Ными аппаратами
 Скачать 4.29 Mb.
|
|
Размер набора снимков Размер выходной композиции в пикселях Время формирования 119 29112 х 39141 17 мин 292 28660 х 64058 58 мин 712 51136 х 68144 181 мин 170 Основным преимуществом предложенного алгоритма, в сравнении с рабо- тами [1,2,3] является использование для восстановления двух изображений, а не трех, что в условиях использования БЛА самолетного типа, является трудно реали- зуемой задачей. Другим важным направлением обработки данных целевой нагрузки БЛА анализ изображений, формируемых перспективными радиолокаторами с синтези- рованной апертурой. Преимуществами радиолокационных систем является их все- погодность, независимость от времени суток, большая дальность обнаружения объектов и высокое пространственное разрешение (0,5 м и лучше). Для автоматизации дешифрирования данной группы изображений существу- ет ряд методов [3], основанных на машинном обучении. Основным их недостатком является то, что для их работы требуется объемная база реальных радиолокацион- ных портретов (РЛП) объектов. Для решения данной проблемы, был разработан метод обнаружения и распознавания объектов, в качестве обучающей выборки ис- пользующий РЛП, полученные путем моделирования. Работы системы, реализую- щей данный метод, состоит из двух фаз: фаза подготовки системы к работе и обучения. На данной фазе производится моделирование базы РЛП для обучения, расчет информативных признаков и непо- средственно обучение систем обнаружения и классификации объектов. Как показа- ли эксперименты, достаточным количеством является около 5000 РЛП на каждый класс. Также для обучения системы обнаружения необходимы радиолокационные изображения (РЛИ) типовой фоновой местности, на которой в дальнейшем могут находиться интересующие объекты; фаза применения системы обнаружения и распознавания. Обученный обна- ружитель и система распознавания используются для автоматического обнаруже- ния и распознавания объектов на высокодетальных РЛИ. Обнаружение объектов рационально выполнять, на основе последовательно- го применения ряда методов. Так, высокую результативность показала связка де- тектор Хаара [12] - скользящее окно с применением двухклассовой классификации на основе метода опорных векторов [15] (SVM – support vector machine) и инфор- мативных признаков, позволяющих отделять объекты от фона. После того, как проведено обнаружение, то есть, выбраны области РЛИ, от- носящиеся к классу «объект», данные области поступают на вход системы распо- знавания. Данная система относит каждый объект непосредственно к одному из классов, на которых она была обучена. Для экспериментальной отработки предложенного метода, были использова- ны данные из отрытой базы данных радиолокационных изображений и портретов различных объектов, которая сформирована с применением радиолокатора, обла- дающим разрешением около 30 сантиметров, в рамках проекта MSTAR. В качестве классов выступали объекты типа танк Т-72, боевая машина пехоты БМП-2 и броне- транспортер БТР-60. Для тестирования системы обнаружения объекты встраива- 171 лись непосредственно в фоновые изображения с данного радиолокатора. Число ре- альных РЛП составляло порядка 5600. В качестве информативных признаков ис- пользовались коэффициенты спектра Фурье, коэффициенты полиномов Цернике [14] , а также ряд других информативных признаков. При распознавании в качестве классификатора использовался также метод опорных векторов. В ходе отработки было установлено, что данный классификатор обеспечивает наиболее высокие ве- роятности правильной классификации при обучении на модельных данных и те- стировании на реальных изображениях с исследуемым набором признаков. Приме- нение разработанного метода позволило достичь показателей, представленных в таблице 2. Таблица 2 - Достигнутые результаты обнаружения и распознавания объектов на РЛИ высокого разрешения Параметр Значение Вероятность обнаружения объектов 0,97 Вероятность ложного обнаружения 2 · 10 -7 Вероятность правильной классификации при обучении на модельных РЛП (3 класса техники) 0,85 Вероятность правильной классификации при обучении на реальных снимках из базы данных MSTAR (8 классов техни- ки) 0,985 Среднее время обработки одного РЛИ 1500 × 1700 пикселей на процессоре Intel i7 8 с Таким образом, в отличие от аналогов, разработанный метод позволяют обу- чать систему обнаружения и распознавания, по выборке модельных РЛП. Добавле- ние реальных РЛП в обучающую выборку, как было установлено, значительно по- вышает вероятность правильной классификации, но число требуемых РЛП на каж- дый класс должно быть не менее 30 на класс. Отметим, что для решения задачи обнаружения и распознавания объектов на оптико-электронных изображениях (ОЭИ) и в видеопотоке с борта БЛА, одним из перспективных направлений также является применение модельно- ориентированного подхода, поскольку формирование представительной обучаю- щей выборки изображений объектов, является достаточно трудоемкой задачей и практически не реализуемой в короткий промежуток времени. Основной мировой тренд в области обнаружения и распознавания заключа- ется в применении сверточных нейронных сетей. Главным преимуществом данного подхода в сравнении с признаковым описанием, является то, что алгоритм по сути сам находит информативные признаки. Основная задача разработчика заключается в выборе топологии сети и настройке большого числа ее параметров. Сверточные нейронные сети могут быть применены не только для распознавания объектов, но и для их обнаружения. Стоит отметить, что для данного типа классификаторов и об- наружителей, необходимым условием является наличие представительной базы 172 изображений для обучения. Одним из возможных вариантов решения данной про- блемы помимо моделирования, является многократное клонирование с деформаци- ями имеющихся изображений объектов. В ходе проведенных исследований уста- новлено, что обучающая выборка должна содержать порядка 55 разноракурсных изображений на каждый класс для того, чтобы на пяти классах достичь вероятно- сти правильной классификации около 78%. При этом требуется, чтобы обучающая выборка была представительной как с точки зрения мест съемки, так и с точки зре- ния освещения, что является достаточно трудно осуществимой задачей. Размер изображений объектов должен составлять не менее 100 × 100 пикселей. Проведенные исследования показали, что применение сверточных нейрон- ных сетей для распознавания с применением модельных оптических изображений на данный момент не достигло успеха. Основная причина заключается в недоста- точной исследованности области компьютерного моделирования применительно к задаче формирования обучающей выборки. Однако при решении задачи обнаруже- ния некоторых объектов военной техники удалось достичь вероятности обнаруже- ния порядка 80% при вероятности ложной тревоги около 1,1·10 -6 . При этом приме- нялась не сверточная нейронная сеть, а совместное применение технологии BOW (bag of words), SVM и SIFT. Таким образом, в докладе предложен новый алгоритм построения трехмер- ной модели рельефа и ортофотоплана, адаптированный для маршрутной и площад- ной съемки с борта БЛА. Также рассмотрен перспективный подход к обнаружению движущихся объектов в видеопотоке. Представлены апробированные методы об- наружения и распознавания объектов на РЛИ высокого разрешения, с обучением на основе модельных РЛП. Определены перспективы применения модельно- ориентированного подхода для обнаружения и распознавания объектов на ОЭИ изображениях и видео. СПИСОК ЛИТЕРАТУРЫ 1. Multiple view geometry in computer vision. Hartley, Richard, and Andrew Zisserman. Vol. 2. Cambridge, 2000. 2. Efficient and Robust Large-Scale Rotation Averaging. Avishek Chatterjee and Venu Madhav Govindu, ICCV 2013. 3. Robust Global Translations with 1DSfM. Kyle Wilson and Noah Snavely, ECCV 2014. 4. Adaptive structure from motion with a contrario model estimation. Pierre Moulon, Pascal Monasse, and Renaud Marlet. In ACCV, 2012. 5. Global Fusion of Relative Motions for Robust, Accurate and Scalable Structure from Motion. Pierre Moulon, Pascal Monasse and Renaud Marlet. In ICCV, 2013. 6. C. Stauffer and W. Grimson. Adaptive background mixture models for real- time tracking. - In Computer Vision and Pattern Recognition, IEEE Computer Society Conference on., volume 2, pages 2 vol. (xxiii+637+663), 1999. 173 7. Y. Sheikh and M. Shah. Bayesian modeling of dynamic scenes for object detection. - PAMI, 27:1778–1792, 2005. 8. Y. Sheikh, O. Javed, and T. Kanade. Background subtraction for freely moving cameras. - In ICCV, pages 1219–1225. IEEE, 2009. 9. S. Kwak, T. Lim, W. Nam, B. Han, and J. H. Han. Generalized background subtraction based on hybrid inference by belief propagation and bayesian filtering. - In Computer Vision (ICCV), 2011 IEEE International Conference on, pages 2174–2181, nov. 2011. 10. Chris Stauffer, W.E.L. Grimson Adaptive background mixture models for real-time tracking // In Proceedings of the Conference on Computer Vision and Pattern Recognition, 1998. V. 2. 11. A. P. Dempster, N. M. Laird, D. B. Rubin Maximum Likelihood from Incomplete Data via the EM Algorithm // Journal of the Royal Statistical Society. Series B (Methodological), Vol. 39, No. 1. (1977), pp. 1-38. 12. Paul Viola, Michael Jones. International Journal of Computer Vision. Robust Real-time Object Detection, 2001. 13. Yoav Freund, Robert E.Schapire, A decision-theoretic generalization of on-line learning and an application to boosting Journal of Computer and System Sciences, no. 55, 1997. 14. Zernike, F., "Beugungstheorie des Schneidenverfahrens und Seiner Verbesserten Form, der Phasenkontrastmethode". Physica 1 (8): 689–704, 1934. 15. Cortes, C.; Vapnik, V., Support-vector networks. Machine Learning 20 (3): 273, 1995. 174 В.В.МЕЗЕНЦЕВ, адъюнкт Военной академия РВСН имени Петра Великого (г. Балашиха) ОСОБЕННОСТИ ФУНКЦИОНИРОВАНИЯ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ БЛИЖНЕГО ДЕЙСТВИЯ В УСЛОВИЯХ ИНФОРМАЦИОННО-ТЕХНИЧЕСКИХ ВОЗДЕЙСТВИЙ В настоящее время развитие беспилотных летательных аппаратов (БЛА) рас- сматривается Вооруженными Силами Российской Федерации (ВС РФ) как одно из перспективных средств повышения эффективности применения разнородных сил и средств в мирное время, период нарастания военной угрозы и военное время. Современные БЛА являются роботизированными и компьютеризированны- ми образцами вооружения для ведения неконтактных боевых действий. В типовой состав систем связи и управления БЛА ближнего действия входят портативная переносная станция управления, автопилот с системой датчиков, бор- товой и наземный терминалы передачи данных. Прием разведывательной инфор- мации с БЛА ее потребителями, также может осуществляться с помощью мобиль- ных и портативных видеотерминалов. Проведенный анализ применения БЛА ближнего действия позволил выде- лить следующие особенности функционирования: возможность совершать автоматический (автоматизированный) полет при выполнении задач, автономно по заложенной программе, в течении нескольких десятков минут или часов при управлении оператором только взлетом и посадкой; практическая незаметность для радиолокационных станций в связи с тем, что в основном использованы композиционные материалы, состоящие из наполни- теля и армирующих элементов в виде волокон; наличие комплекса средств автоматизации для управления БЛА и его полез- ной нагрузкой по цифровым радиоканалам; наличие потенциальных уязвимых мест в протоколах передачи данных, спе- циальном и общем программном обеспечении систем управления, передачи дан- ных и навигации БЛА и полезной нагрузки; наличие возможности перехвата информации из цифровых радиоканалов прямой видимости; унифицированность программно-аппаратных средств БЛА и использование информационных технологий двойного назначения на основе применения откры- тых стандартов. Указанные особенности функционирования БЛА ближнего действия обу- славливают наличие потенциальных уязвимостей в контурах управления БЛА, представленных на рисунке 1. 175 ПЕРЕХВАТ РАДИОКАНАЛА УПРАВЛЕНИЯ ПЕРЕХВАТ ДАННЫХ С ПОЛЕЗНОЙ НАГРУЗКИ ПЕРЕХВАТ ТЕЛЕМЕТРИЧЕСК ИХ ДАННЫХ СБОИ В РАБОТЕ НАВИГАЦИОННОЙ СИСТЕМЫ СБОИ В РАБОТЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ВCЛЕДСТВИИ ВОСПРОИЗВЕДЕНИЯ УПРАВЛЯЮЩИХ СИГНАЛОВ Рисунок 1 – Уязвимости в контурах управления БЛА ближнего действия Под безопасностью информации понимается состояние защищенности ин- формации, при котором обеспечены ее конфиденциальность, доступность и це- лостность [1]. Под уязвимостью (уязвимым местом) автоматизированных систем в широ- ком смысле понимаются факторы, связанные с недостатками в физическом разме- щении, организации, процедурах, персонале, управлении, администрировании, ап- паратных средствах, программном обеспечении или информации, которые могут использоваться источником угрозы [2]. Под уязвимостями БЛА понимаются точки (места) санкционированного и несанкционированного доступа в цифровых каналах передачи данных и аппаратно- программных средствах, через которые могут быть реализованы информационно- технические воздействия (ИТВ). Исходя из возможных последствий, основные виды ущерба, наносимого в результате возможных ИТВ: утечка развединформации; потеря БЛА; снижение вероятности выполнения задач БЛА в результате искаженной раз- ведывательной информации; 176 срыв выполнения задач БЛА или увеличение времени на выполнение по- ставленной задачи БЛА в результате нарушения нормального функционирования системы управления и передачи информации БЛА. Наличие уязвимых мест в контурах управления БЛА создает предпосылки для реализации на них угроз функционального поражения (интеллектуального вы- вода из строя). Необходимость парирования угроз функционального поражения БЛА, повышает актуальность решения задач защиты информации БЛА ближнего действия в условиях ИТВ. СПИСОК ЛИТЕРАТУРЫ 1. ГОСТ Р 50922-2006 Национальный стандарт Российской Федерации «Защита информации. Основные термины и определения», М: Стандартинформ, 2008. 2. Белый А.Ф., Климов С.М. Модель оценки реального уровня защищенности критически важных информационных сегментов космических систем на основе компьютерных стратегических игр. Ракетная и космическая техника. 2011. №1. Научные чтения ученых, научно-технических работников и специалистов РКП, посвящённые памяти Ю.А. Мозжорина. ФГУП «ЦНИИмаш», с. 156-160. 177 А.Н. МИРОНЕНКО кандидат технических наук, заместитель начальника центра по научной работе НИЦ ФГБУ «27 ЦНИИ» Минобороны России С.О. ДУБЕНСКОВ начальник отдела НИЦ ФГБУ «27 ЦНИИ» Минобороны России В.А. РАДИОНОВ кандидат технических наук, веду- щий научный сотрудник отдела НИЦ (топогеодезиче- ского и навигационного обеспечения) ФГБУ «27 ЦНИИ» Минобороны России ПРИМЕНЕНИЕ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ ПРИ ТОПОГЕОДЕЗИЧЕСКОМ ОБЕСПЕЧЕНИИ ВОЙСК. ОПЫТ ИСПОЛЬЗОВАНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ Одной из задач топогеодезического обеспечения войск в мирное время явля- ется заблаговременное создание и обновление топографических карт и планов го- родов для обеспечения войск при проведении войсковых учений и специальных операций, а также в случае нарастающей военной угрозы. В ходе ведения боевых действий добавляется задача создания специальных карт, фотодокументов и моде- лей местности, определение координат целей, привязка боевых порядков ракетных войск и артиллерии, и пр. В качестве исходных данных для решения указанных задач необходимы геометрически точные съемочные материалы высокого пространственного разре- шения, отражающие изменения местности, например на момент проведения вой- сковой операции. Такие материалы могут быть оперативно получены аэрофотосъе- мочными комплексами на базе беспилотных летательных аппаратов (БЛА). Предпосылками применения БЛА в качестве нового средства для аэрофото- съемки являются недостатки двух традиционных способов получения данных с помощью космических аппаратов и воздушных пилотируемых аппаратов. Космические средства дистанционного зондирования Земли из-за длитель- ности процесса получения и обработки исходных материалов не удовлетворяют требованиям оперативности. Использование авиационных аэросъемочных ком- плексов диктует необходимость использование оборудованных аэродромов со всей необходимой инфраструктурой, а также затрат времени на перебазирование само- лета на аэродром и его подготовку к выполнению аэросъемочного задания. Кроме того, применение авиационных комплексов может быть нерентабельным в случае съемки небольших объектов и малых по площади территорий. В этом случае эко- номические и временные затраты на организацию работ, приходящиеся на единицу отснятой площади, существенно превосходят аналогичные показатели при съемке больших площадей (тем более для объектов, значительно удаленных от аэродрома). Таким образом, преимуществами применения БЛА в качестве аэрофотосъе- мочного средства являются: Рентабельность; 178 возможность съемки с небольших высот, и как следствие, получение сним- ков высокого пространственного разрешения; оперативность подготовки и проведения аэрофотосъемки; возможность применения по назначению без риска для жизни и здоровья пи- лотов. Однако развитие рынка БЛА, в том числе и для нужд аэрофотосъемки, тор- мозится отсутствием нормативно-правовой базы для интеграции БЛА в единое воздушное пространство. Не дожидаясь создания нормативно-правовой базы, бес- пилотные системы закупают структуры, имеющие особые полномочия (Министер- ство обороны, ФСБ, МВД, МЧС). Еще одним фактором, сдерживающим применение БЛА, является повышен- ная аварийность БЛА. В настоящее время БЛА не снабжены системой распознава- ния препятствий и ухода от столкновений, кроме того, многие модели оснащены не вполне совершенными автопилотами. Технология аэрофотосъемки с БЛА в значительной степени отработана. В настоящее время большая часть эксплуатируемых БЛА, предназначенных для воз- душной разведки и наблюдения, оснащена аппаратурой фото- и видеосъемки. Назначение аэрофотосъемочного комплекса картографирования на базе БЛА накладывает определенные требования к составу его съемочной и специальной ап- паратуры, а также к ее характеристикам. Данные требования обусловлены необхо- димостью получения геометрически и радиометрически точных первичных мате- риалов съемки и сопровождающей их служебной информации, чтобы позднее, на этапе их технологической обработки, получить в результате картографическую продукцию с заданными характеристиками точности, полноты и достоверности. Прежде всего, для аэрофотосъемки в целях картографирования БЛА должен иметь на своем борту полноценный автопилот, способный выдерживать параметры съемки (маршрут, углы наклона фотоаппарата, процент продольного и поперечного перекрытия, высоту и т.д.) даже при малой массе аппарата. Для строгой фотограмметрической обработки данных аэросъемки и получе- ния максимально точных результатов необходимо, чтобы снимки в одном маршру- те имели тройное перекрытие, а перекрытие между снимками соседних маршрутов при площадной съемке составляло не менее 20%. На практике, при съемке с БЛА эти параметры выдерживаются далеко не всегда. Полет БЛА неустойчив, на него влияют порывы ветра, турбулентность и другие возмущающие факторы. Если съемку с обычных самолетов планируют с перекрытием вдоль маршрута 60%, а между маршрутами 20-30%, то проектировать съемку с БЛА следует с перекрыти- ем вдоль маршрутов 80%, а между маршрутами – 40%, чтобы по возможности ис- ключить разрывы в фототриангуляционном блоке. В соответствии с предназначением, комплекс картографирования на базе БЛА должен решать задачи получения исходных съемочных материалов и сопут- ствующей им служебной информации для получения по ним картографической продукции в масштабах 1:2 000 и мельче. 179 Для решения этой задачи комплекс картографирования должен иметь в со- ставе полезной нагрузки следующую аппаратуру: цифровую аэросъемочную камеру; аппаратуру стабилизации камеры; систему прямого геопозиционирования. В качестве цифровой аэросъемочной камеры для комплекса картографиро- вания на базе БЛА целесообразно выбрать кадровую камеру малого (с объемом кадра менее 20 Mp) или, что предпочтительнее, среднего (с объемом кадра от 20 до 64 Mp) формата. Аэрокамеры малого формата, за редким исключением, представляют собой обычные, серийно выпускаемые промышленностью и относительно дешевые быто- вые или профессиональные цифровые фотоаппараты, рассчитанные на широкий круг пользователей. Такие камеры практически не имеют приспособлений для крепления на гиростабилизирующей платформе, интерфейса для интеграции с навигационными комплексами, и не всегда обеспечивают получение метрически точного изображения. Поэтому их применение требует выполнения калибровки. Кроме этого, такие камеры имеют ограниченное применение для картографической аэросъемки из-за малого формата, увеличения числа покрывающих участок сним- ков и большого объема фотограмметрических работ. Аэрокамеры среднего формата полностью адаптированы к особенностям аэрофотосъемочных работ, могут быть интегрированы в современные системы управления полетом, прямого геопозиционирования, оснащаются средствами ком- пенсации сдвига изображения. Цифровая аэрокамера для съемки с БЛА должна отвечать следующим требо- ваниям: иметь диапазон фокусных расстояний или комплект сменных объективов для выполнения разнородных аэросъемочных задач с различных высот и скоростей; обеспечивать возможность съемки с заданным временным интервалом, обес- печивающим продольное перекрытие снимков 60-80%; обеспечивать получение исходных цветных изображений местности с разме- ром кадра не менее 500х500 м; пространственное разрешение материалов съемки с высоты 1000 м должно быть не хуже 0,2 м при контрасте 0,5. Гиростабилизирующая установка (гироплатформа) предназначена для вы- держивания заданного положения аэрокамеры, уменьшения влияния вибраций планера БЛА на качество аэроснимков, гашения ударов и толчков при взлете и по- садке, и др. Гироплатформа должна отвечать следующим требованиям: обеспечивать динамическую стабилизацию установленного на ней аэросъе- мочного оборудования путем компенсации углов вращения планера БЛА (углов крена, тангажа и рыскания, или отклонения от курса); иметь соответствующую пластину адаптации (адаптер) для сопряжения с 180 конкретной моделью аэрокамеры; обеспечивать диапазон углов стабилизации по крену и тангажу не менее 5-6 ̊. Современный уровень развития навигационных средств позволяет произво- дить измерения элементов внешнего ориентирования непосредственно в процессе съемки. Типичные точности таких измерений достигают единиц метров по простран- ственным координатам |