Диссертация (Расширение условий функционирования систем визуальной навигации автономных беспилотных летательных аппаратов), страница 4

Данныйподход основан на попиксельном сравнении двух изображений: эталонного,заранее подготовленного изображения искомого объекта (или картыместности),итекущего,полученногобортовойСТЗ.Дляоценкиотносительных координат ЭИ и ТИ производится сканирование большегоизображения меньшим и расчет критериальной функции Kn(di, dj), где di, dj –смещения ЭИ относительно ТИ.Критериальная функция является мерой сходства эталонного и текущего(или его фрагмента) изображений. Результатом такого сканирования будетповерхность, глобальный экстремум которой (максимум или минимум взависимости от типа функции) соответствует области, имеющей наибольшеесходство с эталоном.В рамках данного подхода широко используются [29, 33, 34] следующиекритериальные функции:1.

Взаимная корреляционная функция (ВКФ)1 imax jmaxK c1 di, dj   S i, j   M S  Ri  di, j  dj   M R,imax jmax i1 j 1(1.4)где (, ) − эталонное изображение (ЭИ); (, ) − текущее изображение(ТИ); [. ] − символ математического ожидания; , − координаты ячеекизображения; , размеры сравниваемого фрагмента изображения.2. Нормированная корреляционная функция (НКФ)K c 2 di, dj  K c1 di, dj  S   R ,(1.5)где [. ] оператор среднеквадратического отклонения.При полном совмещении ТИ и ЭИ данные функции имеютмаксимальные значения.213.

Разностные критериальные функции.При полном совмещении ТИ ифункции,ЭИразностныекритериальныев отличие от максимизируемых корреляционных, имеютминимальное значение. Наибольшее распространение получили следующиеразностные функции [37]:функция среднего квадрата разностиK d1 di, dj   M {[ S i, j   Ri  di, j  dj ] 2 } ,(1.6)где d – индекс, обозначающий разностные функции;функция среднего модуля разности (MAD – mean absolute difference)K d 2 ю di, dj   M  S i, j   Ri  di, j  dj   .(1.7)Ошибки, возникающие при оценке смещений ЭИ и ТИ, зависят отточности определения значений корреляционных функций и от их радиусакорреляции.Преимуществами данного подхода, основанного на пространственнойфильтрации изображений, являются простота реализации и высокаяпомехоустойчивость корреляционных алгоритмов к высокочастотным шумам.Рассматриваемые дестабилизирующие факторы – изменения условийнаблюдения, в частности изменения освещенности наблюдаемой сцены,следует отнести к трудно прогнозируемым низкочастотным помехам.Например,измененияосвещенностимогутсущественносместитьматематическое ожидание яркости текущего изображения объекта интереса посравнению с ЭИ, изменить СКО и пр.Наименее устойчивыми к низкочастотным помехам являются разностныеалгоритмы (1.6), (1.7).

Более устойчивой к подобным помехам являетсянормированная корреляционная функция (1.5).Вобщемслучаевкорреляционно-экстремальныхалгоритмахиспользуются ЭИ, которые следует отнести к наиболее сложным признакам[39] объектов интереса.22Сложность изображений затрудняет формирование ЭИ, адаптивных кизменению условий наблюдения. Необходимо отметить, что к изменяемымусловиям наблюдений относится не только изменение освещенности, вчастности, положение источника света, относительно наблюдаемой сцены, нои положение наблюдателя.Таким образом, для решения проблемы формирования адаптивныхописаний предлагается перейти к использованию более простых, нодостаточно информативных и устойчивых к помехам признаков объектовинтереса.В этом случае вместо корреляционных алгоритмов следует применятьболее универсальные методы сопоставления эталонных и текущих описаний.Наиболее общим подходом при обнаружении или распознаванииобъектов является использование статистических методов обнаружения ираспознавания.Рассмотрим задачу распознавания объектов интереса [28, 28, 31, 35].Алфавит классов распознаваемых объектов (ориентиров) обозначаетсякак = (1 , 2 , .

. . , , . . , ),(1.8) = (1 , 2 , . . . , , . . . , ),(1.9)а вектор признаков –где M – количество распознаваемых классов; N – количество анализируемыхпризнаков.При двух распознаваемых классах решается задача обнаружения.Принятие решения о принадлежности объекта (или фрагментаизображения) к тому или иному классу производится на основанииопределения области, к которой относятся значения признаков объектов,полученных ТИ.Будем считать, что статистическая связь между полученнымизначениями признаков и классами определяется условными плотностями23распределения (| ), которые будем считать эталонными описаниямиобъектов.Пусть распознаваемыми классами являются два класса: объект - 2 и фон- 1 .Заданы 21 , 12 – потери от неправильного обнаружения (ложнойтревоги - α и пропуска цели - β соответственно); (1 ), (2 ) – априорныевероятности присутствия объектов 1 , 2 .

При этом необходимо, чтобывыполнялись условия: 21 + 12 = 1 и (1 )+(2 ) = 1.На основании этих данных рассчитывается пороговое значениекоэффициента правдоподобия:0 =21 (1 )12 (2 ).(1.10)Пусть в процессе наблюдения некоторого участка области поискапринимается видеоинформация, содержащая значения вектора признаков .Тогда, имея описания объектов 1 и 2 , можно определить текущие значенияплотностей (|1 ), (|2 ).Известно, что решение об обнаружении объекта 2 принимается, еслибудет выполнено условие0 ≤( | 2 )( | 1 ).(1.11)Если параметры плотностей (| ) неизвестны, то обоснованноепринятие решения (о принадлежности объекта к конкретному классуобъектов) невозможно.Если значения допустимых потерь 21 , 12 , а также априорныевероятности (1 ), (2 ) известны, то принятие решения об обнаружении илинеобнаружении объекта производится на основе критерия минимальногориска Байеса.Если потери неизвестны, то можно принять гипотезу, что 21 = 12 == 0,5.24Аналогично, если априорные вероятности неизвестны, то принимается(1 ) = (2 ) = 0,5.При неизвестных потерях и априорных вероятностях пороговыйкоэффициент правдоподобия принимает значение 0 = 1 и сответствуеткритерию Фишера.Выбор значений допустимых потерь и оценка априорных вероятностейсущественно влияет на результаты обнаружения.

В реальных условияхкритерий Фишера может оказаться избыточно пессимистичным илиоптимистичным. Поэтому желательно определить некоторые правила,которые помогут (хотя бы приближенно) определить значения допустимыхпотерь и априорных вероятностей.По сценарию, описанному в [1], для уточнения решений об обнаруженииреализуются дополнительные полеты для более подробного обследованияместа возможного нахождения объектов поиска.При частом возникновении ошибок типа «ложная тревога» подобныеполеты могут существенно увеличить время поиска.

Таким образом, еслитребуется сократить время поиска, то необходимо увеличивать значение 21 .При этом будет соответственно уменьшаться вероятность ложной тревоги, нотакже будет увеличиваться ошибка типа «пропуск цели».Если необходимо ограничивать обе ошибки обнаружения (α и β), томожно использовать критерий минимальной длительности экспериментаВальда [39].Предварительное задание вероятностей (1 ), (2 ) может сократитьвремя поиска объектов.Обозначим (2 ) – априорную вероятность присутствия объекта 2 вточке области поиска с координатами , . Пусть предполагаемое положениеориентира на изображении имеет координаты 0 , 0 , в центре области вероятного присутствия объекта.

Тогда можно назначить значения априорныхвероятностей 0 (2 ), (2 ), например, по правилу250 − 0,5∆0 ≤ ≤ 0 + 0,5∆0 , 0 − 0,5∆0 ≤ ≤ 0 + 0,5∆0 ,ifthen (2 ) = 0 (2 ) else (2 ) = (2 ),(1.12)где ∆0 , ∆0 - размеры области вероятного присутствия ориентира; 0 (2 ) >> (2 ).Приизмененииосвещенностинаблюдаемыехарактеристикиориентиров, служащих для решения задач визуальной навигации, могутизменяться, что, при их сопоставлении с имеющимися эталоннымиописаниями, приводит к возрастанию ошибок типа «ложная тревога» или«пропуск цели».Рассмотрим в качестве примера влияние изменения освещенностисцены (времени суток) на наблюдаемые характеристики объектов «Лес»,«Поле», «Дорога».Рисунок 1.1 а соответствует условию наблюдения «День» (модельнаблюдаемой сцены условно соответствует 12-00 часам).

Рисунок 1.1 б –«Вечер» (соответствует 18-00 часам).а) Сцена «День»26б) Сцена «Вечер»Рисунок 1.1. Изображения наблюдаемой сцены, смоделированные дляразличных условий наблюденияНа рисунке 1.2 приведены примеры описаний (по вертикальной оси плотностей распределения яркостей - (| ), по горизонтальной осиотложены значения яркости) объектов «Лес» (1), «Поле» (2), «Дорога» (3) длясцены «День» (рисунок 1.2 а) и сцены «Вечер» (рисунок 1.2 б).0.1День210.053050100150а) Плотности «День»27Вечер0.120.0513050100б) Плотности «Вечер»Рисунок 1.2.

Плотности распределения при разном освещенииИз графиков видно, что при изменении освещенности происходитизменениезначенийматематическогоожидания(МО)исреднеквадратического отклонения (СКО) соответствующих плотностейраспределения. Очевидно, что в такой ситуации без изменения пороговвероятности ошибок обнаружения будут увеличиваться. Более подробнооценки изменения вероятности ошибок рассмотрены в главе 4.При решении задач обнаружения или распознавания объектов возникаетнеобходимость определения плотностей распределения, учитывающихтекущиеусловиянаблюдения-(| , ) ,где =(1 , 2 , … . , , … . , ) – вектор условий наблюдения. Под условияминаблюдения, обозначенными индексом , могут пониматься различныефакторы, например, характеристики освещенности наблюдаемой сцены,время суток, время года, регион и т.п.

Примем, что условия наблюдения могутбыть дискретизированы с некоторым интервалом дискретизации. Индексом обозначены конкретные текущие условия наблюдения.Принятие решения об обнаружении означает, что, получив системойнаблюдения БЛА вектор признаков для условий , необходимо определитьзначения плотностей (| , ) и проверить выполнение условия280 ≤( | 2 , ).(1.13)( | 1 , )Однако реализация подобного подхода требует, чтобы в памяти системытехнического зрения БЛА хранились плотности описания объектов для всех = 1, … , возможных условий.Другим вариантом является подход, основанный на моделированиивозможных эталонных описаний искомых объектов на основе известныхфизических законов. Сложность реализации подхода состоит в том, чтонеобходимо формировать модели визуализации объектов наблюдаемой сцены(на основе известных физических законов) с учетом множества трудноформализуемых факторов, связанных с отражающими свойствами различныхтекстур, условиями освещенности и пр.Таким образом, необходимо разработать методику формированияадаптивных описаний, позволяющую:рассчитыватьусловныеплотностираспределенияпризнаков для различных условий наблюдения;1.3.использовать ограниченную обучающую выборку эталонов;корректировать (дообучать) систему во время работы.Навигация на малоинформативных поляхПри решении задачи визуальной навигации на этапе предполетнойподготовки производится планирование маршрута и выбор ориентиров,обнаружение которых позволит с некоторой точностью и вероятностью(заданных в ЦЗ) определять текущее положение БЛА.Для автономных БЛА выбор ориентиров и планирование дальнейшихдействий должны осуществляться бортовой СТЗ в процессе полета, например,при оперативном изменении ЦЗ или маршрута.При полете БЛА в местности с малоинформативными навигационнымиповерхностными полями многие наблюдаемые области могут не иметь29необходимых ориентиров.