Метод розпізнавання повітряних об'єктів на основі нормалізованих дескрипторів контуру та комплекснозначної нейронної мережі

Автор(и)

  • Valentyn Yesilevskyi Харківський національний університет радіоелектроніки пр. Науки, 14, м. Харків, Україна, 61166, Україна https://orcid.org/0000-0002-5935-1505
  • Andriy Tevyashev Харківський національний університет радіоелектроніки пр. Науки, 14, м. Харків, Україна, 61166, Україна https://orcid.org/0000-0001-5261-9874
  • Anton Koliadin Харківський національний університет радіоелектроніки пр. Науки, 14, м. Харків, Україна, 61166, Україна https://orcid.org/0000-0001-5552-5080

DOI:

https://doi.org/10.15587/1729-4061.2020.220035

Ключові слова:

розпізнавання повітряних об’єктів, контурний аналіз, дескриптори Фур'є, комплекснозначна нейронна мережа

Анотація

Досліджено методи розпізнавання типу повітряного об’єкту за його виглядом на цифровому зображені у системі відеоспостереження повітряної обстановки. Запропоновано метод, що заснований на застосуванні специфічної нейронної мережі, яка вирішує задачу класифікації багатовимірних комплексних векторів ознак об’єктів на основі комплексних обчислень. При цьому вектор ознак для розпізнавання типу повітряного об’єкту будується на основі перетворення Фур'є для послідовності координат його двовимірного контуру. Запропоновано спосіб навчання нейронної мережі розпізнаванню типу повітряного об’єкту за трьома класами зображень, що відповідають трьом проекціям. Це дозволяє спростити вирішення задачі класифікації завдяки більш компактному розташуванню багатомірних векторів ознак. Запропонована архітектура системи відеоспостереження за повітряною обстановкою, яка включає модуль для попередньої обробки зображення і модуль комплекснозначної нейронної мережі. Попередня обробка дозволяє виявити контур об’єкта та побудувати послідовність нормалізованих дескрипторів, що частково не залежать від просторового положення об’єкта та способу обробки контуру. Існуючи методи розпізнавання повітряних об’єктів потребують багато обчислювальних ресурсів та не враховують специфіку розпізнавання об’єктів з трьома ступенями свободи або не враховують комплексний характер числового представлення контуру. Дослідження показало, що отримані результати дозволяють спростити процес навчання нейронної мережі та зменшити вимоги до апаратного забезпечення для вирішення задачі відеоспостереження повітряної обстановки. Запропоноване рішення призводить до підвищення мобільності та розширення сфери застосування таких систем розпізнавання аж до індивідуальних пристроїв

Біографії авторів

Valentyn Yesilevskyi, Харківський національний університет радіоелектроніки пр. Науки, 14, м. Харків, Україна, 61166

Кандидат технічних наук, доцент

Кафедра прикладної математики

Andriy Tevyashev, Харківський національний університет радіоелектроніки пр. Науки, 14, м. Харків, Україна, 61166

Доктор технічних наук, професор, завідувач кафедри

Кафедра прикладної математики

Anton Koliadin, Харківський національний університет радіоелектроніки пр. Науки, 14, м. Харків, Україна, 61166

Молодший науковий співробітник

Кафедра прикладної математики

Посилання

  1. Strotov, V. V., Babyan, P. V., Smirnov, S. A. (2017). Aerial object recognition algorithm based on contour descriptor. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W4, 91–95. doi: https://doi.org/10.5194/isprs-archives-xlii-2-w4-91-2017
  2. Costa, L. da F., Cesar, Jr., R. M. (2018). Shape Classification and Analysis. CRC Press, 685. doi: https://doi.org/10.1201/9781315222325
  3. Hirose, A. (Ed.) (2013). Complex-Valued Neural Networks. Wiley. doi: https://doi.org/10.1002/9781118590072
  4. Sharma, N., Jain, V., Mishra, A. (2018). An Analysis Of Convolutional Neural Networks For Image Classification. Procedia Computer Science, 132, 377–384. doi: https://doi.org/10.1016/j.procs.2018.05.198
  5. Krizhevsky, A., Sutskever, I., Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60 (6), 84–90. doi: https://doi.org/10.1145/3065386
  6. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D. et. al. (2015). Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). doi: https://doi.org/10.1109/cvpr.2015.7298594
  7. Mash, R., Becherer, N., Woolley, B., Pecarina, J. (2016). Toward aircraft recognition with convolutional neural networks. 2016 IEEE National Aerospace and Electronics Conference (NAECON) and Ohio Innovation Summit (OIS). doi: https://doi.org/10.1109/naecon.2016.7856803
  8. Yesilevskyi, V., Teviashev, A., Koliadin, A. Transfer learning in aircraft classification. Available at: https://openarchive.nure.ua/bitstream/document/11942/1/3_IST.pdf
  9. Bradski, G., Kaehler, A. (2008). Learning OpenCV. Computer Vision with the OpenCV Library. O'Reilly Media, 555.
  10. Chaki, J., Dey, N. (2019). A Beginner’s Guide to Image Shape Feature Extraction Techniques. CRC Press, 152. doi: https://doi.org/10.1201/9780429287794
  11. Yang, M., Kpalma, K., Ronsin, J. (2012). Shape-Based Invariant Feature Extraction for Object Recognition. Intelligent Systems Reference Library, 255–314. doi: https://doi.org/10.1007/978-3-642-24693-7_9
  12. Rong, H.-J., Jia, Y.-X., Zhao, G.-S. (2014). Aircraft recognition using modular extreme learning machine. Neurocomputing, 128, 166–174. doi: https://doi.org/10.1016/j.neucom.2012.12.064
  13. Makarov, M. A., Berestneva, O. G., Andreev, S. Yu. (2014). Solving the problem of moving objects contour classification and recognition on video frame. Izvestiya Tomskogo politehnicheskogo universiteta, 325 (5), 77–83.
  14. Nguen, T. T. (2010). Algoritmicheskoe i programmnoe obespechenie dlya raspoznavaniya figur s pomoshch'yu Fur'e-deskriptorov i neyronnoy seti. Izvestiya Tomskogo politehnicheskogo universiteta, 317 (5), 122–125.
  15. Aizenberg, N. N., Ivaskiv, Yu. L., Pospelov, D. A. (1971). A certain generalization of threshold functions. Dokl. Akad. Nauk SSSR, 196 (6), 1287–1290. Available at: http://www.mathnet.ru/php/archive.phtml?wshow=paper&jrnid=dan&paperid=35992&option_lang=eng
  16. Guberman, N. (2016). On Complex Valued Convolutional Neural Networks. arXiv.org. Available at: https://arxiv.org/pdf/1602.09046.pdf
  17. Nitta, T. (2011). Ability of the 1-n-1 Complex-Valued Neural Network to Learn Transformations. Computational Modeling and Simulation of Intellect, 566–596. doi: https://doi.org/10.4018/978-1-60960-551-3.ch022
  18. Mönning, N., Manandhar, S. (2018). Evaluation of Complex-Valued Neural Networks on Real-Valued Classification Tasks. arXiv.org. Available at: https://arxiv.org/pdf/1811.12351.pdf
  19. Aizenberg, I. (2011). Complex-Valued Neural Networks with Multi-Valued Neurons. Springer. doi: https://doi.org/10.1007/978-3-642-20353-4
  20. Faijul Amin, M., Murase, K. (2009). Single-layered complex-valued neural network for real-valued classification problems. Neurocomputing, 72 (4-6), 945–955. doi: https://doi.org/10.1016/j.neucom.2008.04.006
  21. Aizenberg, I., Moraga, C. (2006). Multilayer Feedforward Neural Network Based on Multi-valued Neurons (MLMVN) and a Backpropagation Learning Algorithm. Soft Computing, 11 (2), 169–183. doi: https://doi.org/10.1007/s00500-006-0075-5
  22. Granlund, G. H. (1972). Fourier Preprocessing for Hand Print Character Recognition. IEEE Transactions on Computers, C-21 (2), 195–201. doi: https://doi.org/10.1109/tc.1972.5008926

##submission.downloads##

Опубліковано

2020-12-31

Як цитувати

Yesilevskyi, V., Tevyashev, A., & Koliadin, A. (2020). Метод розпізнавання повітряних об’єктів на основі нормалізованих дескрипторів контуру та комплекснозначної нейронної мережі. Eastern-European Journal of Enterprise Technologies, 6(4 (108), 48–57. https://doi.org/10.15587/1729-4061.2020.220035

Номер

Том 6 № 4 (108) (2020): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2020 Valentyn Yesilevskyi, Andriy Tevyashev, Anton Koliadin

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.