Preview

Известия высших учебных заведений России. Радиоэлектроника

Расширенный поиск

ПРИМЕНЕНИЕ МЕТОДОВ ОБНАРУЖЕНИЯ ОБЪЕКТОВ К ИЗОБРАЖЕНИЯМ ВЗЛЕТНО-ПОСАДОЧНОЙ ПОЛОСЫ, ПОЛУЧЕННЫМ В УСЛОВИЯХ ПЛОХОЙ ВИДИМОСТИ

https://doi.org/10.32603/1993-8985-2019-22-1-17-28

Полный текст:

Аннотация

При обеспечении безопасности движения самолета особенно важна осведомленность экипажа о закабинном пространстве в условиях плохой видимости. Важнейшую роль играет информация о состоянии взлетно-посадочной полосы (ВПП) и о наличии на ней препятствий. Существуют наземные системы обнаружения препятствий, но в настоящее время такими системами оборудованы лишь крупные аэропорты. Альтернативой могут служить системы улучшенного видения, используемые на воздушном судне в условиях плохой видимости. Цель представленного в настоящей статье исследования – разработка средств обнаружения препятствий на ВПП в условиях плохой видимости, которые должны расширить возможности систем улучшенного видения. В рамках исследования рассмотрены методы обнаружения объектов только на статичных изображениях. Проведен анализ разметки, объектов ВПП и возможных типов препятствий. Определены цели для обнаружения. На комплексном авиационном тренажере выполнено моделирование снимков ВПП в условиях плохой видимости. В качестве моделируемой цели для обнаружения выбрано воздушное судно на ВПП, потерявшее способность двигаться. Сформулированы требования к дескрипторам признаков, методам распознавания и обнаружения, выбраны методы для исследования. Проведена оценка применимости методов к изображениям ВПП, полученным в условиях плохой видимости выше и ниже высоты принятия решения с учетом различных характеристик. Исследованные методы решают задачу обнаружения объектов ВПП в условиях плохой видимости для статичного изображения. Сформулированы выводы о возможности применения исследованных методов в системах улучшенного видения. В дальнейшем требуется разработка методов оптимизации для обеспечения обнаружения на видеопоследовательности в режиме реального времени. Результаты представленной работы актуальны в задачах авиаприборостроения, компьютерного видения и обработки изображений.

Об авторе

Д. С. Андреев
Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)
Россия
магистр по направлению "Радиотехника" (2017), аспирант кафедры телевидения и видеотехники


Список литературы

1. Визильтер Ю. В., Желтов С. Ю. Проблемы технического зрения в современных авиационных системах // Тр. науч.-техн. конф.-семинара “Техническое зрение в системах управления мобильными объектами – 2010”, Таруса, 16–18 марта 2010; под ред. Р. Р. Назирова. М.: Университет Книжный Дом, 2011. Вып. 4. С. 11–44.

2. U.S. Federal Aviation Administration. Advisory circular on Airport Foreign Object Debris (FOD) Detection Equipmen. 2009. URL: https://www.faa.gov/documentLibrary /media/Advisory_Circular/150_5210_24.pdf (дата обращения 10.02.2019)

3. Weller J. R. FOD detection system. Evaluation, performance assessment and regulatory guidance // Wildlife and Foreign Object Debris (FOD). Workshop, Cairo, Egypt, 24–26 March, 2014. URL: https://www.icao.int/MID /Documents/2014/Wildlife%20and%20FOD%20Workshop /Assessing%20Risk%20FAA.pdf (дата обращения 10.02.2019)

4. Соколова М. А. Системы управления наземным движением на площади маневрирования аэродрома // Современные инновации. 2018. Т. 26, № 4. С. 26–27.

5. Костяшкин Л. Н, Логинов А. А., Никифоров М. Б. Проблемные аспекты системы комбинированного видения летательных аппаратов // Изв. Юж. федерал. ун-та. Техн. науки. 2013. № 5. С. 61–65.

6. Airport Services Manual. Pt. 6. Controlling obstacles. Guide Doc 9137-AN/898/2, 1983. URL: http://files.repuloterek-civil-katonai-kozos.webnode.hu/200000025-66bfa67b8d /Doc_9137_P6_CONTROL%20OF%20OBSTACLES.pdf (дата обращения 30.01.2019)

7. Aviation rules. Pt. 139. Certification of Airfields. Title 14, Code of Federal Regulations (CFR). 2004. URL: https://www.govinfo.gov/content/pkg/CFR-2014-title14-vol3 /pdf/CFR-2014-title14-vol3-part139.pdf (дата обращения 10.02.2019)

8. Dalal N., Triggs B. Histograms of oriented gradients for human detection // 2005 IEEE Computer Society Conf. on Computer Vision and Pattern Recognition, San Diego, CA, 20–25 June 2005. Piscataway: IEEE, 2005. doi: 10.1109/CVPR.2005.177

9. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.

10. Cristianini N., Shawe-Taylor J. An introduction to support vector machines and other kernel-based learning methods. NY: Cambridge University Press, 2000. 168 p. doi: 10.1017/CBO9780511801389

11. Cover T. M., Hart P. E. Nearest neighbor pattern classification // IEEE Trans. on Information Theory. 1967. Vol. IT-13, iss. 1. P. 21–27. doi: 10.1109/TIT.1967.1053964

12. Dudani S. A. The distance-weighted k-nearestneighbor rule // IEEE Trans. on Systems, Man and Cybernetics. 1976. Vol. SMC-6, iss. 4. P. 325–327. doi: 10.1109 /TSMC.1976.5408784

13. Quinlan J. R. Induction of decision trees // Machine Learning. 1986. Vol. 1, iss. 1. P. 81–106.

14. Barla A., Odone F., Verri A. Histogram intersection kernel for image classification // 2003 Intern. Conf. on Image Processing, Barcelona, Spain. IEEE, 2003. doi: 10.1109 /ICIP.2003.1247294

15. Pyramid methods in image processing / E. H. Andelson, C. H. Anderson, J. R. Bergen, P. J. Burt, J. M. Ogden // RCA Engineer. 1984. Vol. 29, iss. 6. P. 33–41. URL: http://persci.mit.edu/pub_pdfs/RCA84.pdf (дата обращения 10.02.2019)

16. Glumov N. I., Kolomiyetz E. I., Sergeyev V. V. Detection of objects on the image using a sliding window mode // Optics & Laser Technology. 1995. Vol. 27, iss. 4. P. 241–249. doi: 10.1016/0030-3992(95)93752-D

17. Wilkinson L., Friendly M. The history of the cluster heat map // The American Statistician. 2009. Vol. 63, № 2. P. 179–184. doi: 10.1198/tas.2009.0033

18. Powers D. M. W. Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation // J. of Machine Learning Technologies. 2011. Vol. 2, № 1. P. 37–63.

19. Andreev D. S., Lysenko N. V. Preprocessing methods for runway pictures taken in poor visibility conditions // 2018 IEEE Conf. of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), Saint-Petersburg, Russia. IEEE, 2018. doi: 10.1109/EIConRus. 2018.8317273

20. Xiaobin L., Wang S. Object detection using convolutional neural networks in a coarse-to-fine manner // IEEE Geoscience and Remote Sensing Letters. 2017. Vol. 14, iss. 11. doi: 10.1109/LGRS.2017.2749478


Для цитирования:


Андреев Д.С. ПРИМЕНЕНИЕ МЕТОДОВ ОБНАРУЖЕНИЯ ОБЪЕКТОВ К ИЗОБРАЖЕНИЯМ ВЗЛЕТНО-ПОСАДОЧНОЙ ПОЛОСЫ, ПОЛУЧЕННЫМ В УСЛОВИЯХ ПЛОХОЙ ВИДИМОСТИ. Известия высших учебных заведений России. Радиоэлектроника. 2019;(1):17-28. https://doi.org/10.32603/1993-8985-2019-22-1-17-28

For citation:


Andreev D.S. OBJECT DETECTION METHOD APPLICATION TO RUNWAY IMAGERY IN LOW VISIBILITY CONDITIONS. Journal of the Russian Universities. Radioelectronics. 2019;(1):17-28. (In Russ.) https://doi.org/10.32603/1993-8985-2019-22-1-17-28

Просмотров: 131


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1993-8985 (Print)
ISSN 2658-4794 (Online)