Дослідженнефективності детектування та розпізнавання зображень дронів за відеопотоком

Автор(и)

  • О.В. Зубков
  • С.А. Шейко
  • В.Н. Олейников
  • В.М. Карташов
  • И.В. Корытцев
  • С.И. Бабкин

DOI:

https://doi.org/10.30837/rt.2020.3.202.14

Ключові слова:

дослідження, ефективність, детектування, розпізнавання, зображення, дрон, відеопотік.

Анотація

Розроблено та експериментально протестовано алгоритм обробки відеопотоку стаціонарної відеокамери. Він складається з етапів виявлення рухомих об'єктів і класифікації цих об'єктів з використанням нейронної мережі. Для виявлення рухомих об'єктів використано методи виділення рухомих об'єктів на нерухомому фоні і аналізу історії руху. На підставі експериментальних даних проаналізовано ефективність застосування моделей заднього фону зображень MOG, MOG2, KNN, GMG, CNT, GSOC, LSBP для вирішення поставленого завдання. Сформульовано рекомендації щодо вибору параметрів цих моделей. Критеріями вибору були: забезпечення високої швидкодії і низький рівень шумів. Для класифікації рухомих об'єктів створено і навченомоделі повнозв'язних і згортальних нейронних мереж, що дозволяють класифікувати 12 типів рухомих об'єктів. Для навчання нейронних мереж створено набори зображень: дронів, фрагментів листя дерев, трави, хмар і комах. На підставі результатів навчання та тестування мереж надано рекомендації до числа шарів мереж, числу нейронів в шарі, кількості згорток для досягнення максимальної швидкодії і точності розпізнавання. Порівняльний аналіз точності класифікації дронів із застосуванням повнозв'язних і згортальних мереж при обробці експериментальних даних довів ефективність застосування згортальних мереж. Побудовано залежність точності виявлення дрона від розміру зображення і, відповідно, від дальності до цього дрона.

Посилання

https://dronerules.eu/en/recreational/regulations

BBC (2018) Charges over drone drug smuggling into prisons. https://www.bbc.com/news/uk-england-43413134.

Jean-Paul Yaacoub, Hassan Noura, Ola Salman, Ali Chehab. Security analysis of drones systems // Attacks, limitations, and recommendations: Internet of Things. Volume 11, pages 1-39, 2020.

Kartashov V. M., Oleynikov V. N., Sheyko S. A., Koryttsev I. V., Babkin S.I., Zubkov O.V. Peculiarities of small-sized unmanned aerial vehicles detection and recognition // Telecommunications and Radio Engineering. Volume 78, Issue 9, pages 771-781, 2019.

Deep Learning on Multi Sensor Data for Counter UAV Applications – A Systematic Review. Stamatios Samaras, Eleni Diamantidou, Dimitrios Ataloglou, Nikos Sakellariou, Anastasios Vafeiadis, Vasilis Magoulianitis, Antonios Lalas, Anastasios Dimou, Dimitrios Zarpalas, Konstantinos Votis, Petros Daras, Dimitrios Tzovaras. Sensors (Basel) 2019 Nov; 19(22): 4837. Published online 2019. Nov 6. doi: 10.3390/s19224837.

Redmon J., Divvala S., Girshick R. and Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, pages 779-788, 2016, doi: 10.1109/CVPR.2016.91.

Hao Liu1, Fangchao Qu1, Yingjian Liu1, Wei Zhao1,Yitong Chen A drone detection with aircraft classification based on a camera array IOP // Conf. Series: Materials Science and Engineering 322 (2018).

Ammar A., Koubaa A., Ahmed M., Saad A. Aerial Images Processing for Car Detection using Convolutional Neural Networks: Comparison between Faster R-CNN and YoloV3. Preprints 2019, 2019100195 (doi: 10.20944/preprints201910.0195.v1).

Song Han, W. Shen, Z. Liu Deep Drone: Object Detection and Tracking for Smart Drones on Embedded System // Computer Science, 2016.

Wen Shao, Rei Kawakami,Ryota Yoshihashi, Shaodi You, Hidemichi Kawase &Takeshi Naemura Cattle detection and counting in UAV images based on convolutional neural networks // International Journal of Remote Sensing Volume 41- NO 1, pages 31-52, 2020.

Unlu E., Zenou E., Riviere N. et al. Deep learning-based strategies for the detection and tracking of drones using several cameras // IPSJ T Comput Vis Appl Vol. 11, 2019.

Marcin Kociołeka, Michał Strzeleckia, Rafał Obuchowicz. Does image normalization and intensity resolution impact texture classification? // Computerized Medical Imaging and GraphicsVolume 81, 2020.

Tomasz Hyla, Natalia Wawrzyniak. Automatic Ship Detection on Inland Waters: Problems and a Preliminary Solution // ICONS 2019: The Fourteenth International Conference on Systems, pages 56-60.

T. Trnovszký, P. Sýkora, R. Hudec. Comparison of Background Subtraction Methods on Near Infra-Red Spectrum Video Sequences // Procedia Engineering Volume 192, pages 887-892, 2017.

Yao G., Lei T., Zhong J., Jiang, P., Jia, W. Comparative Evaluation of Background Subtraction Algorithms in Remote Scene Videos Captured by MWIR Sensors // Sensors 2017, Vol. 17, pages 19-45.

Marcomini L. A., Cunha A. L. A Comparison between Background Modelling Methods for Vehicle Segmentation in Highway Traffic Videos. // Computer Vision and Pattern Recognition, 2018.

Kartashov V., Oleynikov V., Zubkov O., Sheiko S. Optical detection of unmanned air vehicles on a video stream in a real-time // The Fourth International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo’2019), 9–13 September 2019, Odessa, Ukraine, 4 p.

Moulay A. Akhloufi, Sebastien Arola, Alexandre Bonnet. Drones Chasing Drones: Reinforcement Learning and Deep Search Area Proposal. Drones, Vol. 58, No.3, 2019.

Yamashita R., Nishio M., Do R.K.G. et al. Convolutional neural networks: an overview and application in radiology // Insights Imaging Vol. 9, pages 611–629, 2018.

Vivienne Sze, Yu-Hsin Chen, Tien-Ju Yang, Joel Emer Efficient Processing of Deep Neural Networks: A Tutorial and Survey Computer Science, 2017.

##submission.downloads##

Номер

Розділ

Статті