АНАЛІЗ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ ДЛЯ ДИСТАНЦІЙНОЇ ІДЕНТИФІКАЦІЇ ДИНАМІЧНИХ ОБ’ЄКТІВ

Автор(и)

  • Олена Нікуліна Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0003-2938-4215
  • Валерій Северин Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0002-2969-6780
  • Олексій Кондратов Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0001-6367-9944
  • Наталія Рекова ТОВ «Технічний університет «МЕТІНВЕСТ ПОЛІТЕХНІКА», Україна https://orcid.org/0000-0003-0956-6564

DOI:

https://doi.org/10.20998/2079-0023.2023.01.17

Ключові слова:

Дистанційна ідентифікація динамічних об’єктів, виявлення об’єктів, оптичний потік, ідентифікація швидкості, глибоке навчання, згорткові нейронні мережі

Анотація

Розглянуто проблему ідентифікації динамічних об’єктів з використанням інформаційних технологій дистанційної ідентифікації. Зазначено, що ідентифікація рухомих об’єктів має важливе значення в різних сферах, включаючи автономні транспортні засоби, медичну діагностику та робототехніку. Мета статті полягає в аналізі різних інформаційних технологій виявлення об’єктів, які можуть бути використані в майбутніх дослідженнях з дистанційної ідентифікації. Проведено аналіз методів визначення швидкості як динамічного параметру, аналіз двокрокових та однокрокових методів віддаленої ідентифікації об’єктів, аналіз ранніх методів ідентифікації, а також аналіз методів покращення віддаленої ідентифікації об’єктів. Розглянуто кілька засобів визначення руху об’єктів, зокрема, пропорційно-інтегрально-диференціальний регулятор, метод блоку вирівнювання, фазова кореляція, алгоритми піксельної рекурсії та методи оптичного потоку Лукаса – Канаді, Хорна – Шунка, Фарнбека, густого оптичного потоку. Ці засоби можуть бути використані для ефективного визначення руху об’єктів та ідентифікації їхньої швидкості незалежно від розміру та положення об’єктів. Розглянуті двокрокві та однокрокові методи виявлення об’єктів: метод регіонів зі згортковими нейронними мережами, його покращення, мережі пулінгу просторової піраміди, метод "Ти дивишся лише один раз", однокроковий багаторамковий метод, мережі сітківки, кутова мережа, центральна мережа та трансформер виявлення, які використовують різні підходи для покращення продуктивності та точності виявлення об’єктів. Підкреслено необхідність використання методів згорткових нейронних мереж та мереж пулінгу просторової піраміди для ефективної ідентифікації об’єктів незалежно від їхнього розміру та положення. Пропонуються нові підходи, які дозволяють створювати представлення фіксованої довжини для обробки зображень та регіонів інтересу, а також методи Віоли – Джонса, гістограми орієнтованих градієнтів, моделі деформованих частин. Дослідження в області виявлення об’єктів сприяють розвитку інформаційних технологій та покращенню ефективності систем ідентифікації динамічних об’єктів. Шляхом огляду та аналізу різних методів надані рекомендації для дослідників і практиків, що працюють у галузі дистанційної ідентифікації динамічних об’єктів.

Біографії авторів

Олена Нікуліна, Національний технічний університет «Харківський політехнічний інститут»

д-р техн. наук, професор, завідувачка кафедри інформаційних систем та технологій Національного технічного університету «Харківський політехнічний інститут», Харків, Україна

Валерій Северин, Національний технічний університет «Харківський політехнічний інститут»

д-р техн. наук, професор, професор кафедри системного аналізу та інформаційно-аналітичних технологій Національного технічного університету «Харківський політехнічний інститут», Харків, Україна

Олексій Кондратов, Національний технічний університет «Харківський політехнічний інститут»

аспірант кафедри інформаційних систем та технологій Національного технічного університету «Харківський політехнічний інститут», Харків, Україна

Наталія Рекова, ТОВ «Технічний університет «МЕТІНВЕСТ ПОЛІТЕХНІКА»

д-р економічних наук, професор, професор кафедри цифрових технологій та проєктно-аналітичних рішень ТОВ «Технічний університет «МЕТІНВЕСТ ПОЛІТЕХНІКА», Запоріжжя, Україна

Посилання

Severin V. P., Nikulina E. N., Buriakovskyi V. S. Development of the controller for the quadcopter finkenin simulation enviroment vrep. Vestnik Nats. tekhn. un-ta "KhPI": sb. nauch. tr. Temat. vyp.: Sistemnyy analiz, upravlenie i informatsionnye tekhnologii [Bulletin of the National Technical University "KhPI": a collection of scientific papers. Thematic issue: System analysis, management and information technology]. Kharkov, NTU "KhPI" Publ., 2016, no. 37 (1209), pp. 63–69.

Ammar A., Chebbah A., Fredj H., Souani C. Comparative Study of latest CNN based Optical Flow Estimation. URL: https://ieeexplore.ieee.org/document/9806070/references#references. (accessed: 27.04.2023).

Nikulina E. N., Severyn V. P., Kotsiuba N. V. Rozrobka informatsiynoyi tekhnologii optymizatsii upravlinnya skladnymy dynamichnymy systemamy [Development of information technology for optimizing the control of complex dynamic systems]. Vestnik Nats. tekhn. un-ta "KhPI": sb. nauch. tr. Temat. vyp.: Sistemnyy analiz, upravlenie i informatsionnye tekhnologii [Bulletin of the National Technical University "KhPI": a collection of scientific papers. Thematic issue: System analysis, management and information technology]. Kharkov, NTU "KhPI" Publ., 2020, no. 2 (4), pp. 63–69.

Zou Z., Chen K., Shi Z., Shi Z., Guo Y., Ye J. Object

Detection in 20 Years: A Survey. URL: https://arxiv.org/pdf/1905.05055.pdf?fbclid=IwAR0ILGAWTwU-9-iH6lZyPFXYXA5JRWarM_XoSJ78QEhmnn-txvr_iGEzCio (accessed: 27.04.2023).

Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems. 2012, pp. 1097–1105.

Girshick R., Donahue J., Darrell T., Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation. URL: https://arxiv.org/abs/1311.2524 (accessed: 27.04.2023).

Girshick R., Donahue J., Darrell T., and Malik J. Region-based convolutional networks for accurate object detection and segmentation. IEEE transactions on pattern analysis and machine intelligence. 2016, vol. 38, no. 1, pp. 142–158.

Uijlings J. R., Van De Sande K. E., Gevers T., Smeulders A. W. Selective search for object recognition. International journal of computer vision. 2013, vol. 104, no. 2, pp. 154–171.

Viola P., Jones M. Rapid object detection using a boosted cascade of simple features. URL: https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf (дата звернення: 27.04.2023).

Viola P., Jones M. J. Robust real-time face detection. International journal of computer vision. 2004, vol. 57, no. 2, pp. 137–154.

Dalal N., Triggs B. Histograms of oriented gradients for human detection. URL: https://ieeexplore.ieee.org/document/1467360 (accessed: 27.04.2023).

Lowe D. G. Object recognition from local scale-invariant features URL: https://ieeexplore.ieee.org/document/790410 (accessed: 27.04.2023).

Distinctive image features from scale-invariant keypoints. International Journal of computer vision. 2004, vol. 60, no. 2, pp. 91–110.

Belongie S., Malik J., Puzicha J. Shape matching and object recognition using shape contexts. California univ san diego la jolla dept of computer science and engineering. Tech. Rep. 2002, vol. 24, no. 24, pp. 509–522.

Felzenszwalb P., McAllester D., Ramanan D. A discriminatively trained, multiscale, deformable part model. URL: https://cs.brown.edu/people/pfelzens/papers/latent.pdf (accessed: 27.04.2023).

Felzenszwalb P. F., Girshick R. B., McAllester D. Cascade object detection with deformable part models. URL: https://cs.brown.edu/people/pfelzens/papers/cascade.pdf (accessed: 27.04.2023).

Malisiewicz T., Gupta A., Efros A. A. Ensemble of exemplar-SVMs for object detection and beyond. URL: https://ieeexplore.ieee.org/document/6126229 (accessed: 27.04.2023).

Felzenszwalb P. F., Girshick R. B., McAllester D., Ramanan D. Object detection with discriminatively trained part-based models. IEEE transactions on pattern analysis and machine intelligence. 2010, vol. 32, no. 9, pp. 1627–1645.

Girshick R. B., Felzenszwalb P. F., Mcallester D. A. Object detection with grammar models. Advances in Neural Information Processing Systems, 2011, pp. 442–450.

Girshick R. B. From rigid templates to grammars: Object detection with structured models. URL: https://dl.dropboxusercontent.com/s/o9m1nq0jdax2on9/rbg-phd-dissertation.pdf?dl=0 (accessed: 27.04.2023).

Jiao L., Zhang F., Liu F., Yang S., Li L., Feng Z., Qu R. A Survey of Deep Learning-based Object Detection URL: https://ieeexplore.ieee.org/document/8825470 (accessed: 27.04.2023).

Hu H., Gu J., Zhang Z., Dai J., Wei Y. Relation networks for object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018, pp. 3588–3597.

Zhu X., Hu H., Lin S., Dai J. Deformable ConvNets v2: More Deformable, Better Results. URL: https://arxiv.org/abs/1811.11168 (accessed: 27.04.2023).

Kitakaze H., Yoshiharaa R., Okabea S., Matsumura R. Development of Harmful Bird Recognition System using Object Detection YOLO. The Japanese Journal of the Institute of Industrial Applications Engineers Online edition. URL: https://www.jstage.jst.go.jp/article/jjiiae/8/1/8_10/_pdf/-char/ja (accessed: 27.04.2023).

Inomata T., Kimura K., Hagiwara M. Object Tracking and Classification System Using Agent Search. URL: https://www.jstage.jst.go.jp/article/ieejeiss/129/11/129_11_2065/_pdf/-char/ja (accessed: 27.04.2023).

##submission.downloads##

Опубліковано

2023-07-15

Як цитувати

Нікуліна, О., Северин, В., Кондратов, О., & Рекова, Н. (2023). АНАЛІЗ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ ДЛЯ ДИСТАНЦІЙНОЇ ІДЕНТИФІКАЦІЇ ДИНАМІЧНИХ ОБ’ЄКТІВ. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, (1 (9), 110–115. https://doi.org/10.20998/2079-0023.2023.01.17

Номер

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ