способ управления движущимся объектом и устройство для его осуществления

Формула изобретения

1. Способ управления движущимся объектом, заключающийся в том, что получают картографические эталонные и текущие изображения территории, сравнивают параметры изменения текущего картографического изображения с эталонным картографическим изображением, фильтруют изображения от помех, отличающийся тем, что перед сравнением параметров изменения изображений определяют предварительные координаты объекта, распознают участок территории, формируют интегральное картографическое эталонное изображение и получают интегральные информативные параметры сравниваемых изображений, выделяя среди них многомерные и увеличивая последние на величину, определяемую требуемой точностью оценки координат объекта, определяют изменение геометрии, топологии и цвета участка территории, при этом дополнительно подавляют помехи нейросетевой фильтрацией, а после сравнения параметров изменения изображений оценивают местоположение объекта и производят коррекцию маршрута движения объекта.

2. Способ по п.1, отличающийся тем, что формируют интегральное картографическое эталонное изображение путем монтажа локальных участков территории по реперным точкам с помощью нейросетевых технологий.

3. Способ по п.1, отличающийся тем, что получают интегральные информативные параметры сравниваемых изображений при формировании радиолокационных, телевизионных цветных или инфракрасных изображений подстилающей поверхности Земли или изображений карты звездного неба.

4. Способ по п.3, отличающийся тем, что формируют радиолокационные или телевизионные цветные изображения по топографическим картам Земли.

5. Способ по п.1, отличающийся тем, что определяют изменение геометрии, топологии и цвета участка территории для сравниваемой пары изображений при устранении рассогласований изображений по углу их относительного разворота, масштабу, крену, тангажу и цвету.

6. Способ по п.5, отличающийся тем, что определяют геометрические параметры локальных и интегральных участков территории в виде периметров, площадей, радиусов, длины, ширины, количества точек перегиба контура, геометрического центра элементов изображений, постоянно наблюдаемых участков, развертки контура, перевычисления в полярную систему координат, инвертирования изображения, формирования микроплана.

7. Способ по п.6, отличающийся тем, что переход к типу изображения осуществляют на основе вычисления адаптивного коэффициента путем сравнения текущих и предельных значений интегральных информативных геометрических, топологических и цветовых параметров изображений, а также амплитудных, спектральных, структурных и дифференциальных информативных параметров взаимно-корреляционной функции.

8. Способ по п.1, отличающийся тем, что корректируют маршрут движения объекта путем перенастройки работы устройства.

9. Способ по п.1, отличающийся тем, что распознают участок территории с помощью нейросетевых технологий.

10. Способ по п.1, отличающийся тем, что многомерные интегральные информативные параметры сравниваемых изображений увеличивают до 1000 раз.

11. Способ по п.1, отличающийся тем, что территорией может быть наземная, подводная, воздушная территория.

12. Устройство управления движущимся объектом, содержащее последовательно соединенные синхронизатор, блок корреляционно-экстремальной обработки информации, основной картографический указатель заданного курса, блок дополнительных фильтров основного картографического заданного курса, выходом подключен ко второму входу блока корреляционно-экстремальной обработки информации, входом через блок управления фильтрами подключен к выходу блока корреляционно-экстремальной обработки информации, последний вторым входом подключен к блоку дополнительных фильтров картографического указателя истинного курса, а блок управления фильтрами вторым выходом подключен к блоку дополнительных фильтров картографического указателя истинного курса, и объект управления, отличающееся тем, что оно дополнительно содержит, во-первых, последовательно соединенные блок подключения датчика изображения, адаптивный нейросетевой фильтр подавления помех и интеллектуальный блок обработки изображений, отдельным выходом подключен к входу блока подключения датчика изображения, которые введены между выходом радиолокационного картографического указателя истинного курса и отдельным входом блока корреляционно-экстремальной обработки информации, отдельным выходом подключен к интеллектуальному блоку обработки изображений, во-вторых, дополнительный инфракрасный датчик изображений, дополнительный блок астродатчиков, дополнительный телевизионный картографический указатель истинного курса, дополнительный формирователь картографического указателя истинного курса по топографической карте подключены отдельными двунаправленными связями к блоку подключения датчика изображений, в-третьих, последовательно соединенные дополнительный инерциальный картографический указатель истинного курса и структурно-перестраиваемый блок управления отдельными входами подключены к выходам блока корреляционно-экстремальной обработки информации, дополнительного спутникового картографического указателя истинного курса, дополнительного формирователя картографического указателя истинного курса по топографической карте и синхронизатора, а отдельными выходами подключены к объекту управления и дополнительному формирователю картографического указателя истинного курса по топографической карте, причем отдельный вход структурно-перестраиваемого блока управления подключен к выходу задатчика движения, в-четвертых, блок нейросетевого распознавания изображений отдельными входами подключен к отдельным выходам интеллектуального блока обработки изображений и синхронизатора, а отдельным выходом подключен к отдельному входу блока корреляционно-экстремальной обработки информации.

13. Устройство по п.12, отличающееся тем, что блок подключения датчика изображения выполнен в виде многоканального мультиплексора.

14. Устройство по п.12, отличающееся тем, что дополнительный блок астродатчиков содержит датчики, воспринимающие карту звездного неба и радиогалактики.

15. Устройство по п.12, отличающееся тем, что дополнительный спутниковый картографический указатель истинного курса содержит ГЛОНАСС, GPS и/или ГАЛИЛЕО.

16. Устройство по п.12, отличающееся тем, что дополнительный инерциальный картографический указатель истинного курса включает блоки гироскопов, акселерометров, управления, контроля и обработки информации.

17. Устройство по п.12, отличающееся тем, что дополнительный формирователь картографического указателя истинного курса по топографической карте состоит из топографических и топологических карт земной поверхности, считывателя изображения с карт и автомата на перестраиваемых вычислительных средах.

18. Устройство по п.12, отличающееся тем, что дополнительный телевизионный картографический указатель истинного курса выполнен в виде телевизионной камеры, функционирующей в инфракрасном оптическом диапазоне, и содержит инфракрасный прожектор.

19. Устройство по п.12, отличающееся тем, что блок дополнительных фильтров картографического указателя истинного курса, блок дополнительных фильтров основного картографического указателя заданного курса и блок управления фильтрами выполнены на перестраиваемых вычислительных средах.

20. Устройство по п.12, отличающееся тем, что структурно-перестраиваемый блок управления реализован на перестраиваемых вычислительных средах.

Описание изобретения к патенту

Группа изобретений относится к способу управления движущимся объектом и устройству для его осуществления. Область применения охватывает автоматическое и автоматизированное управление движением различных объектов, например транспортных роботов, судов, летательных аппаратов и т.д.

Известны и широко применяются различные способы и устройства определения координат объекта, например инерциальные, оптико-телевизионные или радиолокационные навигационные устройства [1, 2].

Существенным признаком этих способов и устройств является то, что производится анализ получаемой информации согласно определенным методикам, алгоритмам или теоретическим моделям, а затем делается вывод о координатах объекта. Так, например, вывод о местоположении объекта делается при анализе радиолокационного изображения местности [3].

Недостатки способов и устройств заключаются в низкой точности определения координат объекта и невозможности быстрой адаптации при изменении навигационной задачи. Кроме этого, указанные способы и устройства имеют низкие функциональные возможности, так как они воспринимают навигационную информацию с ограниченного количества датчиков (одного, двух и трех).

В качестве прототипа рассмотрим способ для определения координат объекта, в котором считывают (воспринимают) эталонное и текущее изображения, в результате чего получается пара сравниваемых изображений [4]. Устройство, реализующее этот способ, включает в себя картографический указатель истинного курса (КУИК), основной картографический указатель заданного курса (ОКУЗК), фильтры для фильтрации помех КУИК и ОКУЗК, блок корреляционно-экстремальной обработки информации (БКЭОИ) и блоки управления фильтрами. С помощью КУИК воспринимается текущее изображение, а с помощью ОКУЗК воспроизводится эталонное изображение, которые сравниваются в БКЭОИ и определяются координаты местоположения объекта.

Недостатки способа и устройства заключаются в низкой точности определения координат объекта из-за низкой помехоустойчивости и помехозащищенности (ограниченной возможностью фильтрации помех ТИ, ЭИ и ВКФ), невозможности быстрой адаптации при изменении навигационной задачи, низкой функциональной возможности вследствие использования одного датчика изображения (картографического указателя истинного курса), низком быстродействии из-за наличия электромеханических блоков фильтрации сравниваемых изображений и управления фильтрами.

Задачей является создание способа управления движущимся объектом и устройства с улучшенными функциональными возможностями за счет повышения точности, быстродействия определения координат движения объекта, помехоустойчивости и помехозащищенности, и как следствие, повышение оперативности выполнения навигационной задачи.

Поставленная задача достигается тем, что как и в известном способе в заявленном способе управления движущимся объектом получают картографические эталонные и текущие изображения территории, сравнивают параметры изменения текущего картографического изображения с эталонным картографическим изображением, фильтруют изображения от помех

Отличием предлагаемого способа от известного является то, что перед сравнением параметров изменения изображений определяют предварительные координаты объекта, распознают участок территории, формируют интегральное картографическое эталонное изображение и получают интегральные информативные параметры сравниваемых изображений, выделяя среди них многомерные и увеличивая последние на величину, определяемую требуемой точностью оценки координат объекта, определяют изменение геометрии, топологии и цвета участка территории, при этом дополнительно подавляют помехи нейросетевой фильтрацией, а после сравнения параметров изменения изображений оценивают местоположение объекта и производят коррекцию маршрута движения объекта.

При этом формируют интегральное картографическое эталонное изображение путем монтажа локальных участков территории по реперным точкам с помощью нейросетевых технологий.

Кроме того, получают интегральные информативные параметры сравниваемых изображений при формировании радиолокационных, телевизионных цветных или инфракрасных изображений подстилающей поверхности Земли или изображений карты звездного неба.

Формируют радиолокационные или телевизионные цветные изображения по топографическим картам Земли.

Определяют изменение геометрии, топологии и цвета участка территории для сравниваемой пары изображений при устранении рассогласований изображений по углу их относительного разворота, масштабу, крену, тангажу и цвету.

Кроме того, определяют геометрические параметры локальных и интегральных участков территории в виде периметров, площадей, радиусов, длины, ширины, количества точек перегиба контура, геометрического центра элементов изображений, постоянно наблюдаемых участков, развертки контура, перевычисления в полярную систему координат, инвертирования изображения, формирования микроплана.

При этом переход к типу изображения осуществляют на основе вычисления адаптивного коэффициента путем сравнения текущих и предельных значений интегральных информативных геометрических, топологических и цветовых параметров изображений, а также амплитудных, спектральных, структурных и дифференциальных информативных параметров взаимно-корреляционной функции.

Кроме того, корректируют маршрут движения объекта путем перенастройки работы устройства.

Кроме того, распознают участок территории с помощью нейросетевых технологий.

Целесообразно, многомерные интегральные информативные параметры сравниваемых изображений увеличивают до 1000 раз.

При этом территорией может быть наземная, подводная, воздушная территория.

Поставленная задача достигается также тем, что, как и известное заявленное устройство управления движущимся объектом, содержит последовательно соединенные синхронизатор, блок корреляционно-экстремальной обработки информации, основной картографический указатель заданного курса, блок дополнительных фильтров основного картографического заданного курса, выходом подключен ко второму входу блока корреляционно-экстремальной обработки информации, входом через блок управления фильтрами подключен к выходу блока корреляционно-экстремальной обработки информации, последний вторым входом подключен к блоку дополнительных фильтров картографического указателя истинного курса, а блок управления фильтрами вторым выходом подключен к блоку дополнительных фильтров картографического указателя истинного курса и объекту управления.

Новым является то, что оно дополнительно содержит, во-первых, последовательно соединенные блок подключения датчика изображения, адаптивный нейросетевой фильтр подавления помех и интеллектуальный блок обработки изображений, отдельным выходом подключен к входу блока подключения датчика изображения, которые введены между выходом радиолокационного картографического указателя истинного курса и отдельным входом блока корреляционно-экстремальной обработки информации, отдельным выходом подключен к интеллектуальному блоку обработки изображений, во-вторых, инфракрасный датчик изображений, блок астродатчиков, телевизионный датчик изображений, блок спутниковой навигационной системы, блок построения изображений по топографической карте подключены отдельными двунаправленными связями к блоку подключения датчика изображений, в-третьих, последовательно соединенные инерциальная навигационная система и структурно-перестраиваемый блок управления отдельными входами подключены к выходам блока корреляционно-экстремальной обработки информации, блока спутниковой навигационной системы, блока построения изображений по топографической карте и синхронизатора, а отдельными выходами подключены к объекту управления и блоку построения изображений по топографической карте, причем отдельный вход структурно-перестраиваемого блока управления подключен к выходу задатчика управления, в-четвертых, блок нейросетевого распознавания изображений отдельными входами подключен к отдельным выходам интеллектуального блока обработки изображений и синхронизатора, а отдельным выходом подключен к отдельным входам блока корреляционно-экстремальной обработки информации.

Кроме того, блок подключения датчика изображения выполнен в виде многоканального мультиплексора.

Кроме того, блок астродатчиков содержит датчики, воспринимающие карту звездного неба и радиогалактики.

Кроме того, блок спутниковой навигационной системы содержит ГЛОНАСС, GPS и/или ГАЛИЛЕО.

Кроме того, инерциальная навигационная система включает блоки гироскопов, акселерометров, управления, контроля и обработки информации.

Кроме того, блок построения изображений по топографической карте состоит из топографических и топологических карт земной поверхности, считывателя изображения с карт и автомата на перестраиваемых вычислительных средах.

Кроме того, телевизионный датчик изображений выполнен в виде телевизионной камеры, функционирующей в инфракрасном оптическом диапазоне, и содержит инфракрасный прожектор.

Кроме того, блок дополнительных фильтров картографического указателя истинного и заданного курсов и блок управления фильтрами выполнены на перестраиваемых вычислительных средах.

Кроме того, структурно-перестраиваемый блок управления реализован на перестраиваемых вычислительных средах.

Предлагаемый способ и устройство иллюстрируется чертежами, представленными на фиг.1-21.

На фиг.1 представлена структурная схема устройства.

На фиг.2 представлена структурная схема интеллектуального блока обработки изображений.

На фиг.3 представлена структурная схема блока корреляционно-экстремальной обработки информации.

На фиг.4 представлена структурная схема адаптивного нейросетевого фильтра подавления помех.

На фиг.5 представлена схема формального нейрона.

На фиг.6 представлена нейронная сеть.

На фиг.7 представлены используемые в способе шаблоны особенностей изображений (при применении нейросетей).

На фиг.8 представлена структура многомерного запоминающего устройства основного картографического указателя заданного курса.

На фиг.9 представлено поле информативных параметров (ИП) основного радиолокационного картографического указателя заданного курса.

На фиг.10 представлено поле ИП основного инфракрасного картографического указателя заданного курса.

На фиг.11 представлено поле ИП основного телевизионного картографического указателя заданного курса.

На фиг.12 представлено поле ИП основного астрономического картографического указателя заданного курса.

На фиг.13 представлено поле ИП основного спутникового картографического указателя заданного курса.

На фиг.14 представлено поле ИП основного топографического картографического указателя заданного курса.

На фиг.15 представлена структурная схема основного картографического указателя заданного курса.

На фиг.16 представлена структурная схема структурно-перестраиваемого блока управления.

На фиг.17 представлен вариант исполнения блока перестраиваемой вычислительной среды.

На фиг.18 представлена структурная схема блока подключения датчика изображения.

На фиг.19 представлен новый вид взаимно-корреляционной функции (ВКФ) при различных размерах элементов изображений и различных типах изображений.

На фиг.20 представлены графики зависимостей точностных характеристик устройства от крутизны ВКФ или от геометрических характеристик изображений.

На фиг.21 представлен вид ВКФ при различных типах изображений.

На фиг.1 даны следующие обозначения:

1 - объект управления (ОУ);

2 - дополнительный инфракрасный датчик изображений (ИДИ);

3 - дополнительный блок астродатчиков (БА);

4 - радиолокационный картографический указатель истинного курса (РКУИК);

5 - дополнительный телевизионный картографический указатель истинного курса (ОТДИ);

6 - дополнительный спутниковый картографический указатель истинного курса (БСНС);

7 -инерциальная навигационная система (ИНС);

8 - дополнительный формирователь картографического указателя истинного курса по топографической карте (блок построения изображений по топографической карте) (БПИТК);

9 - блок подключения датчика изображений (БПДИ);

10 - интеллектуальный блок обработки изображений (ИБОИ);

11 - структурно-перестраиваемый блок управления (СПБУ);

12 - синхронизатор;

13 - блок управления фильтрами (БУФ);

14 - блок дополнительных фильтров картографического указателя истинного курса (БДФКУИК);

15 - блок дополнительных фильтров основного картографического указателя заданного курса (БДФОКУЗК);

16 - основной картографический указатель заданного курса (ОКУЗК);

17 - блок корреляционно-экстремальной обработки информации (БКЭОИ);

18 - адаптивный нейросетевой фильтр подавления помех (АНФПП);

19 - блок нейросетевого распознавания изображений (БНРИ).

Определение координат объекта с помощью предлагаемых способов и устройства осуществляется при сравнении изображений различных размерностей и цветностей на основе вычисления оценки:

где R - мера близости текущего изображения (картографического указателя истинного курса) и эталонного изображения (картографического указателя заданного курса);

F₁( ), F₂( , ) - функции, описывающие картографические указатели истинного и заданного курсов соответственно;

, - соответственно постоянная и переменная части параметров.

Сначала рассмотрим алгоритмы, способные функционировать с произвольными изображениями (с произвольным расположением элементов ТИ и ЭИ).

Известно [5], что если угол разворота между ТИ и ЭИ равен нулю =0), то координаты главного максимума ВКФ определяются следующими выражениями:

где , - координаты центров тяжести совпадающих элементов ТИ, ЭИ соответственно; a, b - относительные смещения коррелируемых изображений.

Если при угловом совмещении изображений системы координат, связанные с ТИ и плоскостью регистрации ВКФ, фиксированы, а ЭИ поворачивается вокруг оптической оси коррелятора, то координаты главного максимума ВКФ определяются приближенно

Для точного определения координат главного максимума следует произвести преобразование выражения (3) следующим образом:

Выражения (4) означают перевычисления координат, связанных с ТИ, в координаты, связанные с ЭИ.

Очевидно, что при использовании алгоритма (3) возникает ошибка в вычислении линейных координат

Таким образом, если

то, чтобы ' = ' =0, необходимо сначала определить приближенные значения ₁, ₁, а затем вычислить точные координаты по формулам (4).

Пользуясь (3) и методами геометрической оптики, можно также записать

Из (7) следует, что, если

то при угловом совмещении изображений линейные координаты не зависят от угла разворота ТИ и ЭИ относительно исходного положения и характеризуются только. выражениями (2).

Таким образом, при совмещении сравниваемых изображений без изменения вращения ЭИ необходимо либо уточнять полученные приближенные значения координат, либо с целью упрощения процесса вычисления координат совмещать центр вращения ЭИ и центр тяжести изображения с оптической осью коррелятора.

Рассмотрим теперь применение данного алгоритма в случае использования дифференцированного метода определения координат, при котором знаки координат вычисляются следующим образом:

где Z₁÷Z₄ - сигналы, характеризующие освещенность соответствующего квадранта корреляционной плоскости.

В выражении (9) знак ₁ соответствует координате , а знак ₂ - координате .

Выражение (9) справедливо в случае, если центр вращения ЭИ и центр тяжести изображения совмещены с оптической осью коррелятора, а разворот ЭИ не превышает угол /2. При развороте ЭИ на угол больше, чем /2, знаки уже будут:

Как видно из сопоставления выражений (9), (10) при развороте ЭИ на угол, превышающий /2, в определении линейных координат возникают ошибки

Выражение (11) следует понимать так: величина ошибки по координате соответствует значению смещения по координате , а величина ошибки по координате - значению смещения по координате .

Для устранения ошибок ; . необходимо, используя априорную информацию о развороте ЭИ относительно корреляционной плоскости, подключать сигналы Z₁÷Z₄, снимаемые с выхода фотоприемника, к соответствующим входам блока оценки линейных координат.

При распознавании цвета элементов территории определяется цвет зоны, «окрашенной» в какой-либо тон или спектр, на основе следующего правила:

где Ц_к, Ц_з, Ц_с, Ц_п, Ц_ж, Ц_г, Ц _б - соответственно уровни красного, зеленого, синего,

пурпурного, желтого, голубого, белого цветов,

J_R, J_G, J_B - соответственно ВКФ, характеризующие красный, зеленый и синий цвета. Таким образом, по сочетанию ВКФ J_R, J_G, J_B можно определить любой цвет зоны

исследуемой поверхности.

Слагаемые ВКФ описываются следующими выражениями:

где - функция описывающая цветное ТИ (в системе координат X₁, O₁, Y₁);

- функции, описывающие ЭИ (в системах координат , , ), пропускающие соответственно красную R, зеленную G и синюю В компоненту цвета;

K - коэффициент пропорциональности.

Геометрические характеристики зон исследуемой поверхности определяются следующими известными выражениями.

где X_C, Y_C - координаты центра «тяжести» структурного элемента зоны изображения;

M_KX, M_KY - элементарные моменты по направлению соответствующих осей;

N_к - число точек (пиксел) в контуре;

i - номер контура;

S _СЭ - площадь структурного элемента зоны изображения, ограниченного контуром;

K_Ф - коэффициент формы;

P - периметр контура;

П_i - перегиб контура;

Nп - число перегибов контура;

j - номер перегиба i-ого контура.

Площадь S_СЭ и периметр Р структурного элемента определяются при обходе контура зоны. После получения необходимой информации происходит сопоставление текущей и эталонной информации (изображений) в соответствии с выражением (1):

где , , , , , - матрицы информативных признаков (параметров) текущих изображений, формируемых в данный момент времени радиолокационным, инфракрасным, телевизионным, астрономическим, спутниковым и топографическим картографическим указателями истинного курса, соответственно;

- матрицы информативных признаков (параметров) эталонных изображений (запоминаемых заранее), формируемых радиолокационным, инфракрасным, телевизионным, астрономическим, спутниковым и топографическим картографическим указателями заданного курса, соответственно.

Эти матрицы могут формироваться в виде снимков (фотографий) и математических моделей территорий.

Устройство работает в двух режимах: подготовка эталона и измерение (определение координат). В режиме подготовки эталона формируется эталонное изображение (ЭИ), характеризующее требуемое положение ОУ 1 и обеспечивающее заданное решение навигационной задачи. Для этого подключаются с помощью БПДИ 9 по сигналу от синхронизатора 12 все датчики изображений ИДИ 2, БА 3, РКУИК 4, ОТДИ 5, БСНС 6 и БПИТК 8, считываются изображения, обрабатываются изображения ИБОИ 10 и записываются в ОКУЗК 16, который является блоком записи (хранения) ЭИ. На этом режим работы устройства «подготовка эталона» заканчивается.

В режиме «измерение (определение координат)» устройство работает следующим образом. По сигналу от синхронизатора 12 включаются БКЭОИ 17, СПБУ 11, ИНС 7, ИБОИ 10 и БПДИ 9, который подключает датчики изображений ИДИ 2, БА 3, РКУИК 4, ОТДИ 5, БСНС 6 и БПИТК 8. Дополнительный инфракрасный датчик изображений ИДИ 2 воспринимает тепловое изображение поверхности Земли, а дополнительный телевизионный картографический указатель истинного курса ОТДИ 5 - цветные изображения поверхности Земли. Дополнительный блок астродатчиков БА 3 формирует оптико-телевизионное изображение карты Звездного неба или карты радиополя Звездного неба. РКУИК 4 считывает радиолокационное изображение (РЛИ) поверхности Земли. БСНС 6 воспринимает сигналы с навигационных спутников и определяет предварительные (грубые) координаты объекта управления ОУ 1, пропорциональные сигналы которых поступают в СПБУ 11. Кроме этого, сигналы с БСНС 6 направляются через БПДИ 9 в интеллектуальный блок обработки изображений ИБОИ 10. Блок БПИТК 8 синтезирует ТИ, используя предварительные навигационные координаты объекта управления ОУ 1, полученные с ИНС 7 и БСНС 6. Все сигналы, описывающие текущие изображения, полученные ИДИ 2, БА 3, РКУИК 4, ОТДИ 5, ДСНС 6 и БПИТК 8, поступают через БПДИ 9 и адаптивный нейросетевой фильтр подавления помех АНФПП 18 (вариант исполнения АНФПП 18 представлен на фиг.4) в интеллектуальный блок обработки изображений ИБОИ 10, который выполняет следующие операции: преобразование ТИ в контурные или точечные изображения, выделение электронным способом информативной части (частей) ТИ, преобразование ТИ по заданному закону, фильтрацию ТИ от несовпадающих частей (помех). Таким образом, ИБОИ 10 подает на БНРИ 19, БДФКУИК 14, БДФОКУЗК 15 или ОКУЗК 16 полное (не преобразованное) изображение (вариант исполнения ИБОИ 10 представлен на фиг.2). После этого включается блок нейросетевого распознавания изображений БНРИ 19, который сравнивает (распознает) изображения территории (вариант исполнения представлен на фиг.5, 6). После этого БУФ 13 включает БДФКУИК 14 и БДФОКУЗК 15, которые оптически устраняют дополнительные несовпадающие части изображений на ОКУЗК 16 и картографического указателя истинного курса, поступающего с ИБОИ 10. Далее БКЭОИ 17 определяет координаты ( , ) объекта следующим образом:

где , - фильтры, представляющие собой маску с прозрачной областью, равной размеру кадров КУИК и ОКУЗК;

- фильтр, выполненный в виде маски, в которой изображения элементов прозрачны, по форме и расположению идентичны ЭИ, а границы элементов изображения на маске расширены по сравнению с ЭИ на величину, равную суммарной ошибке работы предлагаемого устройства;

Z₃( ', ') - фильтр, представляет собой диафрагму.

Причем фильтры , обеспечивают фильтрацию помех основного картографического указателя заданного курса 16, а фильтр Z₃( ', ') - фильтрацию побочных максимумов взаимно-корреляционной функции. Сигналы, пропорциональные величинам ', ', поступают от БКЭОИ 17 на структурно-перестраиваемый блок управления 11, который использует информацию с БСНС 6, ИНС 7 и БПИТК 8, управляет движением объекта управления 1. При изменении оперативной задачи на СПБУ 11 поступают соответствующие сигналы управления от задатчика управления. Информация с CПБУ 11 поступает также на БПИТК 8.

На этом один цикл работы устройства заканчивается. Следующий цикл начинается снова по сигналу от синхронизатора 12.

На фиг.2 представлена структурная схема интеллектуального блока обработки изображений 10. ИБОИ 10 состоит из следующих блоков:

20 - блок выделения контуров (БВК);

21 - блок формирования точек (БФТ);

22 - блок инвертирования (БИ);

23 - блок перевычисления в другие системы координат (БПДСК);

24 - блок выделения постоянно наблюдаемых частей изображения (БВПНЧИ);

25 - блок фильтрации несовпадающих частей изображения (БФНЧИ);

26 - блок формирования микроплана (БФМ);

27 - блок формирования развертки контура (БФРК);

28 - блок вычисления координат центра «тяжести» изображения (БВКЦТИ);

ИБОИ 10 работает следующим образом.

Во время функционирования ИБОБ 10 реализуются алгоритмы сегментации и кодирования изображения. Сегментацией называют процесс разбиения изображения рабочей сцены на составные части: объекты, их фрагменты или характерные особенности. Под кодированием понимают сжатие видеоинформации для хранения в памяти ИБОИ [3]. На этом этапе возможны следующие режимы работы ИБОИ:

1-й режим - без преобразования изображения - использование обычных (полных) изображений;

2-й режим - преобразование полных изображений в контурные (формирование контуров элементов изображения или формирование развертки контуров изображений);

3-й режим - преобразование полных изображений в точечные (например, путем формирования точек изображения в местах перегиба контура, путем вычисления координат центра тяжести части или всего изображения);

4-й режим - выделение информативной части (частей) изображения (инвертирование, выделение постоянно-наблюдаемых частей - селекция элементов изображения);

5-й режим - преобразование изображения по заданному закону (перевычисление в другие системы координат);

6-й режим - фильтрация изображений от несовпадающих частей (экстраполяция смещения изображения, использование режима микроплана изображения применение адаптивной нейросетевой фильтрации).

Выбор режима работы ИБОИ основывается на некоторых характеристиках изображения и ВКФ. При этом используются геометрические характеристики элементов полных изображений (S_GT - площадь объекта, l - длина (или ширина) объекта, S_mu -изображение, характеризующее площадь объекта и помехи и кадра (экрана) датчика изображения (S_Э - площадь, l_Э - диаметр (ширина и высота)). Для изменения режима работы ИБОИ (то есть датчика изображения) используются следующие отношения:

Соотношения (17), легко реализуемые программно или аппаратно, следует использовать в качестве критериев для переключения некоторых режимов работы интеллектуального блока обработки изображений 10. При этом переход на другой режим необходимо осуществлять, если соблюдается одно (или несколько) из условий:

где K*_s, K*_е , K*_s, S* - критические (предельные) значения соответствующих величин K_s, K_e, K'_s, S, превышение которых обусловит сбой в работе БКЭОИ 17 (величины K_s, K_e, K*_s, K* _е получены экспериментально).

Ясно, что K_s, K_e следует использовать при отсутствии помех на ТИ, а K'_s, S - при наличии помех на ТИ. Возможны также ситуации, когда режимами работы ИБОИ 10 нужно управлять, используя два критерия: один - при отсутствии помех, другой - при их наличии. Таким образом, по величинам K_s, K_e, K'_s , S принимается решение о выборе какого-либо режима работы ИБОИ 10.

Дадим схему выбора основных режимов (решающее правило РП) работы ИБОИ 10:

1-й режим используется при K_s K*_s, K_e K*_е, K'_s K'*_s, S S*;

2-й режим применяется при K_s >K*_s, K_e>K*_е, K' _s K'*_s, S S*, при этом помехи не должны искажать контур объекта;

3-й режим используется при K_s>K* _s, K_e>K*_е, K'_s>K'* _s, S> S*;

4-й режим применяется в случае, когда использование предыдущих режимов не дает положительного эффекта, в частности, если элементы ТИ флуктуируют по яркости свечения и координатам, а информативная часть ТИ не воспринимается датчиком ТИ;

5-й режим применяется в случае, если необходимо обеспечить оценку угловой координаты с высокой точностью, не используя при этом вращения ЭИ;

6-й режим используется, если K_s>K*_s, S> S*. Критические значения K*_s, K*_e , K*_s, S выбираются на основе предварительных исследований с учетом желаемых точностных характеристик предлагаемого устройства.

Информация от ИБОИ 10 поступает на БПДИ 9, который определяет адаптивный коэффициент K_a, используя выражение (17), (18) и решающее правило РП. По этому коэффициенту K _a выбирается структура сравниваемых изображений и тип используемого датчика изображения.

На фиг.3 представлена структурная схема блока корреляционно-экстремальной обработки информации 17.

БКЭОИ 17 состоит из следующих блоков:

29 - формирователь корреляционной функции (КФ);

30 - анализатор КФ;

31 - классический корреляционный вычислитель (KB);

32 - КВ с фильтрацией;

33 - КВ с совмещением ТИ и ЭИ по углу (КВСТИЭИУ);

34 - КВ без совмещения ТИ и ЭИ по углу (КВБСТИЭИУ);

35 - безэталонный (динамический) KB (БДКВ);

36 - KB с заданным расположением слагаемых ВКФ (КВЗРСВКФ);

37 - KB с разложением цвета (КВРЦ);

38 - классический корреляционный анализатор (КА);

39 - КА с коррекцией координат (КАКК);

40 - дифференцированный КА (ДКА);

41 - разностный КА (РКА);

42 - спектральный КА;

43 - структурный КА;

44 - квадратичный КА (ККА);

45 - стереоскопический КА;

46 - линейный КА (ЛКА);

47 - КА с экстраполяцией (КАЭ);

48 - адаптивный КА;

49 - амплитудный КА.

БКЭОИ 17 работает следующим образом. Формирователь корреляционных функций (КФ) реализует следующие способы формирования КФ. Наиболее прост классический корреляционный анализатор (КА) 38, вычисляющий ВКФ или интеграл свертки. КА в классическом варианте требует значительных вычислительных мощностей для осуществления операций умножения и интегрирования при всех сдвигах и разворотах ТИ и эталонного изображения (ЭИ). КА с фильтрацией 32 обеспечивает фильтрацию (пространственную или иную) от помех ТИ, ЭИ и ВКФ. КА с совмещением ТИ и ЭИ по углу 33 по сравнению с КА без углового совмещения изображений 34 допускает разворот ТИ на любой угол и требует кругового вращения ЭИ по углу относительно ТИ. Безэталонный KB 35 синтезирует ВКФ с помощью последовательной перезаписи ТИ и ЭИ и основан на использовании динамического коррелятора [5]. КА, формирующий слагаемые ВКФ по заданному закону 36, характеризуется конструкцией коррелятора и определенным расположением элементов ТИ и ЭИ. KB с разложением на цвета 37 обеспечивает формирование ВКФ, соответствующих слагаемым цвета изображений. Применение конкретного формирователя КФ обуславливается задачей, выполняемой БКЭОИ и следовательно предлагаемым устройством. Анализатор КФ 30 работает следующим образом. Амплитудный КА 49 необходимую информацию извлекает на основе оценки амплитуды главного максимума ВКФ. Это самый простой КА. Более высокие точностные характеристики по сравнению с амплитудным КА 49 обеспечивает модифицированное амплитудное корреляционное вычисление, в котором необходимая информация извлекается на основе анализа параметров (ширина, крутизна) ВКФ. КА с коррекцией координат 39 допускает непрерывное вращение ЭИ при угловом совмещении изображений. При этом полученная грубая оценка координат уточняется. В дифференциальном КА 40 также осуществляется угловое вращение ЭИ и коррекция координат путем коммутации соответствующих квадрантов фотоприемника анализатора КФ 30. Разностный КА 41, основанный на поэлементном вьяислении разностей интенсивности ТИ и ЭИ, по объему вычислений имеет преимущество перед классическим КА 38, требующим проведения операции умножения. Спектральный КА 42, определяющий угловую координату, основан на Фурье-преобразовании и вычисляет различие спектров ТИ и дискретно развернутых ЭИ. Структурный (синтаксический или лингвистический) КА 43 базируется на трех процедурах: выделение контуров ТИ, выделение дескрипторов (линий определенной формы, сегментов) и описание их параметров, синтаксический анализ с использованием грамматики (классификация). При реализации алгоритма КА 43 производится сравнение признаков, а не полных изображений. Это значительно снижает необходимый объем памяти предлагаемого устройства и уменьшает объем вычислительных операций.

Квадратичный КА 44 реализуется путем возведения в квадрат корреляционной функции, за счет чего увеличивается разница между главным и побочным (побочными) максимумами. Это значительно повышает помехоустойчивость предлагаемого устройства.

Стереоскопический и линейный модифицированные КА 45, 46 предназначены для сравнения трехмерных изображений (т.е. анализа трехмерных сцен). При этом стереоскопический КА 45 основан на корреляционной оценке параллакса, а линейный модифицированный - на корреляционном сравнении совокупности плоских (двухмерных) изображений территории в рабочей зоне.

КА с экстраполяцией 47 осуществляет фильтрацию ТИ и ЭИ путем прогнозирования смещения ТИ. Однако такой КА 47 требует априорной информации о смещении объекта в рабочей зоне.

Адаптивный КА 48 синтезирован на основе вышеописанных КА и осуществляет подстройку параметров предлагаемого устройства (например, выделение информативных признаков ТИ, регулирование чувствительности анализатора КФ, фильтрацию ТИ, ЭИ и ВКФ и др.) при наличии помех на сравниваемых изображениях и изменении ситуации в рабочей зоне. Выбор конкретного алгоритма определяется задачей, выполняемой устройством.

На фиг.4 представлена структурная схема адаптивного нейросетевого фильтра подавления помех (АНФПП) 18.

АНФПП решает задачу выделения полезного сигнала, искаженного широкополосной помехой, с помощью нейросети, которая выступает здесь фильтром, подавляющим широкополосную помеху (шум). Рассмотрим случай, когда полезный сигнал искажается широкополосной помехой, при этом не имеется внешнего эталонного сигнала, содержащего сам полезный сигнал. В общем случае для уменьшения или исключения такого вида помехи нельзя применять адаптивное устройство подавления помехи. Однако при получении эталонного сигнала непосредственно из входного сигнала через заданную задержку, как показано на фиг.4, можно подавить широкополосную помеху.

АНФПП состоит из следующих элементов:

50, 51-сумматоры;

52 - линия задержки;

53 - фильтр.

На фиг.4 через m[k]=m(t_k), t_k =k*dt обозначен полезный гармонический сигнал. Через v[k]=v(t _k) обозначена широкополосная помеха. Входной сигнал обозначен через x[k]=x(t_k), (x[k]=m[k]+v[k]), а эталонный сигнал обозначен через x[k-dh]=x(tk-dh). Через y[k]=y(t_k), обозначен сигнал на выходе фильтра, причем y[k]=M[k], где M[k] - оценка сигнала m[k] в момент времени t_k. Через e[k]=e(t _k) обозначена разность между x[k] и y[k], причем e[k]=x[k]-y[k]. Здесь через dt обозначен интервал дискретности измерений.

Нейросетевой блок распознавания изображений базируетсся на применении различных типов нейронных сетей [6, 7]. Нейронная сеть (НС) состоит из элементов, называемых формальными нейронами, которые имитируют работу нейронов коры головного мозга. Каждый нейрон преобразует набор сигналов, поступающих к нему на вход, в выходной сигнал. Пример формального нейрона показан на фиг.5. Структура нейронной сети приведена на фиг.6.

Между отдельными нейронами может существовать связь, и именно связи между нейронами, кодируемые весовыми коэффициентами, играют ключевую роль в функционировании НС. Связи между нейронами на фиг.6 обозначены латинской буквой W. Индекс в верхней части обозначает принадлежность весового коэффициента слою. Одним из преимуществ НС является возможность параллельного функционирования всех элементов, чем существенно повышается эффективность решения задачи в целом. Эта особенность НС успешно используется в системах распознавания образов. Нейронная сеть имеет входы Х и выходы Y, представляя собой систему, которая формирует выходное состояние в зависимости от входного. Наличие весовых коэффициентов, которые можно определять алгоритмически, позволяет придать НС важнейшее свойство - способности обучаться. На сегодняшний день существует огромное количество алгоритмов подстройки весов, которые успешно справляются с задачей обучений нейронной сети.

Рассмотрим алгоритм распознавания изображений территории с помощью нейронной сети. Допустим, что на фотографии (эталонном изображении) представлен образ изображения и система распознавания должна его идентифицировать. Для проведения правильной идентификации система должна быть этому обучена. Так как цифровая фотография представляет собой матрицу значений интенсивности, то, например, для черно-белой фотографии шкала градации серого цвета имеет протяженность от 0 (черный цвет) до 255 (белый цвет). Таким образом, на вход нейронной сети можно подать значение каждого пикселя цифровой фотографии в виде информационной матрицы векторов .

Предположим, что система обучена узнавать 10 изображений территории. Следовательно, выходной слой нейронной сети должен содержать 10 нейронов, каждый из которых «обучен узнавать» соответствующую территорию. Если на выходе какого-либо нейрона сигнал является максимальным по отношению к другим, то этот нейрон является «победителем» распознавания. Поскольку он связан с образом определенной территории из этой десятки, то идентифицированным будет та территория, которой соответствует данный нейрон.

Заметим, что при применении всех описанных методов для распознавания изображений трехмерных объектов возникают трудности, связанные с пространственными поворотами и изменением условий освещенности. Изображения для различных углов поворота объекта могут существенно различаться, а часть информации на изображении теряться. Существенными являются трудности, связанные с внутриклассовыми вариациями. Для территорий такими вариациями являются изменение цвета, освещенности и геометрических характеристик территории.

Человек при распознавании образов неосознанно привлекает огромный запас контекстных знаний, который накапливает на протяжении всей своей жизни. Нейросетевой метод, реализованный в навигационной компьютерной программе «Нейрокибер» обучаемой нейронной сети, потенциально позволяет смоделировать происходящие при распознавании образов процессы в мозге человека, который в первом приближении можно представить в виде нейронной сети большой сложности.

Рассмотрим результаты экспериментальных исследований программы «Нейрокибер». После получения текущего кадра изображения проводится его последующая загрузка в буфер модуля поиска аномального участка на изображении территории (или поиск другого изображения).

Модуль поиска аномального участка на изображении территории предназначен для обнаружения на изображении областей, содержащих данные объекты или с подозрением на данные изменения, для последующей передачи содержимого этих областей модулю распознавания изменений на основе нейронных сетей. Модуль поиска аномального участка на изображении территории реализует алгоритм обнаружения объектов с использованием каскадов классификаторов, работающих с подобными особенностями.

Алгоритм использует сохраненный в памяти каскад классификаторов, созданный в результате «тренировки» каскада на массиве «положительных» изображений (содержащих данные изменения) и «отрицательных» изображений (изображения того же размера, не содержащие изменения участков территории).

После загрузки каскада он может быть применен к участку на изображении. Результатом операции является значение «1», если участок содержит похожий на аномальный участок на изображении территории, и значение «0» в ином случае. При анализе полного изображения каскад несколько раз масштабируется и «передвигается» по всему изображению для обнаружения аномальных участков на изображении территории, расположенных на разных участках изображения.

Слово «каскад классификаторов» в названии алгоритма означает, что объект под этим именем содержит несколько уровней классификаторов, которые последовательно, уровень за уровнем, применяются к исследуемому участку изображения, пока на одном из уровней участок изображения будет признан «отрицательным», либо все уровни будут пройдены и участок изображения будет признан «положительным». Хаар-подобные особенности являются входами отдельных классификаторов и рассчитываются следующим образом (см. фиг.7).

Особенность, используемая в конкретном классификаторе, задается ее положением внутри рассматриваемого участка изображения, масштабом и шаблоном (фиг.7).

Например, в случае с третьей линейной особенностью (фиг.7, шаблон 2с) отклик вычисляется как разница между суммой пикселей изображения под прямоугольником, включающим всю особенность полностью (две белые полоски и черную полоску посередине) и суммой пикселей изображения под черной полоской, умноженной на 3, чтобы компенсировать разницу в размере площадей.

По совокупности таких особенностей модуль поиска аномального участка на изображении территории обнаруживает на изображении все области, содержащие аномальные участки на изображении территории, вырезает их и передает для обработки модулю распознавания аномального участка на изображении территории на основе нейронных сетей.

Модуль распознавания аномального участка на изображении территории на основе нейронных сетей при загрузке осуществляет чтение базы данных нейронной сети, обученной распознавать данное изменение памяти компьютера.

Когда модуль поиска аномального участка на изображении территории передает область изображения, которая содержит аномальный участок, модуль распознавания на основе нейронных сетей подает пиксели данного изображения, представленные в диапазон [-1; +1], на вход обученной нейронной сети. В результате на ее выходе значение +1 появляется на нейроне, соответствующем одному из сохраненных в базе данных типу изменения изображения (или типу изображения). Остальные нейроны в этом случае должны иметь значение -1. В ином случае вследствие воздействия помех при распознавании (например, низкая или неравномерная освещенность, большой угол поворота транспортного средства и т.п.) значения отличаются от 1. Если отличие превышает заданный при компиляции порог, то объект считается нераспознанным и модуль распознавания аномального участка на изображении территории на основе нейронных сетей возвращает строку «неизвестный участок». В случае успешного распознавания модуль распознавания аномального участка на изображении территории на основе нейронных сетей выполняет поиск в базе данных, сопоставленной распознанному изменению строки (описание данного изменения) и возвращает ее как результат распознавания. Программа «Нейрокибер» выделяет идентифицированный аномальный участок на изображении территории.

Так как задача, решаемая нейронной сетью, классификация, то для решения данной задачи нейронной сети достаточно одного выхода. Выходное значение нейронной сети находится в интервале [-1; 1], что соответственно означает отсутствие или присутствие исследуемого объекта на классифицируемом изображении.

Входной слой размером 28×32 нейронов служит для подачи входного образа в нейронную сеть. Следом за входным слоем находится сверточный слой С1, который состоит из 5 плоскостей и выполняет свертывание входного изображения с помощью синаптической маски размером 5×5.

Размер сверточной плоскости определяется в соответствии со следующим выражением:

.

h_c=h_u-K+1,

где w_u, h_u - ширина и высота сверточной плоскости соответственно;

w_c, h _c - ширина и высота плоскости следующего слоя;

K - ширина (высота) окна сканирования.

Размер плоскости сверточного слоя С1 составляет 24×28 нейронов.

Рецептивные области нейронов пересекаются. Нейроны извлекают одни и те же особенности входного изображения независимо от их точного местоположения. Следующий за слоем С1 подвыборочный слой S1 состоит из 5 карт характеристик и обеспечивает локальное усреднение и подвыборку. После операции подвыборки точное местоположение и специфические признаки каждой особенности становятся менее важными, что дает довольно большую степень инвариантности данной сети. Каждая плоскость слоя S1 связана лишь с одной плоскостью слоя С1. Размер каждой плоскости слоя S1 12×14 нейронов, что вдвое меньше, чем размер плоскости предыдущего слоя. Сверточный слой С2 состоит из 20 плоскостей размером 8×10 нейронов, слои S1 и С2 перекрестно связаны. Различные карты особенностей необходимы для извлечения различных характеристик, потому что они получают различные наборы входов. Таким образом, сети добавляется способность объединять различные виды особенностей, чтобы составлять новые, менее зависящие от искажений входного изображения. Слой S2 состоит из 20 плоскостей, по каждой на одну плоскость слоя С2, размер каждой плоскости 4х5 нейронов. Слои N1 и N2 содержат простые сигмоидальные нейроны. Роль этих слоев состоит в обеспечении классификации, после того как выполнены извлечение особенностей и сокращение размерности входа. В слое N1 находится 20 нейронов (по одному на каждую плоскость слоя S2), каждый нейрон полностью связан с каждым нейроном только одной плоскости слоя S2, он пропускает результат через активационную функцию. Единственный нейрон слоя N2 полностью связан со всеми нейронами слоя N1. Роль этого нейрона состоит в вычислении окончательного результата классификации. Выход этого нейрона используется для классификации входного образа на заданную территорию и произвольную (случайную) территорию.

В основе всех способов обучения положен единый принцип - минимизация ошибки. В многослойных сетях оптимальные значения нейронов всех слоев, кроме последнего слоя, как правило, не известны. Поэтому такие сети уже невозможно обучить, руководствуясь только величинами ошибок на выходах нейронной сети. Основная идея используемого метода обратного распространения ошибки состоит в том, что сигнал ошибки распространяется от выходов сети к ее входам, в направлении, обратном направлению распространения сигналов в обычном режиме работы.

Для тестирования программы были выбраны 150 заданных и 50 произвольных изображений территории. Методика тестирования заключалась в следующем. При подаче первого изображения в нейронную сеть весовые коэффициенты генерировались случайным образом. Для остальных изображений веса корректировались последовательно с учетом ранее вычисленных значений. Для произвольных образов первоначальное значение весовых коэффициентов было взято из расчета заданных образов. Затем веса последовательно корректировались путем обработки изображений.

Результаты тестирования - отклики программы - приведены в таблицах 1 и 2. Таким образом, для решения задачи классификации изображений можно эффективно использовать искусственные нейронные сети, а именно сверточные нейронные сети, как обладающие устойчивостью к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям, что является очень важным при обработке изображений.

Испытания показали, что программа «Нейрокибер» способна в реальном времени запоминать посредством встроенного инструментария для добавления в базу данных новых аномальных участков на изображении территории и затем распознавать аномальные участки на изображении территории при фиксированных условиях освещенности.

Таблица 1
Результаты тестирования нейронной сети на заданных изображениях территории
№	Отклик сети	№	Отклик сети	№	Отклик сети	№	Отклик сети	№	Отклик сети
1	0,992	31	0,999	61	0,989	91	0,999	121	0,999
2	0,999	32	0,999	62	0,999	92	0,979	122	1,000
3	1,000	33	0,980	63	0,999	93	0,989	123	,1,000
4	0,999	34	1,000	64	0,999	94	0,995	124	0,999
5	0,999	35	0,999	65	0,999	95	1,000	125	0,998
6	0,999	36	1,000	66	1,000	96	0,999	126	0,996
7	0,999	37	0,993	67	1,000	97	0,974	127	0,999
8	0,986	38	1,000	68	0,999	98	0,999	128	1,000
9	0,999	39	0,995	69	0,999	99	1,000	129	1,000
10	1,000	40	1,000	70	1,000	100	1,000	130	0,999
11	0,999	41	0,999	71	0,972	101	1,000	131	1,000
12	1,000	42	0,999	72	0,999	102	1,000	132	1,000
13	0,999	43	1,000	73	0,988	103	0,999	133	0,955
14	0,988	44	0,999	74	1,000	104	1,000	134	0,999
15	0,999	45	1,000	75	1,000	105	0,959	135	0,999
16	0,994	46	0,999	76	0,991	106	0,999	136	1,000
17	1,000	47	0,982	77	1,000	107	1,000	137	1,000
18	0,999	48	0,998	78	1,000	108	0,996	138	1,000
19	0,999	49	1,000	79	0,999	109	0,993	139	1,000
20	1,000	50	1,000	80	0,999	110	1,000	140	0,999
21	1,000	51	0,999	81	1,000	111	1,000	141	0,999
22	0,955	52	0,998	82	1,000	112	1,000	142	0,999
23	1,000	53	1,000	83	1,000	113	1,000	143	0,999
24	0,960	54	0,987	84	1,000	114	0,999	144	0,969
25	1,000	55	0,999	85	0,962	115	0,999	145	0,999
26	1,000	56	0,999	86	0,981	116	0,995	146	1,000
27	0,994	57	1,000	87	1,000	117	1,000	147	1,000
28	0,999	58	0,996	88	1,000	118	0,998	148	1,000
29	1,000	59	0,999	89	0,999	119	1,000	149	1,000
30	1,000	60	1,000	90	0,999	120	0,999	150	1,000

Таблица 2
Результаты тестирования нейронной сети на произвольных изображениях территории
№	Отклик сети	№	Отклик сети	№	Отклик сети	№	Отклик сети
1	-0,999999	14	-0,999984	27	-0,999999	40	-0,999999
2	-0,999999	15	-0,999999	28	-0,999999	41	-0,999999
3	-0,999999	16	-0,999999	29	-0,999999	42	-0,999999
4	-0,999999	17	-0,999999	30	-0,999999	43	-0,999999
5	-0,999999	18	-0,999999	31	-0,999999	44	-0,999999
6	-0,999999	19	-0,999999	32	-0,999999	45	-0.999981
7	-0,999999	20	-0,999999	33	-0,999999	46	-0,999999
8	-0,999999	21	-0,999999	34	-0,999999	47	-0,999999
9	-0,999999	22	-0,999999	35	-0,999999	48	-0,999999
10	-0,999999	23	-0,999983	36	-0,999999	49	-0,999999
11	-0,999999	24	-0,999999	37	-0,999999	50	-0,999999
12	-0,999983	25	-0,999999	38	-0,999999
13	-0,999999	26	-0,999999	39	-0,999999

На фиг.8 представлена структура многомерного запоминающего устройства основного картографического указателя заданного курса, который включает следующие элементы:

55 - основной радиолокационный картографический указатель заданного курса (ОРКУЗК);

56 - основной инфракрасный картографический указатель заданного курса (ОИКУЗК);

57 - основной телевизионный картографический указатель заданного курса (ОТКУЗК);

58 - основной астрономический указатель заданного курса (ОАКУЗК);

59 - основной спутниковый картографический указатель заданного курса (ОСКУЗК);

60 - основной топографический картографический указатель заданного курса (ОТУЗК);

61-66 - реперные метки (начало первой строки кадра изображения); соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59), ОТКУЗК (60);

67-72 - реперные метки (конец первой строки кадра изображения); соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59), ОТКУЗК (60);

73-78 - реперные метки (начало последней строки кадра изображения) соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59). ОТКУЗК (60);

79-84 - реперные метки (конец последней строки кадра изображения) соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59), ОТКУЗК (60).

Многомерный основной картографический указатель заданного курса представляет собой многослойную цифровую модель или фотографию изображения.

На фиг.9 представлено поле информативных параметров (ИП) основного радиолокационного картографического указателя заданного курса (РЗ). Здесь введены следующие обозначения:

- координаты центра «тяжести» элемента изображения в системе координат XOY;

- коэффициент формы;

- число перегибов контура элемента изображения;

- площадь элемента изображения;

- периметр элемента изображения;

a - элементы изображения;

i, j - координаты пикселя в системе координат XOY.

На фиг.10 показано поле ИП основного инфракрасного картографического указателя заданного курса (ИЗ). Здесь все обозначения соответствуют обозначениям, представленным на фиг.9.

На фиг.11 представлено поле ИП основного телевизионного картографического указателя заданного курса. Здесь введены следующие обозначения:

, , , , , , - соответственно, уровни красного, зеленого, синего, пурпурного, желтого, голубого и белого цветов;

, , - соответственно, длина, ширина и ориентация элемента изображения (угол между продольной осью элемента и осью системы координат изображения);

, , , , - значения обозначений соответствуют обозначениям, представленным на фиг.9.

На фиг.12 показано поле ИП основного астрономического картографического указателя заданного курса (A3). Здесь введены следующие обозначения:

, , - соответственно, координаты центра «тяжести» элементов (совокупности изображений звезд) ОАКУЗК;

- угол между продольной осью совокупности ориентиров (звезд) и какой-либо осью системы координат XOY;

- координаты элементов изображения, преобразованные в полярную систему координат;

- количество звезд;

, - соответственно, минимальный и максимальный радиус-векторы локальных (или интегральных) участков изображений;

а - элементы изображения.

На фиг.13 представлено поле ИП основного спутникового картографического указателя заданного курса (СЗ). Здесь введены следующие обозначения:

r^ij, ^ij - соответственно, радиус (орбиты), угловая скорость и ускорение спутника;

, - координаты центра «тяжести» локального участка (интегральной площади) изображения;

^ij - угол между продольной осью локального участка или интегральной площади изображения;

а - элементы изображения.

На фиг.14 дано поле ИП основного топографического картографического указателя заданного курса (ТПЗ). Здесь введены следующие обозначения:

- высоты соответствующих уровней z трехмерного изображения территорий;

остальные значения обозначений соответствуют обозначениям, представленным на фиг.9, 10, 11, 12.

Основные значения обозначений, представленных на фиг.9 - 14, определяются выражениями (2)-(14).

Многомерное запоминающее устройство основного картографического указателя заданного курса работает следующим образом. В режиме записи (подготовки) эталонного изображения в картографические указатели заданного курса 55-60 записывается эталонное изображение. При этом в точках 61-84 расставляются реперные метки (оптические или электронные), с помощью которых обеспечивается правильное «сшивание» кадров изображения при монтаже интегрального основного картографического указателя заданного курса. Сшивание происходит по правилу: конец первой строки i-го кадра изображения - начало первой строки (i+n)-го кадра изображения; конец последней строки 1-го кадра изображения - начало последней строки (i+n)-го кадра изображения.

На фиг.15 представлена структурная схема основного картографического указателя заданного курса (ОКУЗК) 16, который включает следующие изделия:

85 - многомерное запоминающее устройство (МЗУ85);

86 - блок управления записью-считыванием (БУЗС86);

87 - блок смещения, разворота и смены кадра изображения (БСРСКИ87).

ОКУЗК 16 работает следующим образом. По сигналам от блока корреляционно-экстремальной обработки информации 17 осуществляется запись соответствующего изображения от интеллектуального блока обработки изображений 10 через блок записи изображения 86 в многомерное запоминающее устройство 85; это изображение затем из многомерного запоминающего устройства поступает в блок дополнительных фильтров основного картографического указателя заданного курса 14.

На фиг.16 представлена структурная схема структурно-перестраиваемого блока управления (СПБУ) 11.

СПБУ состоит из следующих блоков:

88 - блока функционального преобразователя входных сигналов (БФПвх);

89 - блока перестраиваемой вычислительной среды (БПВС);

90 - блока настройки (БН);

91 - блока функционального преобразователя выходных сигналов (БФПвых). Ключевой составляющей рассматриваемого блока управления является БПВС 89. Под БПВС 89 будем понимать набор (Z^k, V, Q), где Z^k - множество k-мерных векторов с целыми координатами, задающих узлы k-мерной целочисленной решетки; V={v₁, v₂, , v_m+p} - перестраиваемый автомат, помещенный в каждый узел решетки, у которого n+p входных каналов, m+p выходных каналов (m основных, p боковых).

Здесь

,

где _ij {0,1} (j=1, ,t), , t=log₂R;

- i-я функция алгебры логики (i=1, 2, , R), реализуемая на j-м выходе автомата (j=1, 2, , m+p);

x₁, , x_(n+p) - информационные входы;

z₁, , z_t - дополнительные входы, используемые для настройки автомата на требуемую структуру;

Q={ ₁, ₂, , _p}, где _i Z^k, i=1, , p - шаблон соседства: каждый вектор V для автомата с координатами определяет автомат с координатами + ₁, с i-м боковым выходным каналом которого соединен i-й боковой вход автомата в узле , i=1, ,р.

Под перестраиваемым автоматом будем понимать автомат, для которого задано множество реализуемых им автоматных отображений и определен алгоритм настройки на реализацию каждого из этих автоматных отображений. Перестраиваемый автомат можно представить как множество автоматов с одними и теми же выходами, причем настройка определяет тот автомат, выходы которого считаются при этой настройке выходами всего перестраиваемого автомата.

БФПвх 88 осуществляет преобразование входной информации в двоичную форму; БН 90 на основе входной информации вырабатывает коды настройки вычислительной среды на необходимый в текущий момент времени алгоритм работы; БФПвых 91 преобразовывает двоичный сигнал с вычислительной среды в сигнал, удобный для восприятия и переработки полученной информации в других блоках.

БПВС 89 представляет собой матрицу размером m×n, образованную коллективом вычислителей на основе перестраиваемых автоматов. На фиг.17 приведен пример БПВС 89 для (m=6 - количество строк, n=7 - количество столбцов) и для перестраиваемого автомата, описывающегося системой формул:

Здесь f₁, f₂ - выходы автомата;

y₁, y₂ - информационные входы;

x - вход;

z₁, z₂, z₃, - входы настройки.

На фиг.17 для каждого перестраиваемого автомата в нижнем левом углу приведен его код настройки на текущее автоматное отображение, так для автомата с координатами (1, 1) приведен код 001, что соответствует z₁=0, z₂=0, z₃=1.

На фиксированные четыре входа перестраиваемой вычислительной среды подаются величины (h _k, k=1, 2, , 4). Для настройки, представленной на фиг.17, а на выходах f₁ и f₂ вычислительной среды реализуются функции:

а при изменении кода настройки одного из автомата с координатами (2, 7) в матрице вычислительной среды на код z₁=0, z₂=0, z₃=1 (фиг.17, б) на выходах f₁ и f₂ вычислительной среды реализуются функции:

На фиг.18 дана структурная схема блока подключения датчика изображения (БПДИ) 9, который работает следующим образом. Работа блока 9 начинается по сигналу от синхронизатора 12. На сумматор структурных параметров изображений с картографических указателей поступают сигналы через мультиплексор 96 от интеллектуального блока обработки изображений 10. Эти сигналы, характеризующие тип структуры изображения (обычные, контурные, точечные и др.) и вычисляющиеся по формулам (12)-(14), (24) подаются на первый вход схемы сравнения 93, на второй вход которой поступают сигналы от сумматора параметров (крутизны) взаимно-корреляционной функции 95. Информация на сумматор 95 приходит от ИБОИ 10. На третий вход схемы сравнения 93 поступают эталонные сигналы K_iэ , K_fэ от памяти эталонных параметров 94. Схема сравнения 93 функционирует по правилу:

где K_a - адаптивный интегральный коэффициент;

K_i, K_iэ - коэффициенты, характеризующие текущие и эталонные информативные геометрические параметры изображений;

K_F , K_Fэ - коэффициенты, характеризующие текущие и эталонные крутизны ВКФ, соответственно;

K_Ц, K_Цэ - коэффициенты, характеризующие текущие и эталонные цветные изображения.

При выполнении условия (24) включается через мультиплексор 96 требуемый датчик (или датчики) картографического указателя истинного курса.

Другие блоки (блок астродатчиков 3, РКУМК 4, ОТДИ 5, БСНС 6, БИНС 7, БПИТК 8, ИДИ 2, БПДИ 9, СПБУ 11, БДФКУИК 14, БДОКУЗК 15, ОКУЗК 16) выполнены в соответствии с рекомендациями, изложенными в [1-5, 8].

По сравнению с известными предлагаемые способ и устройство обладают улучшенными функциональными возможностями за счет повышения точности, быстродействия определения координат движения объекта, помехоустойчивости и помехозащищенности.

Покажем это на примере. Высокие точностные характеристики предлагаемого устройства обеспечиваются, во-первых, за счет введения дополнительных датчиков изображений (дополнительных картографических указателей истинного курса), во-вторых, путем введения нейросетевого фильтра подавления помех, в-третьих, за счет эффективного преобразования изображений (выделения информативных признаков), в-четвертых, с помощью введения блока нейросетевого распознавания изображений, в-пятых, использования структурно-перестраиваемого блока управления, в-шестых, за счет совмещения сравниваемых изображений по цвету, масштабу, крену, тангажу и угловому рассогласованию.

Введение дополнительных картографических указателей истинного курса обеспечит подключение в случае необходимости требуемого датчика, который сформирует наиболее достоверное (интегральное) изображение территории (радиолокационное, телевизионное, инфракрасное, оптическое, радиотехническое, гравитационное, топографическое). С помощью дополнительного инерциального картографического указателя 7 обеспечивается предоставление предварительных навигационных параметров; это дает возможность вывода объекта в заданный район территории. Причем адаптивный нейросетевой фильтр подавления помех обеспечит эффективную фильтрацию полезного сигнала от помех, поступающего от блока подключения изображений 10. Это обеспечит с высокой точностью местоопределение (определения координат) объекта.

Блок нейросетевого распознавания изображений 19 осуществит распознавание с высокой точностью (вероятностью) территории даже при наличии значительного уровня помех; это исключит сбой в работе блока корреляционной обработки информации 17, который затем осуществит более точное местоопределение объекта, по сравнению с известными способом и устройством.

Точность местоопределения повышается также за счет совмещения сравниваемых изображений по цвету, масштабу, крену, тангажу и угловому рассогласованию. То есть устраняются рассогласования картографического указателя заданного курса относительно истинного курса

где Ц, Н, , , - значения цвета, масштаба, крена, тангажа и углового рассогласования сравниваемых изображений, соответственно.

Применение структурно-перестраиваемого блока управления 11 обеспечит точное управление движением объекта (например, точное управление движением по заданному маршруту) путем структурной и параметрической оптимизации (т.е. оптимального изменения своей структуры и подбор своих параметров).

Расширение функциональных возможностей осуществляется за счет, во-первых, получения дополнительной информации от ДИКУИК 2, ДАКУИК 3, ДТКУИК 5, ДСКУИК 6, ДИКУИК 7, ДФКУИКТК 8 о территории, в которой необходимо произвести точное местоопределение, во-вторых, введения БНРИ 19, обеспечивающего распознавание широкого класса изображений (по сравнению с известными способом и устройством), в-третьих, введения СПБУ 11, реализующего управлением движения объекта при изменении оперативной навигационной задачи.

Приведем результаты экспериментальных исследований предлагаемого устройства.

На фиг.19,а представлено сечение ВКФ J ( ) по оси O (в метрах) при совмещении обычных (не преобразованных) изображений крупномасштабных элементов (кривая 1), элементов стержневого типа (кривая 2) и маломасштабных элементов (кривая 3). На фиг.19,б дано сечение ВКФ для обычных (кривая 1), контурных (кривая 2) и точечных (кривая 3) изображений. Из приведенных графиков следует, что, во-первых, чем мельче структура ТИ и ЭИ (чем меньше элементы изображений), тем с большей крутизной формируется ВКФ; во-вторых, точечные изображения формируют ВКФ с большей крутизной по сравнению с контурными или обычными изображениями.

На фиг.20,а приведены графики зависимостей случайной составляющей ошибки (в % от допустимого смещения и разворота) определения угловой (кривая 1) и линейных (кривая 2) координат объекта от крутизны K_F главного максимума ВКФ. Здесь пунктирными линиями обозначены области K_F для обычных О, контурных К и точечных Т изображений. Как видно из графиков, целесообразнее использование контурных или точечных изображений, для которых крутизна K_F наибольшая, а ошибка наименьшая.

Критерием перехода к контурным или точечным изображениям может служить коэффициент K_F , характеризующий крутизну ВКФ (на уровне 0,7 от максимального значения амплитуды), и коэффициент K_S=S_g /S_э (где S_g - площадь изображения объекта на экране картографического указателя истинного курса, S _э - площадь экрана картографического указателя истинного курса) или коэффициент K_e=L_g/L_э (где L_g -размер (длина) изображения элементов на экране картографического указателя истинного курса, L_э - размер (диаметр) экрана картографического указателя истинного курса). На фиг.20,б приведены графики зависимостей ошибки определения координат от величин K_S и K _е. Здесь кривые 1 и 1а характеризуют угловую координату, а кривые 2, 2a - линейную координату (сплошные линии - графики зависимостей от K_S, а пунктирные линии - графики зависимостей от K_е). Как видно из графиков, полученных на основе экспериментальных исследований, при K_S<0,19 или K_e<0.35 (для данного алгоритма работы анализатора ВКФ, реализующего метод слепого поиска) необходимо преобразовывать изображения в контурные или точечные (например, при K_S =0.21 устройство не работало).

Вызывает определенный интерес использование в устройстве изображений, когда ТИ представлено в обычном виде, а ЭИ - в контурном виде (это возможно, если индикатор ТИ реализован в упрощенном варианте, т.е. без обработки ТИ, а для повышения точностных характеристик ЭИ готовится в контурном виде). На фиг.21 даны сечения ВКФ J ( ), подтверждающие возможность использования таких изображений (здесь представлены: 1-ВКФ обычных ТИ и ЭИ; 2-ВКФ контурных ТИ и ЭИ; 3-ВКФ обычного ТИ и контурного ЭИ). Как видно, кривая 3 имеет большую крутизну в области главного максимума по сравнению с кривой 1, кроме этого, крутизна кривой 3 незначительно отличается от крутизны кривой 2.

Источники информации

1. Анучин О.Н., Комарова И.Э., Порфильев Л.Ф. Бортовые системы навигации и ориентации искусственных спутников Земли. - С.-Петербург: Изд-во ГНЦ РФ ЦНИИ «Электроприбор», 2004. С.80-120.

2. XVI Санкт-Петербургская международная конференция по интегрированным навигационным системам. Сборник материалов. - С.-Петербург: Изд-во ЦНИИ «Электроприбор», 2009. - 302 с.

3. Сырямкин В.И. и др. Системы технического зрения. Справочник. Томск: МГП «РАСКО», 1992. 367 с.

4. Ангелов М.П., Катышев В.А., Резник В.Г., Сырямкин В.И. Устройство для определения координат движущегося объекта. Авторское свидетельство СССР № 592229.

5. Белоглазов И.Н., Тарасенко В.П. Корреляционно-экстремальные системы. М.: Сов.радио, 1974. - 392 с.

6. Golomb L.A., Lawrence D.T. and Sejnowski T. J, SexNet: A neural network identifies sex from human faces // Advances in Neural Information Processing Systems. Morgan Kaufmann Publishers. San Mateo. USA. 1991. P.77-83.

7. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер. на рус. яз. Ю. А. Зуев, В. А. Точено. 1992 - 184 с.

8. Информационный портал DailyTechInfo-http://www.dailytechinfo.org/space/339-nasa-publikuet-samuyu-polnuyu-topologicheskuyu.html.