Объекты на изображениях в ближнем ИК (near IR, NIR) спектральном диапазоне часто могут иметь другие линейные масштабы и формы, чем те же объекты на оптических изображениях в видимом диапазоне, поэтому для их обнаружения, отслеживания и классификации могут требоваться другие методы компьютерного зрения. В данной работе: рассмотрены методы решения задачи обнаружения и сопровождения движущихся объектов на NIR-изображениях; выделены основные характеристики движущихся объектов в последовательностях изображений; рассмотрены преимущества и недостатки разных методов обнаружения и сопровождения объектов на NIR-изображениях воздушного пространства и выбраны два наиболее перспективных класса методов; проведены исследования эффективности метода Лукаса-Канаде (из методов локального оптического потока) и метода ORB (из методов масштабно-инвариантного преобразования признаков) при обнаружении и отслеживании движущихся объектов на NIR-изображениях; в численных экспериментах использовано более 5000 NIR-изображений с движущимися объектами трёх типов и три комбинации указанных методов; показано, какое сочетание методов даёт наибольшую точность в задачах обнаружения и сопровождения движущихся объектов и может использоваться в автоматическом оперативном контроле и управлении воздушным пространством на основе систем компьютерного зрения; предположено, что и иные комбинации методов из двух рассмотренных классов могут способствовать повышению точности обнаружения и сопровождения движущихся объектов на NIR-изображениях воздушного пространства. 1. Steger C., Ulrich M., Wiedemann C. Machine Vision Algorithms and Applications. – Weinheim: Wiley-VCH, 2018.
2. Zakharova A.A., Korostelyov D.A. Methods for Construction and Research Stereometric Visual Images of Multi-criteria Alternatives// CEUR Workshop Proceedings. – 2020. – ?Vol. 2744, Part 2, Paper 23–1. Doi:10.51130/graphicon-2020–2–3–23.
3. ISO 20473:2007 «Optics and photonics – Spectral bands».
4. Siwei Y., Shaozuo Y., Bingchen Z., Yin W. Reducing the feature divergence of RGB and near-infrared images using Switchable Normalization / 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2020. – ?P. 206–211.
5. Mishchenko A.M., Rachkovsky S.S., Smolin V.A., Yakimenko I.V. Results of Spatial Structure of Atmosphere Radiation in a Spectral Range (1.5–2) µm // Light & Engineeering – 2018. – ?Vol. 26, No. 3. – ?P. 7–14.
6. Kataev M. Yu., Dadonova M.M., Efremenko D.S. Illumination Correction of Multi-Time RGB Images Obtained with an Unmanned Aerial Vehicle // Light & Engineeering. – 2021. – ?Vol. 29, No. 2. – ?P. 50–58.
7. Shaikh S., Saeed K., Chaki N. Moving Object Detection Using Background Subtraction / Springer Briefs in Computer Science. Springer, Cham, 2014. URL: https://doi.org/10.1007/978–3–319–07386–6_3 (дата обращения: 25.09.2021).
8. Алпатов Б.А., Бабаян П.В., Балашов О.Е., Степашкин А.И. Методы автоматического обнаружения и сопровождения объектов // Обработка изображений и управление. – ?М.: Радиотехника, 2008. – 176 с.
9. Иванов В.А., Киричук В.С., Косых В.П., Синельщиков В.В. Особенности обнаружения точечных объектов в изображениях, формируемых матричным приёмником // Автометрия. – 2016. – № 52(2). – ?С. 10–19. Doi:10.15372/AUT20160202.
10. Березин В.В., Цыцулин А.К. Обнаружение и оценивание координат изображений точечных объектов в задачах астронавигации и адаптивной оптики // Вестник Тихоокеанского государственного университета. – 2008. – № . 1. – ?С. 11–20.

• Предыдущая статья

• компьютерное зрение
• NIR-изображение
• обнаружение объектов на изображениях
• методы оптического потока
• методы трансформации признаков