивает изображение ЛА как твердое тело.

Параметры р,х,у,к,1,г будем называть наблюдаемыми. Вектор обобщенных координат ЛА очевидным образом вычисляется через вектор наблюдаемых параметров. Изложим метод определения наблюдаемых параметров по внешнему контуру в изображения ЛА на ФПМ.

В качестве оценки точки (х,у) проекции центра ЛА принимается центр масс области, заключенной внутри контура в. В точке (х,у) строится вспомогательная система координат 0'Л"У2', показанная на рис. 1. При помощи центральной проекции из оптического центра С контур в переносится с плоскости 0на плоскость О'У'г'. Проекция контура в на 0Т2' обозначается через в'.

Определение углов поворота г,1,к основано на минимизации невязки площадей между реальным и эталонными контурами по метрике Никодима.

Положим Я = dгяmG7dIamГ(r,í)■ Сдвинем центр масс контура ЯГ(г,/) для его совмещения с центром масс контура с. Повернем контур ЛГ(г,1) вокруг его центра масс на угол к и обозначим через /¿(г,г,к) расстояние по метрике Никодима

= \-5(0, пй,)/ЭДиС2) между реальным контуром С и преобразованным растяжением, сдвигом и поворотом на угол к контуром Г(г,0-

Значения углов поворота /•,к, задающих ориентацию ЛА, определяются из минимизации величины ¡1(г,г,к) , где перебор по параметрам г,1 осуществляется на основе е-сети эталонных контуров Г (г,г), а перебор по параметру к

осуществляется по вершинам выпуклых оболочек реального и эталонного контуров.

Расстояние р вычисляется через х,у,г,1 по формуле

_ (х,у) ¿¿дтГ(г,<) Р ~ ~7. ™ Рц1 г„ шат О

получаемой из соображений подобия.

В рамках теоретического обоснования метода определения пространственного положения, в диссертационной работе проанализирована возможность точного и асимптотически точного решения задачи. В случае точного решения минимальная размерность семейства эталонных изображений равна трем. При этом фиксируются параметры х=у=к= 0, а изменяются три параметра г,г,р. В случае асимптотически точного решения минимальная размерность семейства эталонных изображений равна двум. При этом фиксируются параметры х*=у = к = 0, изменяются два параметра г,г. Основой асимптотически точного решения является следующая оценка для расстояния

где IV - число столбцов ФПМ, Р - безразмерная величина, равная отношению фокусного расстояния к линейной длине фотоприемной матрицы по горизонтали, Я - максимальное отклонение точек ЛА от начала связанной системы координат. В диссертации доказано, что при выполнении этого неравенства отклонение центральной проекции относительно ортогональной проекции не превышает одного пикселя. Именно это позволяет при практическом решении задачи определения пространственного положения фиксировать параметр р на характерном расстоянии д.

В рамках экспериментального обоснования метода определения пространственного положения была осуществлена проверка точности решения задачи средствами математического моделирования, испытаний в лабораторных условиях на базе имеющихся физических моделей и полевых испытаний по тематике Растр-8ЦН. В результате проверки метода на уровне математического моделирования выяснено, что при уменьшении диаметра внешнего контура изображения Л А менее 30-40 пикселей (в зависимости от ракурса) метод теряет работоспособность. При диаметре больше указанной границы точность измерений существенно зависит от ракурса изображений ЛА. Максимальная точность достигается на видах снизу-сверху, средняя точность достигается на видах слева-справа, минимальная точность достигается на видах спереди-сзади. При натурных испытаниях осуществлялась проверка точности определения углов ориентации и расстояния. В различных экспериментах средняя точность определения угловых координат изменялась в пределах 10-15 градусов, с максимальными отклонениями в пределах 20-25 градусов. Относительная точность определения расстояния составляет 10-15%.

Задачу определения пространственных положений проиллюстрируем видеозаписью полета J1A модели F-22. По характеру движения полет делится на три части: горизонтальный прилет, уход с резким набором высоты и бочка на финальной стадии ухода. Фрагмент видеозаписи содержит 321 кадр с номерами п от 3' 170 до 3 490 среднего качества, когда JIA имеет достаточно контрастное изображение, а диаметр внешней границы меняется в пределах от 50 до 150 пикселей. На рис. 3 сверху даны отдельные кадры полета ЛА. Белыми отрезками показаны орты связанной системы координат, установленные в результате решения задачи определения пространственного положения. На рис. 3 снизу даны соответствующие виртуальные изображения ЛА в абсолютной системе координат ФПМ.

/

- у/ /

- # /

1

t>

4

У

Рис. 3. Пример решения задачи определения положения

Рис.4. Графики тангажа, крена, рыскания и условного расстояния На рис. 4 даны графики тангажа, крена, рыскания и условного расстояния до объекта, полученного для фокусного расстояния К=3. На графике тангажа отмечено начало выполнения ухода. На графике крена отмечено начало выполнения бочки. На графике расстояния отмечена точка минимального расстояния. Для графика расстояния построена наилучшая среднеквадратическая аппроксимация с ограничением на монотонность и выпуклость. Невязка между графиком расстояния и аппроксимирующей ломаной дает косвенную оценку точно-

сти определения расстояния. В рассматриваемом примере среднее значение относительной величины невязки оказалось равным 3%, а максимальное значение относительной величины невязки оказалось равным 11%.

В третьей главе излагается алгоритм построения границ яркостей с целью выделения внешнего контура ЛА на реальных изображениях, алгоритм распознавания элементов конструкции ЛА на основе разделения ракурсов и алгоритм распознавания типов ЛА на основе решения задачи определения пространственного положения.

С целью разделения ракурсов ЛА разобьем прямоугольник 0 = [—180,180]х [—90,90] на зоны. В белые зоны ракурсов спереди-сзади включим точки (г,г)е<2, для которых проекция точки носа ЛА находится внутри выпуклой оболочки эталонного контура Г(г,1). В темно-серые зоны ракурсов справа-слева включим точки для которых проекция точки носа находится вне

выпуклой оболочки контура Г (г,/), а проекция концевой точки правого крыла или проекция концевой точки левого крыла находится внутри выпуклой оболочки контура Г(г,0- В светло-серые зоны ракурсов сверху-снизу включим остальные точки Идеальное разбиение ракурсов для ЛА модели Р-15 показано на рис. 5 слева.

Рис. 5. Идеальное и реальное разделения ракурсов I На реальных изображениях ракурсы разделяются при помощи минимальных по площади треугольника и параллелограмма реального контура в изображения ЛА, как на рис. 6.

I Рис. 6. Минимальный треугольник и параллелограмм

I Реальное разбиение ракурсов для ЛА модели Р-15 показано на рис. 6 справа.

На ракурсах сверху-снизу определяются опорные точки 0, 1, 2 носа и 1 размахов крыла, как слева на рис. 6. Кроме того, вычисляется опорная точка 1 фонаря пилота. На ракурсах справа-слева определяется опорная точка 0 носа, как справа на рис. 6. Кроме того, определяется опорная точка фонаря пилота,

опорные точки вертикальных и горизонтальных оперений и опорные точки в заделках вертикальных оперений.

Распознавание элементов конструкции ЛА осуществляется по опорным точкам. Например, распознавание элементов конструкции ЛА модели Б-15 при выполнении четверти бочки показано на рис. 7. На первых четырех кадрах определяются опорные точки для ракурса справа-слева. На пятом кадре контур ЛА попадает в буферную зону. На последних пяти кадрах определяются опорные точки для ракурса сверху-снизу.

—

■" . * я—ад

Шй М::

ШМт

Рис. 7. Распознавание элементов конструкции

Распознавание базовых моделей ЛА и их классов на динамических изображениях осуществляется по принципу совмещения реального контура с эталонными. Совмещение реального контура с эталонными происходит в результате решения задачи определения положения ЛА для каждой базовой модели. В качестве меры близости контуров берется относительная невязка площадей ц по метрике Никодима. В качестве решающего правила распознавания берется минимум невязки ¡л. На рис. 8 дано изображение реального ЛА и его контур С.

Рис. 8. Изображение ЛА и его контур С

Невязки реального контура в с эталонными контурами базовых моделей, выраженные в процентах, даны в табл. 2.

Таблица 2

п 1 2 3 4 5 6 7 8 9 10 11 12 13 14

и 35 33 35 31 36 16 34 37 39 43 56 30 33 29

Из табл. 2 следует, что невязка площадей /и принимает минимальное значение ,« = 16 для номера п = 6. Поэтому по принятому решающему правилу данный объект правильно распознается как ЛА модели Р-22 из класса 3. Слева на рис. 9

показано взаимное расположение реального контура (7 с эталонным контуром модели Р-22. В центре и справа на рис. 9 для сравнения показано взаимное расположение реального контура <7 с эталонными контурами модели Миг-29 с номером п = 12 и модели Р-18 с номером я = 4.

Рис. 9. Совмещение реального и эталонных контуров Моделирование работы системы распознавания проводилось для ЛА, показанных на рис.2. Процесс моделирования заключался в постановке ЛА на определенной условной дальности от 200 (диаметр объекта порядка 160 пикселей для типа 2) до 1700 (диаметр объекта порядка 20 пикселей для объекта типа 2) на случайное место ФПМ. Количество испытаний для каждой дальности и каждого типа составило 1000-1200. Число экспериментов выбиралось таким образом, чтобы можно было объективно оценить распознавание типа для всех ориентации ЛА. В результате была выявлена четкая зависимость между вероятностью правильного распознавания и размером объекта. Общая зависимость для некоторых типов из рис. 2 показана в табл. 3.

Таблица 3

Зависимость правильного распознавания от размера объекта

Размер (пике) Б-15,% Р-16,% А-10, % Су-25, %

160 98,3 99,8 99,9 99,7

80 92,9 96,8 99,7 96,1

45 85,3 92,6 97,6 90,8

32 76,6 81,5 94,8 86,4

22 54,4 57,7 90,4 76,1

Очевидно, что вероятность правильного распознавания зависит не только от расстояния до объекта, но и от сложности его формы, так ЛА типа А-10 очень сильно отличается от других ЛА, что наглядно следует из табл. 3. Данные моделирования были проверены на 20 проводках различных типов ЛА.

Вероятность правильного распознавания может быть повышена за счет использования результатов работы на отрезках последовательно идущих кадров. Вероятность правильного распознавания зависит от длины таких отрезков и может быть оценена в рамках схемы испытаний Бернулли. В данном случае в качестве 1-го испытания подразумевается распознавание на г-ом кадре отрезка, а под вероятностью успеха подразумевается вероятность правильного распознавания. Схема испытаний Бернулли позволяет сформулировать решающее правило распознавания на отрезках: если на отрезке последовательно идущих

кадров длины д класс с номером п распознается чаще, чем все остальные, то на этом отрезке объект распознавания относится к классу с номером п.

Продемонстрируем повышение вероятности правильного распознавания классов ЛА на примере видеозаписи реального полета ЛА модели F-22 из класса 3. Видеозапись длится 28 сек и включает 701 кадр. Диаметр ЛА меняется в пределах от 40 до 200 пикселей. Из 701 кадра видеозаписи правильное распознавание на отдельных кадрах осуществляется на 626 кадрах, что составляет 89.3% от общего количества. Отметим, что в матрице перепутывания классов соответствующее значение равно 93.3%. Дополнительно отметим, что ЛА ошибочно распознается на 50 кадрах как объект класса 1, на 3 кадрах как объект класса 2, на 2 кадрах как объект класса 3 и на 1 кадре как объект класса 6. С целью повышения вероятности распознавания воспользуемся табл. 4, связывающей невязку fi с длиной д.

Таблица 4

Таблица длин и невязок

M 10 15 20 25 35

д 1 5 9 17 25

В результате 701 кадров видеозаписи оказались разбиты на 187 отрезков распознавания различной длины. Из 187 отрезков распознавания ЛА правильно распознается на 181 отрезке, что составляет 96.8% от общего числа. При этом ЛА ошибочно распознается на 6 отрезках как объект класса 1. Средняя длина отрезков распознавания оказалась равной 3.74 кадра, а максимальная длина оказалась равной 36 кадров. Предлагаемый способ распознавания на отрезках позволил повысить вероятность правильного распознавания с 89.3% до 96.8% при среднем числе 4 кадров на отрезке.

В четвертой главе рассматривается программная реализация комплекса по определению пространственной ориентации ЛА, распознаванию типа ЛА и определению элементов конструкции. Программный комплекс способен функционировать в двух режимах: автоматическом, когда все действия происходят без участия оператора, и автоматизированном, когда оператор имеет возможность исправить некоторые результаты работы автоматического режима. Сведем основные задачи комплекса в табл. 5.

Таблица 5

Основные задачи программного комплекса

Задача Автоматический режим Ручной режим

Выделение контура объекта Есть Есть

Определение положения объекта Есть Есть

Распознавание типа ЛА Есть Нет

Определение элементов конструкции ЛА Есть Нет

Отсутствие ручного режима в задачах распознавания и определения элементов конструкции связаны со спецификой данных задач, которая требует решения задачи без участия оператора.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ Основные результаты, полученные в диссертационной работе, можно сформулировать следующим образом:

1. Разработан метод определения трех линейных и трех угловых координат пространственного положения ЛА известного типа через шесть наблюдаемых параметров, вычисляемых по внешнему контуру реального изображения ЛА, с точностью по угловым координатам порядка 5 градусов на близких и 10-15 градусов на дальних расстояниях.

2. Получена явная формула определения расстояния до объекта через четыре наблюдаемые параметра с относительной погрешностью порядка 10-15%.

3. Разработан алгоритм построения структуры контуров границ яркостей монохромных изображений.

4. Сделан анализ среднего числа вершин выпуклых оболочек на изображениях, что позволяет оценить целесообразность применения инвариантов, основанных на выпуклых оболочках. Среднее число вершин выпуклой оболочки контура реального изображения примерно равно 11.

5. Разработан алгоритм распознавания элементов конструкции ЛА известного типа на основе разделения ракурсов.

6. Разработан алгоритм распознавания ЛА на фоне небосвода, основанный на решении задачи определения пространственного положения для каждого типа ЛА из заданного базового набора. Вероятность распознавания колеблется от 99%, когда размер объекта превышает 160 пикселей до 54%, когда размер объекта 25 пикселей. В среднем метод дает приемлемые результаты по вероятности распознавания, когда размер объекта более 35 пикселей.

7. Сделан вывод, что предварительное совмещение выпуклых оболочек существенно ускоряет процесс последующего совмещения контуров сложной геометрической формы в задачах переборного характера. Так, для задачи определения пространственного положения, использование выпуклой оболочки сокращает число затратных по времени операций пересечения контуров с 1500020000 до 10-15.

8. Проведенные исследования показали эффективность контурного анализа для работы с объектами сложной геометрической формы в случае, когда контур не подвергается существенным деформациям.

Список основных публикаций Статьи в журналах, входящих в перечень ВАК РФ 1. Малышев О. В. Структура и алгоритмы построения границ яркостей фигур изображения [Текст] / Малышев О. В. // Вестник Рыбинской государствен-

ной авиационной технологической академии им. ПЛ. Соловьева : научный журнал. Рыбинск: РГАТА, 2011.-№1(19). - С. 145-151.

2. Малышев О.В. Алгоритмы выделения и распознавания находящихся на земле самолетов по результатам их космической фотосъемки [Текст] / Малышев О.В., Хмаров И.М., Кондратов Н.Г. // Вестник московского авиационного института: научный журнал. Москва: МАИ, 2011.-№1. - С. 142-149.

3. Малышев О.В. Определение пространственных положений летательных аппаратов по их двумерным динамическим изображениям [Текст] / Малышев О.В., Вишняков A.C., Хмаров И.М., Кондратов Н.Г. // Вестник Московского авиационного института: научный журнал. Москва: МАИ, 20И.-№4,- С.93-101.

Материалы конференций

4. Малышев О.В. Классификация видимых сегментов самолетов для космических изображений [Текст] / Малышев О.В. // XXXII Гагаринские чтения. Научные труды Международной молодежной НТК - Москва : МАТИ, 2009. -том 8. - С. 64-65.

5. Малышев О. В. Распознавание летательных аппаратов и элементов их конструкций на фоне небосвода по двумерным оптическим изображениям [Текст] / Малышев О. В., Хмаров И. М., Золотухин В.К. // Материалы XL военно-научной конференции ВА ВКО им. Г.К.Жукова. Секция №8: Проблемы локационной системотехники - Тверь, 2011. - С. 85-95.(МО РФ).

6. Малышев О.В. Синтез фотореалистических изображений и определение пространственных положений летательных аппаратов в оптико-электронных системах [Текст] / Агафонова Е.А., Малышев О.В. // Труды 54-й научной конференции МФТИ. Факультет радиотехники и кибернетики - Москва : МФТИ, 2011,-том2. -С.25-26.

Свидетельства

7. Малышев O.A., Хмаров И.М., Вишняков A.C., Прохоров A.B. Математическая модель оценки дальности действия огггико-электронной системы, включающей широкоугольный и узкопольный пассивные каналы и лазерный дальномер. РОСПАТЕНТ. Свидетельство №2011617470 от 23.09.2011

Зав. РИО М. А. Салкова Подписано в печать 29.11.2011. Формат 60x84 1/16. Уч.-изд.л. 1. Тираж 100. Заказ 91.

Рыбинский государственный авиационный технический университет имени П. А. Соловьева

(РГАТУ имени П. А Соловьева)

Адрес редакции: 152934, г. Рыбинск, ул. Пушкина, 53

Отпечатано в множительной лаборатории РГАТУ имени П. А. Соловьева

152934, г. Рыбинск, ул. Пушкина, 53

Введение

Глава 1. Постановка задач и обзор методов

1.1. Постановка задач.

1.2. Обзор методов контурного анализа.

1.3. Обзор методов распознавания образов.

1.4. Обзор методов определения положения.

Глава 2. Определение пространственного положения Л А

2.1. Обработка математических моделей Л А.

2.2. Метод определения пространственного положения Л А

2.3. Оценки точности метода для модельных и реальных полетов

2.4. Выводы.

Глава 3. Распознавание типов и элементов конструкции Л А

3.1. Границы яркостей на монохромных изображениях.

3.2. Распознавание типов ЛА

3.3. Распознавание элементов конструкции Л А.

3.4. Выводы.

Глава 4. Программная реализация

4.1. Подготовительный этап.

4.2. Определение пространственного положения.

4.3. Распознавание типа ЛА.

Важнейшими областями применения радиолокационных и оптико-электронных систем является обнаружение и последующее сопровождение летательных аппаратов (ЛА). Задача обнаружения ЛА решается на этапе предварительной обработки радиолокационных и оптических сигналов фоно-целе-вой обстановки. При последующей обработке радиолокационных и оптических сигналов с целью организации работы систем сопровождения решается задача определения пространственного положения Л А. Важной задачей обработки радиолокационных и оптических сигналов является задача распознавания типов ЛА в полете на фоне небосвода. Традиционно решение задачи распознавания заключается в построении эталонов и решающих правил, позволяющих с требуемой вероятностью отнести изображение реального объекта к одному из заданных классов.

Значительный вклад в создание радиолокационных и оптико-электронных систем, развитие дистанционных методов обнаружения объектов, методов и средств обработки изображений и,распознавания образов внесен специалистами ЦАГИ (г. Москва), ЛИИ им. М.М. Громова (г. Москва), ГОИ им. С.И.Вавилова (г. Санкт-Петербург), НИИКИ ОЭП (г. Сосновый Бор), НПО «Геофизика» (г. Москва), ЦНИИ машиностроения (г. Королев), НИЦ ПВО (г. Тверь) 4ЦНИИ Минобороны России, ИСОИ РАН (г. Самара), ИПМ им. М.В.Келдыша РАН (г. Москва), и ряда других НИУ РАН, промышленности и МО РФ. Разработанный коллективами данных организаций научно-методический аппарат позволяет оптимизировать параметры радиолокационной и оптико-электронной аппаратуры и разрабатывать алгоритмы ее функционирования с учетом целевого назначения.

Тем не менее, задачи определения пространственного положения и распознавания типов Л А в оптико-электронных системах не получили решений, удовлетворяющих современным требованиям в прикладных областях.

Полное решение задачи определения пространственного положения ЛА предполагает определение трех линейных координат центра ЛА и трех угловых координат (рыскания, тангажа, крена) ориентации ЛА. В такой постановке задача определения пространственного положения ЛА требуется при решении задачи распознавания типов ЛА, при определении наиболее уязвимых элементов конструкции Л А, при получении объективной информации о параметрии полета ЛА по его видеозаписи и при калибровке многоканальных пассивных оптико-электронных систем. Перечисленные практически важные задачи говорят об актуальности разработки метода определения пространственного положения Л А.

Цель работы: На основе обработки изображений, полученных из оптического канала ОЭС, разработать:

1. Метод определения пространственного положения ЛА известного типа.

2. Алгоритм определения элементов конструкции ЛА известного типа.

3. Алгоритм распознавания типа ЛА из заданного базового набора.,

В диссертационной работе получены следующие новые научные результаты:

1. Метод определения шести обобщенных координат ЛА известного типа, основан-ный на обработке одного двумерного изображения.

2. Алгоритм определения элементов конструкции ЛА известного типа, основанный на методе определения пространственного положения.

3. Алгоритм распознавания типов Л А из заданного базового набора на основе контурного анализа.

На защиту выносятся следующие положения:

1. Метод определения трех линейных и трех угловых координат пространственного положения ЛА известного типа, основанный на вычислении шести наблюдаемых параметров по внешнему контуру реального изображения Л А.

2. Формула определения расстояния до объекта, основанная на асимптотических оценках точности решения задачи определения пространственного положения.

3. Алгоритм распознавания элементов конструкции Л А известного типа на основе разделения ракурсов.

4. Алгоритм распознавания ЛА на фоне небосвода, основанный на решении задачи определения пространственного положения для каждого типа ЛА из заданного базового набора.

5. Алгоритм построения древовидной структуры контуров границ яркостей на основе спектральных характеристик монохромных изображений.

Диссертация состоит из введения, четырех глав, заключения и списка литературы (99 наименований). Общий объем диссертации - 157 страниц машинописного текста. Диссертация содержит 82 рисунка и 21 таблицу.

Основные результаты, полученные в диссертационной работе, можно сформулировать следующим образом:

1. Разработан метод определения трех линейных и трех угловых координат пространственного положения ЛА известного типа через шесть наблюдаемых параметров, вычисляемых по внешнему контуру реального изображения Л А, с точностью по угловым координатам порядка 5 градусов на близких расстояниях и 10-15 градусов на дальних расстояниях.

2. Получена явная формула определения расстояния до объекта через четыре наблюдаемые параметра с относительной погрешностью порядка 10-15%.

3. Разработан алгоритм построения структуры контуров границ яркостей монохромных изображений.

4. Сделан анализ среднего числа вершин выпуклых оболочек на изображениях, что позволяет оценить целесообразность применения инвариантов, основанных на выпуклых оболочках. Среднее число вершин выпуклой оболочки контура реального изображения примерно равно 11.

5. Разработан алгоритм распознавания элементов конструкции Л А известного типа на основе разделения ракурсов.

6. Разработан алгоритм распознавания ЛА на фоне небосвода, основанный на решении задачи определения пространственного положения для каждого типа ЛА из заданного базового набора. Вероятность распознавания колеблется от 99%, когда размер объекта превышает 160 пикселей до 54%, когда размер объекта 25 пикселей. В среднем метод дает приемлемые результаты по вероятности распознавания, когда размер объекта более 35 пикселей.

7. Сделан вывод, что предварительное совмещение выпуклых оболочек существенно ускоряет процесс последующего совмещения контуров сложной геометрической формы в задачах переборного характера. Так, для задачи определения пространственного положения, использование выпуклой оболочки сокращает число затратных по времени операций пересечения контуров с 15'000-20'000 до 10-15.

8. Проведенные исследования показали эффективность контурного анализа для работы с объектами сложной геометрической формы в случае, когда контур не подвергается существенным деформациям.

Заключение

1. Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей. // Зарубежная радиоэлектроника. - 1987. № 10. - С. 6-24.

2. Прэтт У. Цифровая обработка изображений. М. Мир.: 1982.

3. Розенфельд А., Дэвис JI.C. Сегментация и модели изображений // ТИИЭР. 1979. - Т.67, №5. - С. 71-82.

4. Абду И.Э., Прэтт УК. Количественный подсчет детекторов контуров, основанный на подчеркивании перепадов яркости с последующим пороговым ограничением // ТИИЭР. 1975. - Т. 67, № 5. - С. 59-70.

5. Роженцов A.A., Хавизов Р.Г., Добрынская H.A. Потенциальная эффективность распознавания объектов по их форме, задаваемой непрерывным контуром // Математические методы распознавания образов, ММРО-12, 2005.-С. 420-423.

6. Дедус Ф.Ф., Махортых С.А., Панкратов А.Н., Устинин М.Н. Об ортогональных разложениях в электронной картографии// Математические методы распознавания образов, ММРО-9, 1999.-С. 173-175

7. Домахин М.А., Местецкий Л.М., Мехедов И.С., Петрова Л.Г. Восстановление полутоновых изображений по изолиниям яркости// Математические методы распознавания образов, ММРО-12, 2005.-С. 305-308.

8. Чуликов А.И., Илюшин В.Л. Детектор границы области на цветных изображениях // Математические методы распознавания образов, ММРО-13, 2007.-С. 430-433.

9. Mortensen E., Barrett W. Intelligent scissors for image composition. Proc. ACM Siggraph, 191-198. 1995.

10. Reese L. Intelligent Paint: Region-Based Interactive Image Segmentation. Master's thesis, Department of Computer Science, Brigham Young University, Provo, UT. 1999.

11. Rother C., Kolmogorov V., Blake A. Grabcut interactive foreground extraction using iterated graph cuts. Proc. ACM Siggraph. 2004.

12. Li Y., Sun J., Tang C.-K., Shum H.-Y. Lazy Snapping, Proc. ACM Siggraph. 2004.

13. Wang C., Yang Q., Chen M., Tang X., Ye Z.F. Progressive Cut. Proc ACM SIG Multimedia. 2006.

14. Vezhnevets V., Konouchine V. "GrowCut interactive multi-label N-D image segmentation by cellular automata, Proc Graphicon. 2005.

15. Фурман Я.А., Кревецкий А.В., Передреев А.К. и др. Введение в контурный анализ; приложения к обработке изображений и сигналов. 2-е изд., испр. - М.:Физматлит, 2003. - 592 с.

16. Розенфельд А. Распознавание и обработка изображений. М.: Мир, 1972.

17. Melkman A. On-line construction of the convex hull of a simple polygon, Info. Proc. Letters 25, 11-12 (1987).

18. Тот Л.Ф. Расположения на плоскости, на сфере и в пространстве. Государственное издательство физико-математической литературы, М. 1958.

19. Грюнбаум Б. Этюды по комбинаторной геометрии и теории выпуклых тел. Наука, М. 1971.

20. Matthew J. Suderman. Incorrect Diameter Algorithms for Convex Polygons, http://cgm.cs.mcgill.ca/%7Eathens/cs507/Projects/2000/MS/ diameter/document. html

21. Бронштейн E.M. Аппроксимация выпуклых множеств многогранниками. Современная математичка. Фундаментальные исследования. Том 22 (2007), 5-37.

22. Каменев Г.К. Оптимальные адаптивные методы полиэдральной аппроксимации выпуклых тел. М.: ВЦ РАН, 2007, 230 с.

23. Ту Дж., Гонсалес Р. Принципы распознавания образов. М: Мир, 1978. -411 с.

24. Фу К. Структурные методы в распознавании образов М.: Мир, 1977. -319 с.

25. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970.- 383 с.

26. Дуда Р., Харт П. Распознавание образов и анализ сцен М.: Мир, 1977.

27. Хорн Б.К.П. Зрение роботов. Мир. М.: 1989.

28. Фомин В.Н. Математическая теория обучаемых опознающих систем. Л.: Изд-во Ленингр. ун-та, 1975. 236 с.

29. Тимофеев A.B. Математическая модель инвариантного восприятия и опознавания по группам преобразований. В кн.: Кибернетика и вычислительная техника. Вып. 21. Киев, 1973. с. 48-54.

30. Тимофеев A.B. Системы инвариантного опознавания и их реализация методами когерентной и некогерентной оптики. Изв. АН СССР. Техническая кибернетика. 1971. №6. с. 155-163.

31. Грановская P.M., Березная И.Я. Запоминание и узнавание фигур. JL: ЛГУ, 1974. 151 с.

32. Якубович В.А. Некоторые общие принципы построения обучаемых опознающих систем // Вычислительная техника и вопросы программирования. Вып. 4. Л.: Изд-во Ленингр.ун-та. 1965. С. 3-72.

33. Харичев В.В., Шмидт A.A., Якубович В.А. Об одной новой задаче распознавания образов // Автоматика и телемеханика, 1973. N 1. С. 109-122.

34. Журавлев Ю.И. Распознавание образов. Избранные научные труды. М.: Магистр, 1998.

35. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. Вып. 33, М.: Наука, 1978, С. 5-68.

36. Федотов Н.Г. Методы стохастической геометрии в распознавании образов. М.; Радио и связь, 1990. 142 с.

37. Фаломкин И.И., Пытьев Ю.П. Адаптивный морфологический алгоритм локализации объектов на изображении // Математические методы распознавания образов, ММРО-12, 2005.-С. 463-466.

38. Пытьев Ю.П., Чуликов А.И. Морфологический алгоритм изображений: итоги и перспективы // Математические методы распознавания образов, ММРО-12, 2005.-С. 414-419.

39. Казанский Н.Л., Хмелев Р.В. Сравнение объекта и эталона по отклонению контуров, Компьютерная оптика, ИСОИ РАН, Самара, вып.20, с.128-133 (2000).

40. Хмелев P.B. Совместное использование структурного анализа и метрики Хаусдорфа при сравнении объекта и эталона. Компьютерная оптика, ИСОИ РАН, Самара, вып.27, с.174-176 (2005).

41. Хмелев Р.В. Поиск впадин в замкнутом невыпуклом контуре, Компьютерная оптика, ИСОИ РАН, Самара, вып.24, с.164-172 (2002).

42. Ермаков A.C., Копылов A.B., Моттль В.В. Построение поля направлений папиллярных линий для распознавания типа узора отпечатков пальцев // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 207-209.

43. Татарчук А.И., Копылов A.B., Ермаков A.C., Моттль В.В. Вычисление гребневого расстояния между особенностями папиллярных линий для распознавания отпечатков пальцев // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 304-307.

44. Вежневец В.П. Локализация человеческого лица на цветном растровом изображении // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 181-182.

45. Глаз A.B., Шлямов Ю.В., Ярцева С.Д. Вежневец В.П. Применение нейронных сетей для распознавания лиц // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 190-191.

46. Фазылов Ш.Х., Тухтасинов М.Т. Об одной алгоритмической схеме задачи распознавания лиц // Математические методы распознавания образов, ММРО-11, 2003.-С. 464-466.

47. Ковальчук А.И., Беллюстин Н.С., Тельных A.A., Яхно В.Г. О методе промежуточного контроля в сложной системе обнаружения и распознавания лиц // Математические методы распознавания образов, ММРО-13, 2007.-С. 478-481.

48. Голов Н.И. Отдельные алгоритмы, применяемые в реализации морфологического метода сравнения радужных оболочек глаз // Математические методы распознавания образов, ММРО-12, 2005.-С. 289-292.

49. Поцепаев Р.В., Петров И.Б. Восстановление траекторий движения пера по изображениям рукописных символов // Математические методы распознавания образов, ММРО-11, 2003.-С. 412-415.

50. Воскресенский Е.М., Царев В.А. Методы управления процессом распознавания текстовых меток на изображениях // Компьютерная оптика, 32, 2008. -С. 413-416.

51. Волотовский C.B., Казанский H.JL, Попов С.Б., Хмелев Р.В. Система технического зрения для распознавания номеров железнодорожных цистерн с использованием модифицированного коррелятора в метрике Хаусдорфа. // Компьютерная оптика, 27, 2005. -С. 177-184.

52. Чернов A.B., Титова O.A., Чупшев Н.В. Автоматическое распознавание контуров зданий на картографических изображениях // Математические методы распознавания образов, ММРО-13, 2007.-С. 424-430.

53. Хавизов Д.Г., Рябинин К.Б. Распознавание 3D изображений групповых точечных объектов по их проволочным моделям на основе кватернионного исчисления// Математические методы распознавания образов, ММРО-13, 2007.-С. 417-419.

54. Гришин В.А. Телевизионный датчик системы управления движением // Математические методы распознавания образов, ММРО-11, 2003.-С. 286-289.

55. Гришин В. А. Монукулярный измеритель дальности и ориентации поверхности // Сб. науч.тр. Искусственный интеллект в технических системах. Вып. 21, гос. ИФТП. М., 2000. С. 47-55.

56. Хачумов В.М., Колычев A.B., Бреус В.В. Определение геометрических параметров подвижных объектов по телевизионным изображениям // Математические методы распознавания образов, ММРО-9, 1999.-С. 236-239

57. Корякин A.B. Комплексное распознавание трехмерных объектов по разнородной видовой информации с использованием теории коллективных решений // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 225-227

58. Корякин A.B. Синтезированное описание трехмерных сцен на основе совместной обработки разноспектральных изображений // Математические методы распознавания образов, ММРО-Ю, 2001.-С. 228-231

59. Корякин A.B. Принципы реализации комплексного распознавания искусственных космических объектов по многоспектральной видовой информации // Математические методы распознавания образов, ММРО-11, 2003.-С. 336-339

60. Каляев И., Протасов В., Шаповал В. Эффективный метод распознавания трехмерных объектов по части KOHTypa//Pattern Recognition and Image Analysis, 8:2 (1998), 196-197

61. Фурман Я.А. Кватернионный анализ изображений // Математические методы распознавания образов, ММРО-11, 2003.-С. 469-471.

62. Фурман Я.А., Хавизов Р.Г. Формирование меры схожести кватернион-ных сигналов при распознавании 3D // Математические методы распознавания образов, ММРО-12, 2005.-С. 479-481.

63. Глаголев А.Н.,Гольдинов М.Я.,Григоренко С.М. Конструкция самолетов. "Машиностроение 1975.

64. Егер С.М.,Лисейцев Н.К.,Самойлович О.С. Основы автоматического проектирования самолетов. "Машиностроение 1986.

65. Энциклопедия современной военной авиации. АСТ, 2001.

66. Меденников П.А., Павлов Н.И. Адаптивный алгоритм и система признакового распознавания // Оптический журнал.-2000.-Т.67.-N1.-0.46-51.

67. Меденников П.А., Павлов Н.И. Визуальное и автоматическое распознавание объектов по " малопиксельным" изображениям // Оптический журнал. -2003.-Т.70.-Ш.-С.40-44.

68. Меденников П.А., Павлов Н.И. Обнаружение малоразмерных объектов на текстурном изображении / / Оптический журнал. -2003.-Т.70.-Ш.-С.82-86.

69. Миронов Б.М., Малов А.Н., Кузнецов В.А. Автоматическое обнаружение распределенных объектов на когерентно-локационных изображениях с учетом априорных данных. Компьютерная оптика, ИСОИ РАН, Самара, вып.32, с.417-422 (2005).

70. Миронов Б.М., Малов А.Н. Сегментация когерентно-локационных изображений со статистически независимыми элементами. Компьютерная оптика, том 32, 4, С.423-427 (2008).

71. Важинский В.Н., Иванова Е.Е., Тетерин В.В. Структурный метод распознавания частично искаженных контурных изображений // Оптический журнал, 1996, № 8, стр.37-42.

72. Мальцев Г.Н. Распознавание объектов при формировании некогерентных изображений в условиях фазовых искажений // Оптический журнал, 1998, № 6, стр.62-66.

73. Шубников Е.И. Нейронная сеть для распознавания образов на принципах адаптивного резонанса // Оптический журнал, 1995, № 4, стр.19-25.

74. Сирота A.A., Соломатин А.И., Воронова Е.В. Двухэтапный алгоритм обнаружения и оценивания границы объектов на изображениях в условиях аддитивных помех и деформирующих искажений. Компьютерная оптика, ИСОИ PAH-, Самара, вып.34, с.109-117 (2010).

75. Сергунин С.Ю., Кумсков М.И. Диалоговое обучение системы распознавания сцен с активным сенсором / / Математические методы распознавания образов, ММРО-12, 2005.-С. 444-447.

76. Грибков И.В., Захаров A.B., Кольцов П.П., Котович Н.В., Кравченко A.A., Куцаев A.C., Николаев В.К. Тестирование алгоритмов предварительной обработки изображений// Математические методы распознавания образов, ММРО-11, 2003.-С. 283-286

77. Жаботинский Ю.Д., Исаев Ю.В. Адаптивные промышленные роботы и г их применение в микроэлектронике. Радио и связь, 1985, 104 с.

78. Вахитов А.Т.,Гуревич JI.C., Павленко Д.В. Обзор алгоритмов стереозре-ния. Стохастическая оптимизация в информатике. Вып. 4 // Под ред. О. Н. Граничина СПб.: СПбГУ ИТМО, 2008. - С. 151-169.

79. Форсайт Д.А., Понс. Ж. Компьютерное зрение: современный подход.-М.: Вильяме. 2004. 928 с.

80. Горелик C.JL, Кац Б.М., Киврин В.И. Телевизионные измерительные системы -М.: Связь, 1980. 168 с.

81. Коротаев В.В., Краснящих А.В. Телевизионные измерительные системы / Учебное пособие.-СПб: СПбГУ ИТМО, 2008. 108 с.

82. Байбородин Ю.В. Основы лазерной техники. М.: ПРИОР, 2008.-388 с.

83. Бруннер. В. Справочник по лазерной технике. М.:Недра, 2007.-544 с.

84. Матвеев И.Н., Протопопов В.В., Троицкий И.Н., Устинов Н.Д. Лазерная локация,- М.: ИМПРА, 2004.-272 с.

85. Венедиктов А.З., Дёмкин В.Н., Доков Д.С. Особенности трехмерного измерения геометрических размеров деталей лазерным триангуляционным способом // Лазеры. Измерения. Информация. Тезисы докладов конференции Санкт-Петербург, 2004. С. 84.

86. Андреев В.Г., Пальчик О.В. Повышение точности измерения геометрических параметров движущихся объектов методом лазерной триангуляции // Датчики и системы. 2004. - № 9. - С. 6-9.

87. Андреев В.Г., Пальчик О.В. Анализ эффективности математического моделирования лазерных триангуляционных измерителей // Приборы и системы. Управление, контроль, диагностика. 2005. - № 2 - С. 32-35.

88. Плотников С.В., Подчернин В.М., Быковская И.В. Исследование и разработка триангуляционных измерителей и их промышленное применение // Наука производству 2003. № 2 (58). - С. 43-44.

89. Селекция и распознавание целей на основе локации/Под. ред. A.JI. Горелика. М.: Радио и связь, 1990. 320 с.

90. Справочник по радиолокации/Под. ред. М. Сколника/Пер. с англ.: Под общ. ред. К.Н. Трофимова. Т.1. Основы радиолокации/Под. ред. Я.С. Ицх-оки. М.: Сов. радио, 1976. 456 с.

91. Стайнберг Б. Формирование локационных изображений в диапазоне СВЧ//ТИИЭР. 1988. №3. С. 25-34.

92. Теоретические основы радиолокации/ A.A. Коростылев, Н.Ф. Клюев, Ю.А. Мельников и др. Под ред. В.Е. Дулевича. М.: Сов. радио, 1978. 608 с.

93. Малышев О.В. Классификация видимых сегментов самолетов для космических изображений // XXXII Гагаринские чтения. Научные труды Международной молодежной научной конференции. 2006. Т.8. С. 64-65.

94. Малышев О. В. Структура и алгоритмы построения границ яркостей фигур изображения// Вестник Рыбинской государственной авиационной технологической академии им. П.А. Соловьева. 2011. - Вып. 19. - С. 145 -151.

95. Малышев О. В., Хмаров И. М., Кондрашов Н. Г. Алгоритмы выделения и распознавания находящихся на земле самолетов по результатам их космической фотосъемки// Вестник Московского авиационного институ-та.-2011,- т. -С. 142-149.

96. Малышев О.В., Вишняков A.C., Хмаров И.М., Кондрашов Н.Г. Определение пространственных положений летательных аппаратов по их двумерным динамическим изображениям// Вестник Московского авиационного института-2011. №4. - С. 93-101.