|
DOI: 10.14489/td.2026.02.pp.015-028
Махов В. Е., Широбоков В. В., Емельянов А. В.
МЕТОДИКА ИДЕНТИФИКАЦИИ УДАЛЕННЫХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ СОВОКУПНОСТИ ГЕТЕРОГЕННЫХ ПРИЗНАКОВ
(с. 15-28)
Аннотация. Представлены модели, алгоритмы, методики идентификации удаленных объектов и дана оценка эффективности применения оптико-электронных систем. В исследовании использованы характеристики освещенности наблюдаемых объектов для получения характерных признаков сравнения с базовыми объектами. В целях устранения влияния искажающих факторов рассмотрена методика идентификации удаленных объектов с использованием совокупности гетерогенных признаков. Результаты сравнивались с базой данных признаков тестовых объектов. Достоверность идентификации объектов алгоритмами методики оценивали с помощью метрики сравнения вариативности гетерогенных признаков наблюдаемых и базовых объектов. Проведена апробация предложенной методики идентификации объектов на основе экспериментального макета гибридной оптико-электронной системы, моделирующей работу наземных средств мониторинга околоземного космического пространства. Формирование признаков наблюдаемых объектов реализовано стандартными алгоритмами приложения National Instruments Vision Assistant. Установлено, что предложенная методика обеспечивает более высокую вероятность правильной идентификации наблюдаемых объектов на основе полученной совокупности гетерогенных признаков малоконтрастных малозаметных удаленных объектов. Определены диапазоны отношения сигнал/шум объектов и фона, при которых результаты имеют наилучшие показатели эффективности идентификации объектов. Предложенная методика позволяет оценивать возможности оптико-электронных систем по идентификации удаленных объектов с использованием совокупности гетерогенных признаков в сложных условиях наблюдения, формировать облик перспективных средств наблюдения за малозаметными объектами. Совокупность разработанных алгоритмов выделения признаков наблюдаемых объектов позволяет выявить интересующие объекты, а также обеспечить более высокую вероятность их идентификации. Полученные результаты являются основой для разработки широкого круга гибридных оптико-электронных наземных средств мониторинга околоземного космического пространства.
Ключевые слова: дифференциальная регистрация, регистратор светового поля, гетерогенные признаки, четырехмерный яркостно-спектральный профиль, вейвлет-преобразование.
Makhov V. E., Shirobokov V. V., Emelyanov A. V.
METHODOLOGY FOR IDENTIFYING REMOTE OBJECTS USING A SET OF HETEROGENEOUS FEATURES
(pp. 15-28)
Abstract. Development and testing of a method for using optoelectronic systems with the ability to obtain detailed and spectrophotometric information for small-sized object identification tasks. The study used the illumination characteristics of the observed objects to obtain characteristic features for comparison with base objects. In order to eliminate the influence of distorting factors, a method for identifying remote objects using a set of heterogeneous features was considered. The results were compared with a database of test object features. To assess the reliability of object identification by the algorithms of the method, a metric for comparing the variability of heterogeneous features of the observed and base objects was used. The proposed method for identifying objects was tested based on an experimental model of a hybrid optoelectronic system simulating the operation of ground-based monitoring facilities in near-Earth space. The formation of features of the observed objects is implemented by standard algorithms of the National Instruments Vision Assistant application. It has been established that the proposed technique provides a higher probability of correct identification of the observed objects based on the obtained set of heterogeneous features of low-contrast, barely noticeable remote objects. The ranges of the signal/noise ratio of objects and background, at which the results have the best indicators of the efficiency of object identification, are determined. The proposed technique allows one to evaluate the capabilities of existing optoelectronic systems for identifying remote objects using a set of heterogeneous features in difficult observation conditions, and to form the appearance of promising means of observing barely noticeable objects. The set of developed algorithms for extracting features of the observed objects allows one to identify the objects of interest, as well as to provide a higher probability of their identification. The obtained results form the basis for developing a wide range of hybrid optoelectronic ground-based means of monitoring near-Earth space.
Keywords: differential registration, light field recorder, heterogeneous features, four-dimensional brightness-spectral profile, wavelet transform.
В. Е. Махов, В. В. Широбоков, А. В. Емельянов (Военно-космическая академия им. А. Ф. Можайского, Санкт-Петербург, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
V. E. Makhov, V. V. Shirobokov, A. V. Emelyanov (Mozhaisky Military Space Academy, St. Petersburg, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. Махов В. Е., Широбоков В. В., Емельянов А. В. Методика оценивания эффективности функционирования оптико-электронных систем при наблюдении за удаленными объектами // Контроль. Диагностика. 2024. Т. 27, № 3(309). С. 42 ‒ 49. DOI: 10.14489/td.2024.03.pp.042-049
2. Махов В. Е., Широбоков В. В., Емельянов А. В., Петрушенко В. М. Методика оценивания эффективности оптико-электронных систем наблюдения за удаленными малоразмерными малозаметными объектами // Контроль. Диагностика. 2023. Т. 26, № 11(305). С. 16 ‒ 29.
3. Кревецкий А. В., Чесноков С. Е. Кодирование и распознавание изображений множеств точечных объектов на основе моделей физических полей // Автометрия. 2002. Т. 38, № 3. С. 80 ‒ 88.
4. Федоренко Д. С. Модель системы распознавания космических объектов с учетом новых информативных признаков, выявленных на основе спектрофотомерии // Вопросы оборонной техники. Сер. 16. Технические средства противодействия терроризму. 2021. № 1-2 (151-152). С. 33 ‒ 39.
5. Благодыренко Е. В., Коробченко И. П. Методика формирования многоракурсных спектрофотометрических портретов космических объектов // 75-я Науч.-техн. конф. Санкт-Петербургского НТО РЭС им. А. С. По¬пова, посвященная Дню радио. Санкт-Петербург, 20 ‒ 24 апр. 2020 г. СПб.: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина), 2020. С. 76‒77.
6. Пат. RU 2822085 C1. Способ получения четырехмерных яркостно-спектральных профилей удаленных объектов и устройство для его реализации / В. Е. Махов, В. В. Широбоков, А. А. Закутаев и др. Заявка от 07.11.2023; опубл. 01.07.2024.
7. Махов В., Петрушенко В., Шарапова О. Визуальная спектроскопия. Пути реализации // Электронные компоненты. 2023. № 11. С. 9 ‒ 13.
8. Allington-Smith Jeremy. Basic principles of integral field spectroscopy // New Astronomy Reviews. 2006. Vol. 50, No. 4-5. DOI: 10.1016/j.newar.2006.02.024
9. Теребиж В. Ю. Современные оптические телескопы. М.: Физматлит, 2007. 80 с.
10. Сизиков В. С., Лавров А. В. Современные устойчивые математические и программные методы восстановления искаженных спектров // Научно-техни¬ческий вестник информационных технологий, механики и оптики. 2018. Т. 18, № 6. С. 911 ‒ 931.
11. Сизиков В. С., Лавров А. В. Устойчивые методы математико-компьютерной обработки изображений и спектров. СПб.: Ун-т ИТМО, 2018. 70 с.
12. Махов В. Е., Широбоков В. В., Емельянов А. В., Потапов А. И. Исследование оптико-электронной системы регистрации малоразмерных и малозаметных объектов в условиях влияния геометрического шума матричного фотоприемника // Вестник компьютерных и информационных технологий. 2022. Т. 19, № 11(221). С. 3 ‒ 13.
13. Ключарев А. А. Структуры и алгоритмы обработки данных / СПбГУАП. СПб., 2003. 172 с.
14. Дорогов В. Г., Теплова Я. О. Введение в методы и алгоритмы принятия решений / под ред. Л. Г. Гагариной. М.: ИД «ФОРУМ» ‒ ИНФРА-М, 2018. 240 с. (Высшее образование).
15. Махов В. Е., Широбоков В. В., Емельянов А. В., Потапов А. И. Исследование алгоритмов определения параметров удаленных объектов в оптико-электронной системе методом вейвлет-преобразований // Контроль. Диагностика. 2022. Т. 25, № 4(286). С. 20 ‒ 31.
16. Махов В. Е., Широбоков В. В., Емельянов А. В. и др. Оптико-электронная система высокого пространственного разрешения при наблюдении за удаленными объектами // Контроль. Диагностика. 2023. Т. 26, № 1. С. 4 – 13. DOI: 10.14489/td.2023.01.pp.004-013
17. Безуглов Д. А., Кузин А. П., Швидченко С. А. Алгоритмические методы вейвлет-анализа изображений в условиях априорной неопределенности на случайном фоне // Научное обозрение. Технические науки. 2015. № 1. С. 71–72.
18. Ло Э. Х. С., Пикеринг М., Фратер М., Арнолд Дж. Метод распознавания текстур, инвариантный к изменению угла поворота и масштаба, основанный на комплексном вейвлет-преобразовании «двойного дерева» // Обработка изображений ICIP '04: междунар. конф. Вып. 1, 24 ‒ 27 окт. 2004. С. 227 – 230.
19. Fernandesa F. C. A., Selesnick I., van Spaen¬donckc R. L. C., Burrus Ch. S. Complex Wavelet Transforms with Allpass Filters // Signal Processing. 2003. Vol. 83, No. 8. P. 1689 – 1706.
20. Донцов А. А., Нагалин Д. А., Плеве В. В., Козирацкий А. А. Оценка качества обнаружения точечных и малоразмерных объектов алгоритмом вейвлет-анализа с адаптивным порогом // Известия ТулГУ. Технические науки. 2018. Вып. 11. С. 154 – 160.
21. Федоренко Д. С., Алдохина В. Н., Лиференко В. Д. и др. Методика формирования базы данных эталонных спектров отражения для мониторинга космических объектов // Успехи современной радиоэлектроники. 2023. Т. 77, № 4. С. 22 ‒ 28.
22. Лепский А. Е., Броневич А. Г. Математические методы распознавания образов. Таганрог: Изд-во ТТИ ЮФУ, 2009. 155 с.
23. Бондаренко М. А., Дрынкин В. Н. Оценка информативности комбинированных изображений в мультиспектральных системах технического зрения // Программные системы и вычислительные методы. 2016. № 1. С. 64 – 79. DOI: 10.7256/2305-6061.2016.1.18047
24. Adao T., Hruska J., Padua L., et al. Hyperspec-tral Imaging: A Review on UAV-Based Sensors, Data Processingand Applications for Agriculture and Forestry // Remote Sensing. 2017. No. 9. DOI: 10.3390/rs9111110
25. Тымкул В. М., Тымкул Л. В., Фесько Ю. А. и др. Методика расчета звездной величины международной космической станции // Изв. вузов. Приборостроение. 2013. Т. 56, № 5. С. 5 – 9.
26. Ермолаева Е. В., Зверев В. А., Филатов А. А. Адаптивная оптика. СПб.: НИУ ИТМО, 2012. 297 с.
27. Торшина И. П., Якушенков Ю. Г. Выбор приемника излучения при проектировании оптико-элект¬ронного прибора. М.: Изд-во МИИГАиК, 2017. 58 с.
28. Шестаков К. М. Лабораторный практикум по специальному курсу «Физические основы формирования изображений». Мн.: БГУ, 2012. 83 с.
29. Елисеев А. В. Алгоритм обработки измерений, устойчивый к систематическим ошибкам // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2004. № 3. С. 19 ‒ 24.
30. Кринг Д., Трэвис Д. LabVIEW для всех. М.: ДМК-Пресс, 2015. 904 с.
31. IMAQ Vision for LabVIEWTM User Manual. June 2003 Edition. Part Number 322917B-01 / National Instruments Corporation, 2003. 131 p.
32. Hu Ming-Kuei. Visual pattern recognition by moment invariants // IRE Transactions on Information Theory. 1962. Vol. 8, No. 3. P. 179 – 187.
33. Остроух А. В. Введение в искусственный интеллект. Красноярск: Научно-инновационный центр, 2020. 250 с.
34. Махов В. Е., Петрушенко В. М., Емельнов А. В. и др. Технология разработки алгоритмов программного обеспечения оптико-электронных систем наблюдения за удаленными объектами // Вестник компьютерных и информационных технологий. 2021. Т. 18, № 10. C. 10 – 21. DOI: 10.14489/vkit.2021.10.pp.010-021
1. Makhov, V. E., Shirobokov, V. V., & Emelyanov, A. V. (2024). Methodology for assessing the effectiveness of optoelectronic systems when observing remote objects. Kontrol'. Diagnostika, 27(3), 42–49. [in Russian language]. https://doi.org/10.14489/td.2024.03.pp.042-049
2. Makhov, V. E., Shirobokov, V. V., Emelyanov, A. V., & Petrushchenko, V. M. (2023). Methodology for assessing the effectiveness of optoelectronic systems for observing remote small-sized low-observable objects. Kontrol'. Diagnostika, 26(11), 16–29. [in Russian language].
3. Krevetsky, A. V., & Chesnokov, S. E. (2002). Encoding and recognition of images of sets of point objects based on physical field models. Avtometriya, 38(3), 80–88. [in Russian language].
4. Fedorenko, D. S. (2021). A model of a space object recognition system taking into account new informative features identified based on spectrophotometry. Voprosy Oboronnoi Tekhniki. Ser. 16. Tekhnicheskie Sredstva Protivodeistviya Terrorizmu, (1-2), 33–39. [in Russian language].
5. Blagodyrenko, E. V., & Korobchenko, I. P. (2020). Methodology for forming multi-angle spectrophotometric portraits of space objects. In 75th Scientific and Technical Conference of the St. Petersburg NTO RES named after A. S. Popov, dedicated to Radio Day, St. Petersburg, April 20-24, 2020 (pp. 76–77). St. Petersburg State Electrotechnical University "LETI" [in Russian language].
6. Makhov, V. E., Shirobokov, V. V., Zakutaev, A. A., et al. (2024). Method for obtaining four-dimensional brightness-spectral profiles of remote objects and device for its implementation (Russian Patent No. RU 2822085 C1). [in Russian language].
7. Makhov, V., Petrushchenko, V., & Sharapova, O. (2023). Visual spectroscopy. Implementation paths. Elektronnye Komponenty, (11), 9–13. [in Russian language].
8. Allington-Smith, J. (2006). Basic principles of integral field spectroscopy. New Astronomy Reviews, 50(4-5), 244–254. https://doi.org/10.1016/j.newar.2006.02.024
9. Terebizh, V. Yu. (2007). Modern optical telescopes. Fizmatlit. [in Russian language].
10. Sizikov, V. S., & Lavrov, A. V. (2018). Modern stable mathematical and software methods for restoring distorted spectra. Nauchno-Tekhnicheskii Vestnik Informatsionnykh Tekhnologii, Mekhaniki i Optiki, 18(6), 911–931. [in Russian language].
11. Sizikov, V. S., & Lavrov, A. V. (2018). Stable methods of mathematical and computer processing of images and spectra. Universitet ITMO. [in Russian language].
12. Makhov, V. E., Shirobokov, V. V., Emelyanov, A. V., & Potapov, A. I. (2022). Study of an optoelectronic system for registering small-sized and low-observable objects under the influence of geometric noise of a matrix photodetector. Vestnik Komp'yuternykh i Informatsionnykh Tekhnologii, 19(11), 3–13. [in Russian language].
13. Klyucharev, A. A. (2003). Data structures and processing algorithms. SPbGUAP. [in Russian language].
14. Dorogov, V. G., & Teplova, Ya. O. (2018). Introduction to methods and algorithms of decision making (L. G. Gagarina, Ed.). Forum-INFRA-M. [in Russian language].
15. Makhov, V. E., Shirobokov, V. V., Emelyanov, A. V., & Potapov, A. I. (2022). Study of algorithms for determining parameters of remote objects in an optoelectronic system using the wavelet transform method. Kontrol'. Diagnostika, 25(4), 20–31. [in Russian language].
16. Makhov, V. E., Shirobokov, V. V., Emelyanov, A. V., et al. (2023). High spatial resolution optoelectronic system for observing remote objects. Kontrol'. Diagnostika, 26(1), 4–13. [in Russian language]. https://doi.org/10.14489/td.2023.01.pp.004-013
17. Bezuglov, D. A., Kuzin, A. P., & Shvidchenko, S. A. (2015). Algorithmic methods of wavelet analysis of images under conditions of a priori uncertainty on a random background. Nauchnoe Obozrenie. Tekhnicheskie Nauki, (1), 71–72. [in Russian language].
18. Lo, E. H. S., Pickering, M., Frater, M., & Arnold, J. (2004). A rotation- and scale-invariant texture recognition method based on the dual-tree complex wavelet transform. In ICIP '04: International Conference on Image Processing (Vol. 1, pp. 227–230).
19. Fernandes, F. C. A., Selesnick, I., van Spaen¬donck, R. L. C., & Burrus, C. S. (2003). Complex wavelet transforms with allpass filters. Signal Processing, 83(8), 1689–1706.
20. Dontsov, A. A., Nagalin, D. A., Pleve, V. V., & Koziratsky, A. A. (2018). Assessment of the detection quality of point and small-sized objects by a wavelet analysis algorithm with an adaptive threshold. Izvestiya TulGU. Tekhnicheskie Nauki, (11), 154–160. [in Russian language].
21. Fedorenko, D. S., Aldokhina, V. N., Lifirenko, V. D., et al. (2023). Methodology for forming a database of reference reflection spectra for monitoring space objects. Uspekhi Sovremennoi Radioelektroniki, 77(4), 22–28. [in Russian language]
22. Lepsky, A. E., & Bronevich, A. G. (2009). Mathematical methods of pattern recognition. Izd-vo TTI YuFU. [in Russian language].
23. Bondarenko, M. A., & Drynkin, V. N. (2016). Assessment of the informativeness of combined images in multispectral machine vision systems. Programmnye Sistemy i Vychislitel'nye Metody, (1), 64–79. [in Russian language] https://doi.org/10.7256/2305-6061.2016.1.18047
24. Adão, T., Hruška, J., Pádua, L., Bessa, J., Peres, E., Morais, R., & Sousa, J. J. (2017). Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sensing, 9(11), 1110. https://doi.org/10.3390/rs9111110
25. Timkul, V. M., Timkul, L. V., Fesko, Yu. A., et al. (2013). Methodology for calculating the stellar magnitude of the International Space Station. Izvestiya Vuzov. Priborostroenie, 56(5), 5–9. [in Russian language].
26. Ermolaeva, E. V., Zverev, V. A., & Filatov, A. A. (2012). Adaptive optics. NIU ITMO. [in Russian language].
27. Torshina, I. P., & Yakushenkov, Yu. G. (2017). Selection of a radiation receiver when designing an optoelectronic device. Izd-vo MIIGAiK. [in Russian language].
28. Shestakov, K. M. (2012). Laboratory workshop on the special course "Physical foundations of image formation". BGU. [in Russian language].
29. Eliseev, A. V. (2004). An algorithm for processing measurements robust to systematic errors. Izvestiya Vysshikh Uchebnykh Zavedenii. Severo-Kavkazskii Region. Tekhnicheskie Nauki, (3), 19–24. [in Russian language].
30. Kring, D., & Travis, D. (2015). LabVIEW for everyone. DMK-Press. [in Russian language].
31. National Instruments Corporation. (2003). IMAQ Vision for LabVIEW™ user manual (Part Number 322917B-01).
32. Hu, M.-K. (1962). Visual pattern recognition by moment invariants. IRE Transactions on Information Theory, 8(3), 179–187.
33. Ostroukh, A. V. (2020). Introduction to artificial intelligence [in Russian language]. Nauchno-Innovatsionnyi Tsentr.
34. Makhov, V. E., Petrushchenko, V. M., Emelyanov, A. V., et al. (2021). Technology for developing software algorithms for optoelectronic systems for observing remote objects. Vestnik Komp'yuternykh i Informatsionnykh Tekhnologii, 18(10), 10–21. [in Russian language]. https://doi.org/10.14489/vkit.2021.10.pp.010-021
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 700 руб. (в том числе НДС 20%). 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/td.2026.02.pp.015-028
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 700 rubles. (including VAT 20%). 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/td.2026.02.pp.015-028
and fill out the form
.
|
Текущий номер
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»