Лысенко Л.Н. Наведение и навигация баллистических ракет (2007) (1242426), страница 106
Текст из файла (страница 106)
Прн визуальном наблюдении количество градаций яркости т, которое может различать человеческий глаз в идеализированных условиях, зависит от диапазона яркостей (контраста) изображения К (!5.7) К = яркость макс. / яркость мин., а также пороговой контрастной чувствительности глаза Кп,в К р — — изменение яркости / яркость. ()5.8) Учитывая малое значение К,р, ги — 1п(К) /К„,р. При контрасте К = 100 и пороговой контрастной чувствительности глаза К,„р = 0,05 количество различимых градаций составляет пз = 9115. В реальных условиях количество передаваемых градаций яркости ограничивается многими причинами и главным образом шумами. При машинной обработке видеосигнала, применяемой в системах видеонаведения, удается зафиксировать значительно большее количество пороговых уровней видеосигнала.
Это позволяет более тщательно анализировать передаваемое изображение и выявлять менее значительные изменения его контраста, которые могут нести важную информацию при проводимых исследованиях. При машинной обработке видеосигнал представляется в цифровой форме. Количество разрешаемых уровней изменения в этом случае определяется чувствительностью используемого преобразователя типа аналог/цифра, которая у современных преобразователей этого типа достигает О, ! % от максимального значения преобразуемого сигнала (количество различимых в этом случае уровней сигнала т = 1000). Оптическая система видеонаведения критична к таким явлениям, как нагрев, обледенение, запотевание и загрязнение оптики. В связи с этим должны быть применены известные методы защиты, в частности, фильтры, защитные экраны н покрытия.
Система видеонаведения должна выполнять обнаружение и слежение за удаленным объектом малых размеров, что требует масштабного увеличения принимаемого изображения с сохранением его четкости, приводящим в свою очередь к резкому сокращению объемного угла захвата изображения. Даже незначительный поворот видеоприемника относительно направления на объект наблюдения приведет к 579 резкому смещению изображения объекта вплоть до его выхода нз зоны наблюдения и прекращению режима слежения. К особым ограничивающим характеристикам относятся уровни вибраций, особенно при смене курса, и воздействия внешних неблагоприятных факторов среды.
При проектировании системы должны быть учтены высокие требования по обеспечению надежности. 15.5. Особенности реализации алгоритмического обеспечения систем наведения Типовая структура системы обработки видеоизображений, ставящая целью обнаружение и сопровождение объектов, может быть представлена приведенной ниже блок-схемой (рис. 15.5). Здесь приняты обозначения, несущие следующую смысловую нагрузку. Исходное изображение — цифровое изображение (видеокадр), полученное от ДВИ через блок сопряжения — устройство преобразования видеоизображения (оцифровшик, фреймграббер). Предполагается, что кадр имеет структуру %)лбова Ь)ппар (заголовок+ последовательно расположенные строки от 8 до 32 бит на пиксель), Поэтому если оцифровщик передает данные в закодированном (сжатом) виде, их необходимо раскодировать, что может занять довольно значительное время.
Предобработка — общее название процедур цифровой фильтрации изображений, предназначенных для улучшения качества изображения и (или) приведения его характеристик (яркости, контрастности, динамического диапазона и др.) к заданным значениям. Норл|ализоеанное нзобралселце — изображение, основныс характеристики которого находятся в заданных пределах. Обнаружение — нахождение объектов на изображении. Идентификация — сопоставление объектов, обнаруженных на последовательных кадрах, и нахождение соответствий между ними.
Гииеробъекты — объекты с предысторией и прогнозом поведения. Селекция — выделение среди множества объектов тех, которые могут представлять интерес для наблюдателя. Классификация — отнесение объекта к одному из заданных классов, при этом считается, что обьехт может принадлежать только к одному классу, Цели — объекты, представляющие интерес для наблюдателя, и (илн) объекты с указанием их принадлежности к одному из классов. Обнаружение может быть в свою очередь разделено на подэтапы (см. рис, 15.6).
Особенностями рассматриваемой системы, которые необходимо в первую очередь учитывать при проектировании и выборе ее алгоритмической основы, являются: необходимость обеспечения работы в реальном времени, требуемые высокие точностные характеристики, массогабаритные характеристики, гарантирующие бортовую инструментовку. Из этого вытекают жесткие требования к ресурсозатратам при выборе подходов к решению поставленной задачи. Особенно большое внимание, несмотря на стремительный рост вычислительной мощности современной техники, стоит уделить выбору алгоритмических методов как для всей задачи в целом (что отражается на 580 Нормализованное изображение Выделение особенностей Анализ структур Площадные объекты Линейные объекты Сегментация Формирование простейших структур Области Структурные элементы объектов Построение модели видимой обстановки Модель = объекты + отношения между ними Определение возможных положений объектов Гипотезы о расположении объектов Проверка и уточнение гипотез Обьекгы Рис.
15.6. Подэтапы процесса обнаружения структуре системы), так и для отдельных подзадач. Более того, с ростом скорости вычислений значимость правильного выбора эффективного алгоритма не убывает, а возрастает. Учет вышеперечисленных требований возможен, если при построении системы руководствоваться следующими принципами: ° отказ от процедур, приносящих незначительное увеличение качества работы при существенном увеличении временных затрат; ° наискорейшее (для каждого кадра) и, по возможности, предельное уменьшение размерности задачи (т. е.
объема данных, подлежащих обработке на каждом этапе); ° использование временной фильтрации информации об объектах, т. е. разделение процесса принятия решения (а значит и затрат на него) между несколькими кадрами; ° приоритет времени над памятью — отдание предпочтения увеличению объема хранимых данных (в сжатом виде) перед увеличением времени их получения; ° перенесение основной тяжести адаптации параметров на нерабочее время, иными словами — подготовка и настройка системы с помощью обучаемых нейро- подобных алгоритмов иа основе баз данных видеофильмов и программных модулей с сохранением оптимальных настроек (например, в виде весовых коэффициентов).
15.6. Формирование структуры системы наведения и анализ основных алгоритмических операций Изложенное дает основание сделать вывод, что для выделения и распознавания целей при нечетком задании их образов рациональнее использовать схемы, обладающие способностью к обучению и обобщениям. Подобные возможности присуши, в частности, нейроподобным алгоритмическим схемам. Это обстоятельство определяет перспективность их использования как элемента алгоритмического обеспечения интеллектуализированных систем наведения. Необходимость решения задач выделения целей, нх классификации, наведения БР при жестком лимите времени определяет использование аппаратной поддержки вычислений.
В наибольшей степени это относится к задачам выделения целей и их классификации. Следует отметить, что при использовании для решении указанных задач искусственных нейросетей для этого имеются хорошие возможности, обусловленные наличием определенного выбора средств аппаратной поддержки нейровычислений. Представленная выше схема, используемая в системах видеонаведения, соответствует классическому подходу к построению систем технического зрения. Существует и альтернативная точка зрения, когда применяют заранее построенные модели объектов. Сначала на изображении выделяют интересные области — те, где можно что-то обнаружить.
Лотом в этих областях находят объекты, соответствующие хранящимся в памяти. Нейросети естественным образом находят применение при любой схеме построения системы. Наиболее разумным представляется использование нейросетей для решения задач предобработки н выделения особенностей (со структурой, соответствующей исходному изображению и размеру фильтра), сегментации (формирования текстурных признаков и объединения похожих элементов в области) и идентификации, а также распознавания (на основе сетей персептронного или кохоненовского типа). Соответственно различные элементы (блоки) системы видеонаведения при тех же выполняемых функциях могут быль реализованы принципиально разными методами. Правильнее будет говорить о разных подходах к решению, от применения которых зачастую зависят быстродействие, экономичность и другие характеристики системы.
Начнем обсуждение возможных подходов к решению задачи обнаружения цели с дискриминаитного. Данный подход, пожалуй, первый по времени возникновения (и по частоте применения), а также наиболее простой по своей идеологии. В его основе лежит предположение о том, что представляющий интерес объект может быть заменен конечным набором признаков (поэтому данный подход можно назвать еше пркзнакокым).
Чаще всего это неграфические информационные (количественные или качественные) характеристики, позволяющие сделать обоснованное заключение о типе объекта и соответственно отделить объекты от не-объекгов (фона, помех, объектов, не представляющих интереса). Различают первичные при- 583 знаки, доступные непосредственному наблюдению и измерению, и вторичные, получаемые как функции первичных. Само заключение вырабатывается на основе определенных решающш правы или с помощью раэдшяющш срункций. Способ задания разделяющих функций определяет особенность того или иного метода в рамках признакового подхода.
Наиболее распространенными методамн считают: статистический, сводящийся к восстановлению многомерных плотностей вероятностей объектов и их признаков; корреляционный, базирующийся на оценках совпадения с заранее определенными эталонами искомых объектов; спектральный, основанный на применении интегральных преобразований (Фурье, Адамара, Уолша, Хаара, «малых волн» (и анНвм) и др.); нечеткий, связанный с принятием решений на основе анализа качественных признаков по законам нечеткой логики.
Особо следует выделить методы, использующие не аналитическое вычисление параметров разделяющих функций, а обучение. Если прн дискрнминантном подходе решение принимается на основе различных типов сочетания информации о наличии (отсутствии) определенных признаков, то в структурном делается попытка учета сложных соотношений между составными частями объекта. При этом в отличие от предыдущего подхода нет нужды заменять распознаваемый объект неким другим, например вектором признаков, вообще говоря, ему чуждых, неестественных и, как правило, подобранных специально. Наоборот, объект пытаются представить в виде иерархической совокупности более мелких объектов той же природы, образующих как бы подобъекты. Структура этой совокупности и типы подобъектов отражаются в описании объекта, которое н является предметом дальнейшей обработки.
Возможно построение и других структур, анализируемых методами, не относящимися к математнческой лингвистике, например, теории иерархических и многоуровневых систем. Но говорить об их широком и продуктивном применении при обработке изображеннй в СУ БР пока еще рано. Все рассмотренные выше методы опираются на предположение (довольно сильное и не всегда справедливое], что имеющейся до начала работы информацин достаточно для принятия решения об отнесении объекта к одному нз классов, во всяком случае, в них не предусмотрена возможность извлечения дополнительной информации из поступающих данных. Наличие такой возможности делает систему способной к обучению, т.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
