| Русский Русский | English English |
   
Главная Текущий номер
26 | 04 | 2019
10.14489/vkit.2019.01.pp.022-029

DOI: 10.14489/vkit.2019.01.pp.022-029

Ким Н. В., Бодунков Н. Е., Михайлов Н. А.
ЭНТРОПИЙНЫЙ ПОДХОД К РЕШЕНИЮ ЗАДАЧИ ПОИСКА НАЗЕМНЫХ ОБЪЕКТОВ С УЧЕТОМ ФАКТОРА НАБЛЮДАЕМОСТИ
(с. 22-29)

Аннотация. Рассмотрена задача планирования маршрута при вторичном поиске наземного подвижного объекта с помощью автономного беспилотного летательного аппарата, оснащенного системой наблюдения. Предложен способ повышения эффективности поиска за счет выбора области интереса на основе оценки информативности (изменения информационной энтропии) ее обследования. Представлена структура анализа ситуации, основанная на формировании описаний объекта поиска и области интереса. Доказаны работоспособность и более высокая эффективность поиска в рамках предложенного подхода по сравнению с вероятностным поиском по максимальной априорной вероятности присутствия объекта в результате математического моделирования.

Ключевые слова:  система технического зрения; алгоритм поиска объектов; энтропия задачи поиска; семантический анализ ситуации.

 

Kim N. V., Bodunkov N. E., Mikhailov N. A.
ENTROPY APPROACH TO THE SEARCH PROBLEM CONSIDERING THE OVERLAND OBJECTS OBSERVABILITY FACTOR
(pp. 22-29)

Abstract. The paper presents a technique for path planning in case of secondary search of overland mobile objects by unmanned aerial vehicle equipped with a surveillance system. The search area is presented as a set of discrete fragments – regions of iInterests (ROI). So, the path planning problem is to consistently select the ROI for survey. The technique to improve this selection by considering estimation of ROI’s information (information entropy) and distance between unmanned aerial vehicle and ROI is proposed in paper. Estimation of ROI’s information includes external conditions such as observation conditions, surface, and mobile object features. Information entropy calculates for each ROI and then normalizes by distance to ROI. The results form so called “capacity” map. ROI with maximum value of “capacity” becomes the next point of the search path. The situation analysis implements for external conditions evaluation. Situation description is the core of it’s analysis and includes the object’s functionality, objectves and behavior, observability and external factors that could influence them. The structure of this analysis is presented. The operability and efficiency of proposed approach in comparison with the probabilistic search for the maximum a priori probability of object presence are shown in the results of mathematical modeling.

Keywords: Technical vision system; Object search algorithm; Entropy of the search problem; Semantic analysis of the situation.

Рус

Н. В. Ким, Н. Е. Бодунков, Н. А. Михайлов (Московский авиационный институт (национальный исследовательский университет), Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

N. V. Kim, N. E. Bodunkov, N. A. Mikhailov (Moscow Aviation Institute (National Research University), Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Абчук В. А., Суздаль В. Г. Поиск объектов. М.: Сов. радио, 1977. 334 с.
2. Superpixel-based Segmentation of Moving Objects for Low Bitrate ROI Coding Systems / Meuel H. et al. // Proc. of 10th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS – 2013), Krakow, Poland, 27 – 30 Aug. 2013. P. 395 – 400. doi: 10.1109/AVSS.2013.6636672
3. Ким Н. В., Бодунков Н. Е., Прохоров П. Д. Обработка и анализ изображений высокодинамичных объектов в масштабе реального времени // Вестник Московского Авиационного Института. 2015. Т. 22, № 1. C. 38 – 46.
4. Evaluation of Selected Features for Car Detection in Aerial Images / Tuermer S. et al. // ISPRS Hannover Workshop. 2011. V. XXXVIII-4/W19. P. 341 – 346. doi: 10.5194/isprsarchives-XXXVIII-4-W19-341-2011
5. Deng Li, Dong Yu. Deep Learning: Methods and Applications // Foundations and Trends Signal process. 2014. V. 7, No 3 – 4. P. 197 – 387. doi: 10.1561/ 2000000039
6. Горелик А. Л., Скрипкин В. А. Методы распознавания М.: Наука, 2004. 304 с.
7. Ким Н. В., Бодунков Н. Е., Клестов Д. В. Разработка системы формирования адаптивных описаний объектов интереса для СТЗ РТК // Изв. ЮФУ. Технические науки 2015. № 1. С. 109 – 120.
8. Koerich Borges P. V., Conci N., Cavallaro A. Video-Based Human Behavior Understanding: A Survey // IEEE Transactions on Circuits and Systems for Video Technology. 2013. V. 23, Is. 11. P. 1993 – 2008. doi: 10.1109/ TCSVT.2013.2270402
9. Martins D., Buarque de Lima Neto F. Hybrid Subjective Decision Support System based on Computational Semiotics and Computational Intelligence Techniques // Research in Computing Science. 2014. No 86. P. 77 – 87.
10. Exploiting Temporal Statistics for Events Analysis and Understanding / Micheloni C. et al. // Proc. of 14th International Conference on Image Analysis and Processing (ICIAP – 2007), Modena, Italy, 10 – 14 Sept. 2007. P. 530 – 535. doi: 10.1109/ICIAP.2007.4362832
11. Swears E., Hoogs A. Functional Scene Element Recognition for Video Scene Analysis // Proc. of the Work-shop on Motion and Video Computing (WMVC – 2009), Snowbird, UT, USA, 8–9 Dec. 2009. P. 95 – 102. doi: 10.1109/WMVC.2009.5399232
12. Ким Н. В. Обработка и анализ изображений в системах технического зрения. М.: Изд-во МАИ, 2001. 164 с.
13. Коган И. М. Прикладная теория информации. М.: Радио и связь, 1981. 216 с.
14. Kim N. V., Bodunkov N. E. Automated Decision Making in Road Traffic Monitoring by On-board Unmanned Aerial Vehicle System / Ed. by M. N. Favorskaya, L. C. Jain // Computer Vision in Advanced Control Systems-3: Aerial and Satellite Image Processing. N.Y.: Springer International Publishing, 2018. V. 6. P. 149 – 175.
15. Ким Н. В., Бодунков Н. Е., Михайлов Н. А. Автоматическое принятие решений бортовой системой беспилотного летательного аппарата при мониторинге дорожного движения // Вестник Московского авиационного института. 2018. Т. 25, № 1. С. 99 – 108.
16. Бодунков Н. Е. Расширение условий функционирования систем визуальной навигации автономных беспилотных летательных аппаратов: дис. … канд. техн. наук: 05.13.01. М, 2015. 155 с.
17. Kim N. V., Bodunkov N. E. Adaptive Surveil-lance Algorithms Based on the Situation Analysis // Computer Vision in Control Systems-2 Innovations in Practice. N. Y.: Springer, 2015. V. 2. P. 169 – 200.

Eng

1. Abchuk V. A., Suzdal' V. G. (1977). Search for objects. Moscow: Sovetskoe radio. [in Russian language]
2. Meuel H. et al. (2013). Superpixel-based Segmentation of Moving Objects for Low Bitrate ROI Coding Systems. In Proceedings of 10th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS – 2013), Krakow, Poland, 27 – 30 August, P. 395-400. doi: 10.1109/AVSS.2013.6636672
3. Kim N. V., Bodunkov N. E., Prohorov P. D. (2015). Processing and analysis of images of high-dynamic objects in real time. Vestnik Moskovskogo Aviatsionnogo Instituta, 22, pp. 38-46. [in Russian language]
4. Tuermer S. et al. (2011). Evaluation of Selected Features for Car Detection in Aerial Images. ISPRS Hannover Workshop, XXXVIII-4/W19, pp. 341-346. doi: 10.5194/isprsarchives-XXXVIII-4-W19-341-2011
5. Deng Li, Dong Yu. (2014). Deep Learning: Methods and Applications. Foundations and Trends Signal process, 7(3–4), pp. 197-387. doi: 10.1561/ 2000000039
6. Gorelik A. L., Skripkin V. A. (2004). Recognition methods. Moscow: Nauka. [in Russian language]
7. Kim N. V., Bodunkov N. E., Klestov D. V. (2015). Development of a system for the formation of adaptive descriptions of objects of interest for the FCZ RTK. Izvestiya YuFU. Tekhnicheskie nauki, (1), pp. 109-120. [in Russian language]
8. Koerich Borges P. V., Conci N., Cavallaro A. (2013). Video-Based Human Behavior Understanding: A Survey. IEEE Transactions on Circuits and Systems for Video Technology, 23(11), pp. 1993-2008. doi: 10.1109/ TCSVT.2013.2270402
9. Martins D., Buarque de Lima Neto F. (2014). Hybrid Subjective Decision Support System based on Computational Semiotics and Computational Intelligence Techniques. Research in Computing Science, 86, pp. 77-87.
10. Micheloni C. et al. (2007). Exploiting Temporal Statistics for Events Analysis and Understanding. In Proceedings of 14th International Conference on Image Analysis and Processing (ICIAP – 2007), Modena, Italy, 10 – 14 September, pp. 530-535. doi: 10.1109/ICIAP.2007.4362832
11. Swears E., Hoogs A. (2009). Functional Scene Element Recognition for Video Scene Analysis. In Proceedings of the Workshop on Motion and Video Computing (WMVC – 2009), Snowbird, UT, USA, 8–9 December, pp. 95-102. doi: 10.1109/WMVC.2009.5399232
12. Kim N. V. (2001). Image processing and analysis in vision systems. Moscow: Izdatel'stvo MAI. [in Russian language]
13. Kogan I. M. (1981). Applied information theory. Moscow: Radio i svyaz'. [in Russian language]
14. Favorskaya M. N. (Ed.), Jain L. C., Kim N. V., Bodunkov N. E. (2018). Automated Decision Making in Road Traffic Monitoring by On-board Unmanned Aerial Vehicle System. Computer Vision in Advanced Control Systems-3: Aerial and satellite image processing, Vol. 6, pp. 149-175. New-York.: Springer international publishing.
15. Kim N. V., Bodunkov N. E., Mihaylov N. A. (2018). Automatic decision making by the onboard system of an unmanned aerial vehicle during traffic monitoring. Vestnik Moskovskogo Aviatsionnogo Instituta, 25(1), pp. 99-108. [in Russian language]
16. Bodunkov N. E. (2015). Expansion of the operating conditions of the visual navigation systems of autonomous unmanned aerial vehicles. Moscow: Moskovskiy aviatsionnyy institut. [in Russian language]
17. Kim N. V., Bodunkov N. E. (2015). Adaptive Surveillance Algorithms Based on the Situation Analysis. Computer Vision in Control Systems-2 Innovations in Practice, Vol. 2, pp. 169-200. New-York: Springer.

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2019.01.pp.022-029

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2019.01.pp.022-029

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Баннер
Баннер
Rambler's Top100 Яндекс цитирования