Дослідження методу виявлення об’єктів за узагальненими канальними характеристиками кольору для застосування у БАС

Nataliia Kuzmenko, Volodymyr Kharchenko, Ivan Ostroumov

Анотація


Мета: Робота спрямована на те, щоб визначити штучний інтелект як ключовий пріоритет у питаннях досліджень та розробок. Розгляд існуючих методів виявлення об'єктів є одним з важливих завдань статті. Представлені результати досліджень спрямовані на дослідження проблеми виявлення рухомих об'єктів за допомогою даних візуальних датчиків для застосування у безпілотній авіаційній системі. Методи: представлений підхід грунтується на імовірнісних та статистичних методах обробки даних, зокрема використання підходу узагальнених канальних характеристик для виявлення об'єктів. Результати: Метод пошуку об'єктів за узагальненими канальними характеристиками за використанням відеопотоку з різними сценаріями був досліджений практичним способом. Результати експериментального дослідження використання узагальнених канальних характеристик для виявлення рухомих засобів транспорту, таких як автомобілів та трамваїв, свідчать про високі характеристики методу. Також досліджено залежність між часом тренування детектора та об'ємом позитивних екземплярів у конкретному випадку. Обговорення: Численні переваги методу виявлення об’єктів за узагальненими канальними характеристиками, такі як універсальність, простота реалізації та компроміс між часом обчислення та точністю виявлення, дозволяють використовувати його у завданнях виявлення людей, транспортних засобів, штучних та природних об'єктів для застосуванні у БАС. Представлені результати можуть бути впроваджені в безпілотні авіаційні системи для пошуку та моніторингу рухомих об'єктів.


Ключові слова


БАС; штучний інтелект; узагальнені канальні характеристики; виявлення об’єктів; відеопотік

Посилання


European Commission (2018) Communication from the Commission to the European Parliament, the European Council, the Council, the European economic and social committee and the committee of the regions. Artificial Intelligence for Europe, Brussels, 19 p.

IATA (2018) AI in aviation. Exploring the fundamentals, threats and opportunities of artificial intelligence (AI) in the aviation industry. White Paper, 20 p.

European Commission (2018) Declaration of cooperation on Artificial Intelligence, Brussels. Available at: https://ec.europa.eu/jrc/communities/sites/jrccties/files/2018aideclarationatdigitaldaydocxpdf.pdf

Viola P., Jones M. (2001) Rapid object detection using a boosted cascade of simple features. IEEE Conference on Computer Vision and Pattern Recognition, 9 p.

Freund, Y. and Schapire, R.E. (1997) A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), pp.119-139.

Jones, M.J. and Viola, P., (2001) Robust real-time object detection. In Workshop on statistical and computational theories of vision, Vol. 266, p. 56.

Angelova, A., Krizhevsky, A. and Vanhoucke, V. (2015) Pedestrian detection with a large-field-of-view deep network. In Robotics and Automation (ICRA), IEEE International Conference, pp. 704-711.

Pérez, A., Larrañaga, P. and Inza, I., (2009) Bayesian classifiers based on kernel density estimation: Flexible classifiers. International Journal of Approximate Reasoning, 50(2), p.341.

Kharchenko, V., Kukush, A., Kuzmenko, N. and Ostroumov, I., (2017). Probabilistic Approach to Object Detection and Recognition for Videostream Processing. Proceedings of the NAU, № 2(71), pp.8-14.

Benenson, R., Mathias, M., Timofte, R. and Van Gool, L., (2012) Pedestrian detection at 100 frames per second. In Computer Vision and Pattern Recognition (CVPR), IEEE Conference, pp. 2903-2910.

Dalal, N. and Triggs, B., (2005) Histograms of oriented gradients for human detection. In Computer Vision and Pattern Recognition. CVPR 2005. IEEE Computer Society Conference on Vol. 1, pp. 886-893.

Dollar P., Tu Z., Perona P., Belongie S. (2009) Integral Channel Features. British Machine Vision Conference, 11p.

Dollár, P., Belongie, S.J. and Perona, P., (2010) The fastest pedestrian detector in the west. In Bmvc, Vol. 2, No. 3, p. 7.

Dollár, P., Appel, R., Belongie, S. and Perona, P., (2014) Fast feature pyramids for object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(8), pp.1532-1545.


Повний текст: PDF

Посилання

  • Поки немає зовнішніх посилань.


ISSN 2306-1472 (Online), ISSN 1813-1166 (Print)

Передплатний індекс 86179

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported License.

Ulrich's Periodicals DirectoryIndex CopernicusDOAJSSMРИНЦWorldCatCASEBSCOCrossRefBASEDRIVERНаціональна бібліотека ім. ВернадськогоНауково-технічна бібліотека НАУ