При решении задачи сопровождения объектов для изображений ИК-диапазона получить релевантную базу необходимого объема для обучения нейронной сети достаточно проблематично. Основными помехами являются отсутствие базы изображений дальнего ИК-диапазона и сложность калибровки оборудования камер разных производителей для составления базы. Вследствие этих причин и сложности разметки границ объектов данного диапазона использование нейронных сетей на сегодняшний день нецелесообразно. В работе рассмотрены принципы сопровождения объекта на изображениях ИК-диапазона, которые основаны на получении ключевых точек с помощью алгоритмов SIFT, SURF, ORB. Выделены особенности данных методов, а также отмечена специфика изображений дальнего ИК-диапазона и наблюдаемых на нем объектов. Проанализированы подходы для сохранения признаков сопровождаемого объекта при переходе к новому кадру видеоизображения, выявлены их основные преимущества и недостатки. На основе полученных результатов предложена модернизация алгоритма сопровождения с использованием модификации алгоритма Джарвиса, позволяющая повысить качество слежения за объектом. Экспериментально проведена оценка влияния дополнительной обработки в алгоритме сопровождения на быстродействие. Предложенный подход к сопровождению объекта на ИК-изображении, составленный на основе ключевых точек алгоритма ORB и применения модифицированного алгоритма Джарвиса, инвариантен к поворотам и масштабированию искомого объекта и позволяет отслеживать его в условиях высокой неоднородности фона и при наличии похожих объектов. Применение разработанного алгоритма дает возможность избежать существенной потери быстродействия и значительно повысить при этом эффективность сопровождения объекта в среднем на 20 %. При этом данная модификация потребовала менее 3 % дополнительного времени обработки по сравнению с методом сохранения точек объекта.
1. Luo W., Yang B., Urtasun R. Fast and furious: real time end-to-end 3D detection, track-ing and motion forecasting with a single convolutional net // IEEE/CVF Conference on Comput-er Vision and Pattern Recognition. 2018. June. P. 3569–3577.
2. Богуш Р.П., Захарова И.Ю. Алгоритм сопровождения людей на видеопоследова-тельностях с использованием сверточных нейронных сетей для видеонаблюдения внутри помещений // Компьютерная оптика. 2020. Т. 44. №1. С. 109–118.
3. Redmon J., Farhadi A. YOLO9000: Better, Faster, Stronger // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. July. P. 7263–7271.
4. Girshick R. Fast R-CNN // 2015 IEEE International Conference on Computer Vision (ICCV). 2015. December. P. 1440–1448.
5. Телевизионные методы сопровождения объектов в сложных условиях наблюдения / В.И. Можейко, Н.А. Обухова, Б.С. Тимофеев и др. // Изв. вузов. Приборостроение. 2009. Т. 52. №8. С. 20–29.
6. Катулев А.Н., Колонсков А.А., Храмичев А.А., Ягольников С.В. Адаптивный ме-тод и алгоритм обнаружения малоконтрастных объектов оптико-электронным средством // Оптический журнал. 2014. Т. 81. №2. С. 29–39.
7. Шарак Д.С., Хижняк А.В., Шевяков А.В., Михненок Е.И. Снижение вероятности срыва сопровождения оптически наблюдаемых объектов в корреляционных алгоритмах сопровождения за счет комплексирования исходных изображений ИК- и ТВ- диапазонов // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2016. Т. 96. №2. С. 88–94.
8. Тананыкина Л.В. Сравнительное исследование структурных и корреляционных методов при сопоставлении разнородных изображений // Прикладные проблемы безопасности технических и биотехнических систем. 2016. № 1. С. 11–21.
9. Бондаренко В.А., Капулинский Г.Э., Павлова В.А., Тупиков В.А. Метод поиска и сопоставления ключевых особенностей изображений для распознавания образов и сопро-вождения объектов // Изв. ЮФУ. Технические науки. 2019. Т. 203. № 1. С. 281–296.
10. Семаков В.П. Алгоритм кластеризации ключевых точек на изображениях ИК-диапазона // Изв. вузов. Электроника. 2017. Т. 22. №2. С. 187–191.
11. Шакенов А.К., Будеев Д.Е. Фильтрация изображений малоразмерных объектов в системах с круговым микросканированием // Автометрия. 2017. Т. 53. № 4. С. 120–126.
12. Rublee E., Rabaud V., Konolige K. ORB: an efficient alternative to SIFT or SURF // Computer Vision and 2011 IEEE International Conference. 2011. November. P. 2564–2571.
13. Rosten E., Drummond T. Machine learning for high-speed corner detection // ECCV: European Conference on Computer Vision. 2006. Vol. 1. No. 1. P. 430–443.
14. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: binary robust independent elemen-tary features // 11th European Conference on Computer Vision. 2010. September. P. 778–792.
15. Hamming R. Error detecting and error correcting codes //The Bell System Technical Journal. 1950. Vol. 29. No. 2. P. 147–160.
16. Зеленский А.А., Семенищев Е.А., Франц В.А. Алгоритм определения формы объ-ектов по анализу изображений, полученных в инфракрасном диапазоне // Докл. ТУСУР. 2018. Т. 21. № 3. С. 63–67.
17. Прапарата Ф., Шеймос М. Вычислительная геометрия. Введение. М.: Мир, 1989. 478 с.
18. Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы. Построение и анализ. 2-е изд. М.: Изд. дом «Вильямс», 2011. 1296 с.
19. Mount D.M. Computational geometry. University of Maryland, 2002. 122 p.
20. Bradford Barber C., Dobkin D., Huhdanpaa H. The quickhull algorithm for convex hulls // ACM Transactions on Mathematical Software. 1996. Vol. 4. No. 22. P. 469–483.