Методы и алгоритмы анализа снимков бортового видеорегистратора беспилотного летательного аппарата в системе управления мониторингом ландшафтных пожаров тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Горбачев Игорь Николаевич

• Горбачев Игорь Николаевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Горбачев Игорь Николаевич

Введение

1 Обзор методов и средств мониторинга пожарной обстановки посредством воздушного наблюдения

1.1 Способы наблюдения распространения огня в условиях ландшафтных пожаров

1.2 Классификация методов и алгоритмов обнаружения объекта и слежения за объектом в видеопотоке

1.3 Сравнительные характеристики алгоритмов и методов выделения объекта в видеопотоке

1.4 Интеллектуальные системы обнаружения пожаров и источников возгорания на основе анализа снимков с видеорегистраторов беспилотных летательных аппаратов

1.5 Современные методы навигации беспилотных летательных аппаратов

1.6 Цель и задачи исследования

2 Система мониторинга пожарной обстановки с использованием результатов анализа видеоданных с беспилотных летательных аппаратов

2.1 Метод обнаружения источника возгорания на основе многоальтернативного плана полета

2.2 Разработка алгоритмов адаптивного управления беспилотными летательными аппаратами в процессе мониторинга пожарной обстановки

2.3 Структурная схема управления беспилотным летательным аппаратом при многоальтернативном плане полета

2.4 Выводы второго раздела

3 Методы и алгоритмы идентификации особых точек на снимках, полученных с бортового фото-видеорегистратора беспилотного летательного аппарата

3.1 Объекты, методы и средства исследования

3.2 Метод поиска блобов на снимках видеоряда

3.3 Разработка алгоритма поиска координат агрегированного блоба

3.4 Выводы третьего раздела

4 Автоматизированная система анализа и классификации снимков,

полученных с видеокамер беспилотного летательного аппарата

4.1 Структура и архитектура автоматизированной системы дистанционного мониторинга лесных пожаров

4.2 Программное обеспечение модуля классификации данных

4.3 Экспериментальные исследования предложенной методики автономного управления беспилотным летательным аппаратом

4.4 Программное обеспечение управления беспилотным летательным аппаратом при мониторинге ландшафтных пожаров

4.4.1 Дизайн эксперимента

4.4.2 Результаты экспериментальных исследований

4.5 Выводы четвёртого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы анализа снимков бортового видеорегистратора беспилотного летательного аппарата в системе управления мониторингом ландшафтных пожаров»

Введение

Актуальность работы. Ландшафтные пожары (ЛП) обычно обнаруживаются, когда они уже распространились на большую территорию. Это делает их тушение трудным, а, иногда, и невозможным, что приводит к катастрофическим экономическим потерям и непоправимому ущербу окружающей среде.

Одним из основных методов снижения ущерба, наносимого пожарами, является мониторинг пожарной обстановки (ПЖО) с помощью беспилотных летательных аппаратов (БПЛА). Имея значительное преимущество перед остальными средствами мониторинга за счет своей оперативности, мобильности и экономичности, мониторинг посредством БПЛА имеет ряд недостатков, основным из которых является отсутствие возможности оперативно изменить план полета при смене ПЖО в процессе мониторинга.

Одним из путей повышения эффективности мониторинга ПЖО является автоматизация обработки видеоинформации, поступающей от видеокамер БПЛА, и использование ее, как для определения координат очага пожара, так и для принятия управленческих решений по планированию траектории полета БПЛА. Поэтому, разработка методов, алгоритмов и программного обеспечения (ПО) анализа и классификации видеоданных на борту летательного аппарата с целью оптимизации принятия решений является актуальной научно-технической задачей.

Степень разработанности темы исследования. Леса, покрывающие около 31% суши на Земле (ФАО; ЮНЕП 2020), играют решающую роль в экологических, экологических и социально-экономических аспектах (Агравал и др. 2013). Тем не менее, в мире наблюдается значительный рост ежегодного числа дней и инцидентов, связанных с опасностью лесных пожаров, в первую очередь связанных с изменением климата (Абатцоглу и Уильямс 2016; Бур и др. 2017). Различные международные системы, такие как Экспериментальный центр прогнозирования климата (ЕСРС), Глобальный центр мониторинга пожаров (GFMC), Глобальная система управления информацией о пожарах (GFIMS) и Глобальная система

раннего оповещения о ЛП, направлены на картирование и оценку информации о событиях в режиме, близком к реальному времени, во всем мире для снижения риска ЛП.

Проблема извлечения и обработки информации в условиях пожара является ключевой из-за сложности физико-химических процессов горения и процессов теплообмена. Описанию особенностей указанных процессов большое внимание уделено в работах И.С. Молчадского, А.В. Матюшина, С.В. Пузача, Ю.Д. Моторыгина, Ю.А. Кошмарова. Проблемой проведения и интеллектуальной обработки фотоснимков занимались многие ученые, среди которых А.А. Сирота, А.Р. Дабагов, В.Г. Никитаев, Н.Ю. Ильясова, С.В. Фролов, которые занимались проблемой классификации пространственных данных. Среди зарубежных ученых большой вклад в исследования внесли Jayavardhana Gubbi, Pu Li, Khan Muhammad, Zhang Li, которые, в том числе, обосновывали возможность практического использования аэрофотосъемки для решения задач мониторинга территорий.

Использование методов искусственного интеллекта (ИИ) и автоматизированных систем управления ПЖО на их основе в настоящее время является основным направлением снижения потерь от ЛП. Несмотря на то, что в настоящее время, как в нашей стране, так и за рубежом, ведутся активные исследования в области использования ИИ в мониторинге ПЖО, тем не менее, вопросы методики синтеза мониторинговых систем контроля ПЖО, включающих, как анализ и классификацию данных из видеопотоков, так и методы оптимального управления маршрутом патрулирования БПЛА, требуют дальнейших исследований.

Объектом исследования являются автоматизированные системы мониторинга пожарной обстановки в зонах ландшафтных пожаров с использованием воздушного патрулирования посредством беспилотных летательных аппаратов.

Предметом исследования являются методы и алгоритмы управления воздушным мониторингом посредством анализа и классификации данных, получаемых с датчиков и фоторегистраторов, находящихся на борту БПЛА.

Цель исследования состоит в повышении эффективности мониторинга пожарной обстановки посредством анализа снимков бортового фото-видеорегистратора беспилотного летательного аппарата в процессе мониторинга ландшафтных пожаров.

Задачи исследования. Для достижения поставленной цели были сформулированы следующие задачи:

1. Выполнить аналитический обзор по использованию искусственного интеллекта в автоматизированных системах мониторинга пожарной обстановки посредством БПЛА.

2. Разработать метод обнаружения источника возгорания в процессе автономного управления маршрутом патрулирования БПЛА.

3. Разработать алгоритм управления маршрутом патрулирования БПЛА на основе формирования локального плана полёта.

4. Разработать метод определения координат особых точек по результатам классификации снимков фото-видеорегистратора БПЛА.

5. Разработать программное обеспечение для обнаружения и классификации особых точек и сегментов на снимках фото-видеорегистратора с БПЛА, полученных при мониторинге пожарной обстановки.

6. Провести экспериментальные исследования эффективности предложенных методов, алгоритмов и программного обеспечения в автоматизированной системе мониторинга пожарной обстановки в зонах ландшафтных пожаров.

Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:

1. Метод обнаружения источника возгорания, на основе многоальтернативного плана воздушного патрулирования, включающий три плана полета. План А предусматривает облет мониторируемой территории галсами с определением концентрации вредного вещества в каждом пикселе территории мониторирования. При обнаружении пикселя, в котором концентрация вредного вещества превышает пороговый уровень, управление полетом БПЛА осуществляется посредством плана В, который предусматривает локальное

планирование достижения пикселя-цели, который определяется путем вычисления локальных дифференциальных операторов в девятиэлементной маске. План В позволяет осуществить полет БПЛА непосредственно к источнику возгорания и определить его координаты. План полета С предусматривает возвращение БПЛА в точку вылета из любого пикселя зоны мониторинга.

2. Алгоритм управления траекторией полета БПЛА, основанный на правиле «не менее трех пикселей на галсе», которое позволяет получить девятиэлементную матрицу с известными концентрациями вредных веществ в пикселе-цели и определять те пиксели локального плана полёта, в которых эту матрицу получить не представляется возможным.

3. Метод трансформации исходного изображения в изображение критериев, заключающийся в определении корреляционных изображений, число которых соответствует числу пикселей в исходном изображении. Корреляционное изображение определяется для каждого текущего пикселя исходного изображения путем его свертки с ядром, с центром в текущем пикселе исходного изображения и весами, определяемыми пикселями исходного изображения, попавшими в ядро. Для каждого корреляционного изображения определяется скалярный критерий, который определяет величину пикселя изображения критериев в координате, определяемой индексом корреляционного изображения, на основе которого получен этот критерий.

Теоретическая и практическая значимость работы состоит в том, что разработанные методы и алгоритмы управления мониторингом пожарной обстановки посредством БПЛА позволяют в реальном времени анализировать и классифицировать данные с датчиков и фото-видеорегистратора БПЛА и принимать оперативные решения по управлению мониторингом пожарной обстановки и распределению ресурсов при ликвидации ЛП.

Метод и алгоритмы воздушного наблюдения и планирования полетов БПЛА, разработанные в диссертационной работе, использованы при оперативной работе реагирующих подразделений Управления МЧС по ТиНАО Главного управления МЧС России по г. Москве.

Работа выполнена в рамках реализации программы развития ФГБОУ ВО «Юго-Западный государственный университет» программы стратегического академического лидерства «Приоритет-2030» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты работы внедрены в образовательный процесс Юго-Западного государственного университета при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии».

Методы и средства исследований. Для решения поставленных задач использовался математический аппарат цифровой обработки сигналов, статистический анализ, теория нейронных сетей, методы экспертного оценивания и принятия решений. При разработке моделей управления мониторингом и детекторов особых точек в качестве инструментария использовался MATLAB 2018b, при разработке модулей классификации изображений использовался Python с соответствующими математическими библиотеками, и библиотеки Keras и TensorFlow. Для статистической обработки данных использовался пакет Excel 2013.

Положения, выносимые на защиту. 1. Метод многоальтернативного планирования полетного задания, позволяет менять в автоматическом режиме маршрут воздушного патрулирования в зависимости от пожарной обстановки, что приводит к снижению времени обнаружения координат источника возгорания. 2. Алгоритм управления траекторией полета БПЛА, основанный на правиле «не менее трех пикселей на галсе», позволяет корректировать маршрут патрулирования БПЛА в зависимости от пожарной обстановки по маршруту патрулирования. 3. Метод трансформации исходного изображения в изображение критериев, заключающийся в определении корреляционных изображений для каждого текущего пикселя исходного изображения, позволяющий получить детектор особых точек на снимках видеоряда.

Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям теории обработки и классификации цифровых изображений, а также

аналогичным результатам, полученным другими исследователями. Методы и алгоритмы классификации снимков из видеопотока построены на теории цифровой обработки изображений и согласуются с ранее опубликованными экспериментальными данными по теме диссертационной работы.

Основные теоретические положения и научные результаты, изложенные в диссертации, докладывались, обсуждались и получили положительную оценку на 10 Международных и Всероссийских конференциях: «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века» (Пермь - 2021, 2022); «Биотехнические, медицинские и экологические системы, измерительные устройства и робототехнические комплексы (Биомедсистемы-2021)» (Рязань - 2021); «Лазерно-информационные технологии» (Новороссийск - 2022, 2024); «Медико-экологические информационные технологии» (Курск - 2022, 2023); «Физика и радиоэлектроника в медицине и экологии с научной молодежной школой им. И.Н. Спиридонова ФРЭМЭ'2022» (Владимир-Суздаль - 2022); «Радиоэлектроника. Проблемы и перспективы развития» (Тамбов - 2023); «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза - 2023); на семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2021-2025).

Публикации. Основные положения и результаты диссертационной работы опубликованы в 16 научных работах, включающих 3 статьи в ведущих рецензируемых научных журналах и изданиях по специальности диссертации и две статьи в изданиях, индексируемых в международной наукометрической базе Scopus (Q1).

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка использованных источников, включающего 85 отечественных и 66 зарубежных наименований. Работа изложена на 149 страницах машинописного текста, содержит 47 рисунков и 3 таблицы.

1 Обзор методов и средств мониторинга пожарной обстановки посредством

воздушного наблюдения

В условиях увеличения частоты экстремальных метеорологических явлений, таких как засухи и сильный ветер, проблема ЛП стала одной из самых острых в сфере экологии и безопасности. Последствия подобных катастроф затрагивают не только экосистемы, но и здоровье человека, экономику и энергосистемы. Поэтому своевременное обнаружение пожаров, позволяющее предотвратить огромные экономические потери и избежать людских жертв, является повседневной и глобальной проблемой для всего человечества. Эффективный мониторинг и раннее обнаружение лесных пожаров являются ключевыми для минимизации ущерба, что требует внедрения инновационных технологий и подходов.

1.1 Способы наблюдения распространения огня в условиях ландшафтных пожаров

Наиболее известны авиационный, спутниковый и наземный способы мониторинга ЛП. Авиационный мониторинг (АМ) осуществляется в транспортно-недоступных зонах и его эффективность существенно зависит от погодных условий и природных ландшафтов. Также препятствием для патрулирования является задымленность местности [24, 41, 51].

Плюсы наблюдения и съемки с самолетов: независимость от облачности, гибкость и маневренность, оперативное предоставление данных и высокая детальность съемки. Минусы - ограниченная дальность, зависимость от наличия летной техники и подготовленного персонала, а также высокая стоимость.

Спутниковый мониторинг (СМ) значительно дешевле по сравнению с АМ. По полноте представления информации и скорости обнаружения ЛП на сегодняшний день СМ наиболее эффективен.

Сегодня спутниковое дистанционное зондирование способно на основе изображений - создавать модели для климатических и гидрологических приложений (до пожара); обнаруживать ЛП на основе растительности (до пожара); осуществлять активный мониторинг пожара (во время пожара); прогнозировать распространение дыма и пожара; строить модели системы Земля для климатических и гидрологических приложений (после пожара); обнаруживать ЛП на основе данных о растительности (после пожара) [60, 82, 84].

СМ позволяет осуществить широкий (глобальный) охват земной поверхности при относительно низких экономических затратах, а также позволяет получать стабильные и периодичные данные. Однако СМ зависит от облачности (получение качественных снимков ограничено наличием облачности не более 15%) и даты/времени проведения съемки. К недостаткам СМ относятся также меньшая детальность, отсутствие возможности планировать съемку.

Наиболее распространенный вид представления информации о пожарах -картирование пожаров. Это автоматизированные системы мониторинга ПЖО КА TERRA (MODIS), LANDSAT, SENTINEL и PLANET. Интерактивные диаграммы и карты в этих системах позволяют обобщать основные статистические данные, которые включают темпы трансформации границ лесов, площадь лесов, факторы обезлесения, а также предупреждения об обезлесении и пожарах. Статистические данные позволяют осуществлять ретроспективный анализ ПЖО по регионам и сравнение текущей ПЖО с историческими тенденциями [41, 147].

ЛП можно отслеживать со спутников дистанционного зондирования Земли (ДЗЗ) с пространственным разрешением от 250 метров до 1000 метров в тепловом инфракрасном (ИК) диапазоне или с пространственным разрешением 250-500 м/пиксель, в спектральном диапазоне 3,660-14,385 мкм (16 различных каналов), полоса обзора равна 2300 км (данные с космических аппаратов «Terra», «Aqua»,

«Noaa», «Suomi NPP», «Метеор М»). Но реакция на эту информацию составляет от двух до 10 дней [84, 125, 133, 137, 149].

Если при СМ используются тепловые каналы, например, спектрометр MODIS, то время обработки данных с момента пролета спутника составляет 15...40 минут. Мониторинг по тепловым каналам основан на высокой температуре земной поверхности в очагах пожара. Однако этот метод имеет ряд ограничений, так как в зону «пожара» попадают любые объекты с превышением температуры по отношению к фоновой, а часть пожаров может быть не обнаружена из-за небольшого превышения температуры относительно фоновой. Ложные срабатывания могут быть из-за сильной облачности.

Известно три алгоритма обработки снимков:

1. The Fire Information for Resource Management System (FIRMS) Университет штата Мэриленд (США).

2. ScanEx Fire Monitoring Service (SFMS) ИТЦ "СканЭкс".

3. «Пожарная» часть информационной системы дистанционного мониторинга ИСДМ-Рослесхоз.

Каждый из этих алгоритмов имеет свои достоинства и недостатки. Система FIRMS более чувствительна, но дает большое число ложных срабатываний. SFMS менее чувствительна, зато дает гораздо меньше ложных срабатываний [6].

1.2 Классификация методов и алгоритмов обнаружения объекта и слежения за объектом в видеопотоке

Под задачей обнаружения динамических объектов понимается задача обнаружения и выделения изменяющихся участков изображения в последовательности кадров видеопотока [120, 123]. Решением этой задачи занимается видеоаналитика - технология, использующая методы компьютерного

зрения для анализа последовательности изображений, поступающих с видеокамер в режиме реального времени или из архивных записей [2, 5].

Методы обнаружения и слежения можно разбить на следующие группы: — детерминированные методы; — вероятностные методы; — нейросетевые методы; — мультимодальные методы. В этих методах объект слежения в последовательности кадров воспринимается по-разному: объект с неизменяющимися, либо с изменяющимися признаками.

Детерминированные методы выдают уникальный и предопределённый результат для заданных входных данных и рассматривают объект слежения, как объект с неизменяющимися признаками. Эти методы можно разделить на группы: методы поиска оптического потока, методы поиска особенных точек и методы поиска по шаблону.

Методы поиска оптического потока строят векторное поле скоростей выделенных точек (пикселей изображения) и основываются на вычислении направления характерных участков изображения. В этих методах процесс обнаружения делится на два этапа: вычисление векторного поля скоростей и определение смещения объекта [41, 42, 136].

Методы поиска особенных точек основаны на вычислении характерных особенностей на изображении (отличительные участки изображения) и на нахождении соответствия между ними в видеопоследовательности. При этом используются детекторы и дескрипторы особенностей. Можно выделить самые распространённые детекторы - это детекторы рёбер, детекторы углов, детекторы окружностей.

Методы поиска по шаблону не имеют этапа обучения (методы без учителя [126]). Эти методы вычисляют набор признаков на одном заданном изображении с объектом для поиска. Методы поиска по шаблону имеют сложный этап обнаружения объекта и применяют в основном в качестве вспомогательных методов. Методы позволяют обнаружить некоторые геометрические примитивы (прямая, круг, прямоугольник) [4, 15].

Вероятностные методы используют подход, основанный на понятии пространства состояний. Считается, что движущийся объект имеет определенное внутреннее состояние, которое измеряется на каждом кадре. Типичными примерами таких методов являются методы на базе фильтра Кальмана и фильтра частиц [22]. Вероятностные методы слежения позволяют предсказывать состояние объекта на изображении, не сохраняя все данные о предыдущих состояниях; устойчивы к зашумлению изображения, к изменению ряда характеристик изображения объекта: яркость, поворот, масштабирование. На практике их применяют в качестве дополнительных методов для повышения устойчивости к изменению изображения объекта.

В нейросетевых методах объект в видеопотоке может рассматриваться одновременно с изменяющимися и неизменяющимися признаками. В этих методах неотъемлимой частью является этап обучения нейронной сети (НС). Обучать сеть необходимо под каждый тип задач [68, 70, 81, 83]. НС имеют высокий процент распознавания объекта на изображении, низкий процент ложного распознавания, но необходимо учитывать, что НС необходимо обучать под каждый тип задач. Методы поиска объекта с применением классических НС имеют низкую скорость, в отличие от разрежённых сетей [42, 43].

Особенность мультимодальных методов заключается в том, что они состоят из нескольких методов, комбинируя методы по наивысшим показателям разных критериев. В результате агрегации их решений достигают наилучших результатов. Такие методы более устойчивы к шуму, к различным видам искажений объекта. Мультимодальные методы могут сочетать в себе детерминированные, вероятностные, нейросетевые методы. Мультимодальные методы можно разбить на две группы: методы с учителем и методы без учителя. Примером мультимодальных методов является метод Виолы-Джонса, который относится к методам с учителем. Быстрое вычисление дескрипторов достигается при помощи интегрального представления изображения [33].

1.3 Сравнительные характеристики алгоритмов и методов выделения объекта в видеопотоке

При выделении объектов в видеопотоке необходимо учитывать искажения, которые связаны с процессом перемещения БПЛА. Эти искажения обусловлены изменением яркости в пространстве в течение времени между двумя смежными снимками, изменение масштаба изображения на снимке БПЛА, которое может быть связано с изменением высоты БПЛА, поворота объекта относительно камеры, что связано с отклонением курса БПЛА или его креном, затенение объекта другим объектом, попавшим в кадр на следующем снимке, наличием шумов на изображении, изменение геометрической формы объекта на изображении, что может быть обусловлено поворотом видеокамеры и/или изменением высоты полёта БПЛА, и изменение цветовой гистограммы объекта. Объект может иметь на разных сторонах своего тела разные цветовые гистограммы.

В качестве критериев для оценки методов слежения за объектами в видеопотоке используют устойчивость к изменению яркости, устойчивость к аффинным преобразованиям (масштаб, поворот), устойчивость к затенению объекта, устойчивость к шумам, устойчивость к изменению геометрической формы и к изменению цветной гистограммы объекта.

В таблице 1.1 приведены сравнительные характеристики основных методов и алгоритмов поиска объекта в видеопотоке. В таблице 1.2 приведены обозначения, принятые в таблице 1.1 [43].

В таблице 1.1 не приведены методы поиска по шаблону, так как эти методы направлены только на поиск определённых примитивов, поэтому в сравнении с другими методами, методы поиска по шаблону не участвуют.

Таблица 1.1 - Сравнение методов и алгоритмов поиска объекта в видеопотоке (+ - проблема решается полностью, +/— проблема решается частично, — проблема не решается) [43]

Метод/а лгорптм попе ка d Критерии сравнения^

Yd Sea RotP OvJd Nsd Frmö Gd OId OfD

Метод Лукас а-Канад е( класспческпп }d -d -d +/-Р +/-D +/-D -D -d ПО.

Шп- Томаси-Канадес -D +d +D +/J3 +/-D -D -ES na

Джин- Фав аро-С оатто d +D -D +/-D +/-D +/-D -D +/-D Od no.

Метод Харрпса- Лапласа- (хлассическии)и Мае пгга биру ющпн -дескриптора -D +п -D +/-D +/-D +/-J3 -D Od 71 CS

Дескриптор-поворота□ -D -D +/-D +/-D +/-G -D Od na

Дескриптор-освещенности^ + D -D -D +/J3 +/-J3 +/-D -D Od к ß

Метод Харрпс а-Лапласа,-учитывающий-масштабирование-объектаи Масштабирующий -дескрнпторн -D +п -D +/J3 +/J3 +/-D -D Od

Дескриптор-поворотаи -D +D +/-D +/-D +/-G -D Od na

Дескриптор-освещеиностпн + D +D -D +/-J3 +/-J3 +/-D -D Od Hö

Продолжение таблицы 1. 1

Метод/а лгоргггм попе ка к Критерии сравнения^

уо БсП Рюш ОУ1ЕЗ N533 БппР Оа 0\п ОАз

ЭП^Ти +/-Л> + £ +/43 +/-11! 013 (яш2 + х2)п&

ЗХЖБп +!-и +/4з +/-ГЗ +/-о +/43 -С 0з

+!-и +/4з +/-ГЗ +/-о +/43 -С 0з + Х2~)П&

Фильтр Калмана □ Учитывающий-изменения-яркостиа -а -о +/-13 +/4з -а -а 0з П2Ъ

Учитывающий-изменения-цветностиД -и -а -с +/-13 +/-11! -а + £ 013

Учитывающий-изменения-масштаба^ -И -С +/-ГЗ +/4з -С 0з п'п

Учитывающий-повороты объекта]! и -и -а +/43 +/-13 +/-11! +/4з -13 013 /1 ч .ктивация Ш "обз активиров

Продолжение таблицы 1. 1

Метод/алгоритм поиска Критерии сравнения

Y Sc Rot Ovl Ns Frm G Ol Of

Фильтр частиц Учитывающий изменения яркости + +/- +/- 0 2 п2

Учитывающий изменения цветности +/- +/- + 0 2 п2

Учитывающий изменения масштаба + +/- +/- +/- 0 п2

Учитывающий повороты объекта +/- +/- +/- +/- 0 п2

Методы, основанные на классических +/- +/- +/- +/- +/- - +/- П3^П5 п2

нейронных сетях

Методы, основанные на разряженных +/- +/- +/- +/- +/- - +/- 3 • 5 п1од(п)

нейронных сетях

Метод Виолы-Джонса +/- + +/- +/- +/- +/- + П5^П7 П

TLD +/- + +/- +/- +/- +/- +/- 0 п2

Таблица 1.2 - Список обозначений для таблицы 1.1

№№ п/п Обозначение Описание

1 Y устойчивость к изменению яркости

2 Sc устойчивость к масштабированию

3 Rot устойчивость к поворотам

4 Ovl устойчивость к заслонению другими объектами

5 Ns шумоустойчиво сть

6 Frm устойчивость к изменению геометрической формы

7 G устойчивость к изменению цветовой гистограммы

8 Ol сложность этапа обучения (если этап присутствует)

9 Of сложность этапа обнаружения

10 n количество точек на изображении, на котором осуществляется поиск

11 w размер окна функции Гаусса

12 x количество точек в окрестности для вычисления ориентации

13 s количество октав

14 к количество проективно искажённых изображений

Анализ таблицы 1.1 показывает, что все методы устойчивы к шуму на изображении и к перекрытию объекта другими объектами. Из детерминированных методов самым устойчивым методом к рассмотренным критериям является метод ASIFT, однако он имеет большую вычислительную сложность. Из детерминированных методов методы SURF и Харриса Лапласа позволяют учитывать масштабирование изображения объекта. Они позволяют применять их совместно с дескриптором освещённости и имеют меньшую вычислительную сложность, чем метод ASIFT, однако они не являются полностью устойчивыми к аффинным преобразованиям. Вероятностные методы необходимо применять в случаях, когда необходимо добиться устойчивости по какому-то одному критерию.

Список литературы диссертационного исследования кандидат наук Горбачев Игорь Николаевич, 2025 год

Список литературы

1. Алиев, И.Р. Применение алгоритмов компьютерного зрения для обнаружения и локализации пожаров на аэрофотоснимках / И.Р. Алиев, В. А. Павлов // СПбНТОРЭС: труды ежегодной НТК. - 2020. - № 1(75). - С. 225-228.

2. Алпатов, Б.А. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б.А. Алпатов, П.В. Бабаян, О.Е Балашов, А.И. Степашкин. - М.: Радиотехника, 2008. - 176 с.

3. Аль-Дарраджи, Ч.Х. Гибридные интеллектуальные модели для классификации изображений видеоряда / Ч.Х. Аль-Дарраджи, И.Н. Горбачев, А.В. Бутусов // Лазерно-информационные технологии - 2022: труды XXX Международной научной конференции (12-17 сентября 2022 г.). - Новороссийск: БГТУ, 2022. - С. 129130.

4. Андриянов, Н.А. Обнаружение объектов на изображении: от критериев Байеса и Неймана-Пирсона к детекторам на базе нейронных сетей EfficientDet / Н.А. Андриянов, В.Е. Дементьев, А.Г. Ташлинский // Компьютерная оптика. - 2022. - Т. 46, № 1. - С. 139-159. - DOI: 10.18287/2412-6179-C0-922.

5. Анштедт, Т. Видеоаналитика: мифы и реальность / Т. Анштедт, И. Келлер, Х. Лутц. - М.: Sequrity Focus, 2022 г. - 186 с.

6. Баканов, М.О. Дистанционный мониторинг техногенных пожаров и чрезвычайных ситуаций / М.О. Баканов, Д.В. Тараканов // Известия высших учебных заведений. Технология текстильной промышленности. - 2018. - №2. 1. - С. 173-177.

7. Бутусов, А.В. Программное обеспечение для синтеза моделей классификаторов изображений видеоряда / А.В. Бутусов, Д.С. Кондрашов, И.Н. Горбачев, Часиб Хасан Аль-Дарраджи // Медико-экологические информационные технологии - 2022: сборник научных статей по материалам XXV Международной научно-технической конференции (16-17 мая 2022 г.). - Курск: ЮЗГУ, 2022. - С. 8-15.

8. Васюков, В.Н. Алгоритмы анализа изображений для системы раннего обнаружения лесных пожаров [Электронный ресурс] / В.Н. Васюков, А.Ю. Зайцева //

Доклады АН ВШ РФ. - 2014. - №4 (25). - С. 1-13. - DOI: 10.17212/1727-2769-2014-457-69. - URL: https://cyberleninka.ru/article/n/algoritmy-analiza-izobrazheniy-dlya-sistemy-rannego-obnaruzheniya-lesnyh-pozharov (дата обращения 16.01.2022).

9. Гонсалес, Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С. Эддинс. - М.: Техносфера, 2006. - 616 с.

10. Горбачев, И.Н. Метод и алгоритм управления беспилотным летательным аппаратом в автономном режиме полета / И.Н. Горбачев, С. Кадырова // Проблемы информатики в образовании, управлении, экономике и технике: сб. ст. XXIII Междунар. науч.- техн. конф., посвящ. 80-летию Пензенского государственного университета (24-25 ноября 2023 г.). - Пенза : ПГУ, 2023. - С.205-209.

11. Горбачев, И.Н. Метод планирования маршрута беспилотного летательного аппарата при мониторинге пожароопасных ситуаций / И.Н. Горбачев, Я.О. Заикин, А.Ю. Рыбаков // Медико-экологические информационные технологии-2023: сборник научных статей по материалам XXVI Международной научно-технической конференции (18-19 мая 2023 г.) - Курск: ЮЗГУ, 2023. - С. 36-42.

12. Горбачев, И.Н. Метод планирования маршрута беспилотного летательного аппарата при дистанционном экологическом мониторинге / И.Н. Горбачев // Лазерно-информационные технологии - 2024 (ЛИТ-2024): сборник трудов XXXII Международной научной конференции (9-15 сентября 2024 г.). - Новороссийск: НФ БГТУ им. В.Г. Шухова, 2024. - С. 141-143.

13. Горбачев, И.Н. Многокритериальный алгоритм управления беспилотным летательным аппаратом при поиске координат источника возгорания / И.Н. Горбачев, Я.О. Заикин, А.Ю. Рыбаков // Научный альманах. - 2023. - №№ 3-2 (101). - С.37-40.

14. Горбачев, И.Н. Многокритериальный алгоритм управления беспилотным летательным аппаратом [Электронный ресурс] / И.Н. Горбачев, Я.О. Заикин, А.Ю. Рыбаков // Радиоэлектроника. Проблемы и перспективы развития: сборник трудов Восьмой Всероссийской молодежной научной конференции (10 мая 2023 г.). -Тамбов: Издательский центр ФГБОУ ВО «ТГТУ», 2023. - С.158-159. - URL: http://radio.tstu.ru/inf/sbornik_Radio_2023.pdf

15. Горитов, А.Н. Сравнение методов выделения особых точек объектов на изображениях рабочей сцены робота-манипулятора / А.Н. Горитов, А.А. Бодрухин // Доклады ТУСУР. - 2019. - Т. 22, № 3. - С.61-66. - DOI: 10.21293/1818-0442-2019-223-61-66.

16. Гудфеллоу, Я. Глубокое обучение : пер. с англ. / Я. Гудфеллоу, И. Бенджио, А. Курвилль. - М.: ДМК-Пресс, 2017. - 652 с.

17. Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам / А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов, В.В. Серебровский, М.Т. Шехине // Прикаспийский журнал: управление и высокие технологии. - 2019. - № 4. - С. 10-24. - DOI 10.21672/2074-1707.2019.48.4.010-024. - URL: https://hi-tech.asu.edu.ru/files/4(48)/10-24.pdf.

18. Дабагов, А.Р. Автоматизированная система классификации рентгенограмм молочной железы / А.Р. Дабагов, В.А. Горбунов, С.А. Филист, И.А. Малютина, Д.С. Кондрашов // Медицинская техника. - 2019. - №6 (318). - С. 39-41.

19. Дабагов, А.Р. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений / А.Р. Дабагов, С.А. Филист, Р.А. Томакова, И.А. Малютина, Д.С. Кондрашов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т.9, №3(32). - С. 44-63.

20. Денисов, А.А. Анализ методов детектирования, описания и сопоставления ключевых точек изображений / А.А. Денисов, А.И. Новиков // Вестник РГРТУ. - 2024. - № 89. - С. 104-116. - DOI: 10.21667/1995-4565-2024-89-104-116.

21. Дюдин, М.В. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий многокритериального выбора / М.В. Дюдин, И.В. Зуев, С.А. Филист, С.М. Чудинов // Вопросы радиоэлектроники. -2015. - № 1. - С. 130-141.

22. Золотых, Н.Ю. Обзор методов поиска и сопровождения транспортных средств на потоке видеоданных / Н.Ю. Золотых, В.Д. Кустикова, И.Б. Мееров //

Вестник Нижегородского университета им. Н.И. Лобачевского. - 2012. - №5 (2). - С. 348-358.

23. Зубов И.Г. Метод автоматического определения ключевых точек объекта на изображении // Известия вузов России. Радиоэлектроника. - 2020. - Т. 23, № 6. - С. 6-16. - DOI: https://doi.org/10.32603/1993-8985-2020-23-6-6-16. - URL: https://re.eltech.ru/jour/article/view/474/507 (дата обращения: 10.09.2024).

24. Карпов, А.А. Технологии определения природных пожаров с использованием данных спутниковой съемки / А.А. Карпов, Р.А. Алешко, К.В. Шошина // Молодой ученый. — 2015. — № 13.1 (93.1). — С. 17-19. — URL: https://moluch.ru/archive/93/20829/ (дата обращения: 20.09.2024).

25. Кассим, К.Д.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / К.Д.А. Кассим, С.А. Филист, А.А. Кузьмин, О.В. Шаталова, Е.А. Алябьев // Известия Юго-Западного государственного университета. - 2016. -№4(67). - С. 56-68.

26. Коваленко, А.М. Модель инерциально-оптической навигационной системы беспилотного летательного аппарата / А.М. Коваленко, А.А. Шейников // Системный анализ и прикладная информатика. - 2020. - №2. - С. 17-25. - DOI: https://doi.org/10.21122/2309-4923-2020-2-17-25.

27. Кондрашов, Д.С. Многомасштабные спектральные преобразования в классификаторах снимков видеоряда / Д.С. Кондрашов, В.А. Белозеров, И.Н. Горбачев, Ч.Х. Аль-Дарраджи // Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сборник статей по материалам Восьмой Всероссийской научно-практической конференции с международным участием (25-26 октября 2022 г.). - Пермь: ПГНИУ, 2022. - С. 62-68.

28. Концепция создания автоматизированной системы аэрокосмического мониторинга лесных пожаров / В.Т. Жуков А.В. Колдомов, Ю.Н. Орлов, М.А. Шахраманьян // Препринты ИПМ им. М.В. Келдыша. - 2022. - № 24. - C. 1-18. - DOI:

https://doi.org/10.20948/prepr-2022-24. - URL: https://keldysh.ru/papers/2022/prep2022_24.pdf (дата обращения: 12.10.2024).

29. Кореневский, Н.А. Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара / Н.А. Кореневский, М.В. Шевцов, Л.В. Стародубцева, Г.В. Сипливый // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т.11, № 3. - С. 142-159.

30. Краснобаев, А.А. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации [Электронный ресурс] / А.А. Краснобаев // Препринты ИПМ им. М.В. Келдыша. - 2005. - № 114. - С. 1-20. - URL: https://keldysh.ru/papers/2005/source/prep2005_114.pdf?ysclid=m9hrmadzwo667633082 (дата обращения: 17.10.2024).

31. Краснобаев, Е.А. Сравнение бинарных дескрипторов особых точек изображений в условиях искажений / Е.А. Краснобаев, Д.В. Чистобаев, А.Л. Малышев // Компьютерная оптика. - 2019. - Т. 43, № 3. - С. 434-445. - DOI: 10.18287/2412-61792019-43-3- 434-445.

32. Кудрявцев, П.С. Моделирование морфологических образований на рентгенограммах грудной клетки в интеллектуальных диагностических системах медицинского назначения / П.С. Кудрявцев, А.А. Кузьмин, Д.Ю. Савинов, С.А. Филист, О.В. Шаталова // Прикаспийский журнал: управление и высокие технологии. - 2017. - № 3 (39). - С. 109-120.

33. Кудрявцев, П.С. Развитие методологии бустинга для классификации флюорограмм грудной клетки / П.С. Кудрявцев, А.А. Кузьмин, С.А. Филист // Биомедицинская радиоэлектроника. - 2016. - №9. - С. 10-15.

34. Кустикова, В.Д. Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP. Учебный курс. Лекция «Отслеживание движения и алгоритмы сопровождения ключевых точек» [Электронный ресурс] / В.Д. Кустикова // Нижегородский государственный университет им. Н.И. Лобачевского. -2013. - URL: http://www.hpcc.unn.ru/file.php?id=735 (дата обращения: 29.10.2024).

35. Куценко, С.А. Основы токсикологии: учебное пособие / С.А. Куценко. -СПб: ООО «Издательство Фолиант», 2004. - С. 550-551.

36. Лукьяница, А.А. Цифровая обработка видеоизображений / А.А. Лукьяница,

A.Г. Шишкин. - М.: "Ай-Эс-Эс Пресс", 2009. - 518 с.

37. Лунев, Е.М. Программно-алгоритмическое обеспечение приборного комплекса беспилотного летательного аппарата для определения навигационных параметров на базе фотоизображения: дис. ... канд. техн. наук : 05.13.01 / Лунев Евгений Маркович. - М., 2011. - 141 с.

38. Малютина, И.А. Методы и алгоритмы анализа рентгенограмм грудной клетки, использующие локальные окна в задачах обнаружения патологий / И.А. Малютина, А.А. Кузьмин, О.В. Шаталова // Прикаспийский журнал: управление и высокие технологии. - 2017. - №3(39). - С. 131-138.

39. Михайлов, А.П. Фотограмметрия: учебник для вузов / А.П. Михайлов, А.Г. Чибуничев; под общ. ред. А.Г. Чибуничева. -М.: Изд-во МИИГаик, 2016. - 294 с.

40. Набиев, Р.Н. Модели построения инерциальной навигационной системы для беспилотных летательных аппаратов / Р.Н. Набиев, А.З. Маммадов // Авиакосмическое приборостроение. - 2021. - № 1. - С. 12-22.

41. Отчет о научно-исследовательской работе по теме: Разработка научно-методических подходов и технологии использования беспилотных летательных аппаратов в лесном хозяйстве [Электронный ресурс]. - Пушкино, 2010. - 106 с. - URL: https://aviales.ru/files/documents/2011/08/ot_niokr.pdf (дата обращения 09.06.2023).

42. Пастушков, А.В. Метод поиска объекта на изображении / А.В. Пастушков,

B.Т. Калайда // Известия высших учебных заведений. Физика. - 2015. - Т. 58, №2 10/3. - С. 117-119.

43. Пастушков, А.В. Методы и алгоритмы поиска объекта на видеопотоке / А.В. Пастушков, В.Т. Калайда // Сборник научных трудов SWorld. - 2013. - Т. 6, № 3. - С. 38-42.

44. Пат. 2395319 Российская Федерация, МПК А 62 В 3/00. Способ мониторинга пожарной обстановки / Резников В.М., Онищенко Ю.А., Щеголькова В.В.; заявитель и патентообладатель ФГУ Всероссийский научно-исследовательский

институт по проблемам гражданской обороны и чрезвычайных ситуаций МЧС России (Федеральный центр). - №2008129952/12 ; заявл. 21.07.08 ; опубл. 27.07.10, Бюл. №21. - 5 с. : 1 ил.

45. Подлипьян, П.Е. Многофазный алгоритм решения задачи планирования полета группы беспилотных летательных аппаратов / П.Е. Подлипьян, Н.А. Максимов // Труды МАИ. - 2011. - № 43. - С. 11.

46. Польте, Г.А. Количественная оценка качества изображений с использованием методов нечеткой логики / Г.А. Польте, А.П. Саенко // Известия высших учебных заведений. Приборостроение. - 2011. - Т. 54, №. 3. - С. 32-36.

47. Поляков, Р.Ю. Метод раннего обнаружения пожара с помощью мобильных газовых пожарных извещателей / Р.Ю. Поляков, С.В. Ефимов, С.Ф. Яцун // Известия Юго-Западного государственного университета. - 2017. - №1(70). - С. 81-89.

48. Поляков, Р.Ю. Мобильная приборная платформа для системы экологического мониторинга загрязнения токсичными газами атмосферного воздуха: дис. ... канд. техн. наук : 05.13.01 / Поляков Роман Юрьевич. - Курск, 2019. - 165 с.

49. Продукты Kipod для интеллектуального видеонаблюдения [Электронный ресурс] / Официальный сайт Синезис. Видеоаналитика. - 2015. - Электрон. дан. -URL: http://synesis.ru/products (дата обращения: 14.10.2024).

50. Пятаева, А.В. Исследование методов и разработка алгоритмов обнаружения дыма на открытых пространствах по видеопоследовательностям: дис. ... канд. тех. наук : 05.13.17 / Пятаева Анна Владимировна. - Красноярк, 2016. - 157 с.

51. Семенов, А.О. Модели мониторинга и управления при ликвидации крупных пожаров / А.О. Семенов, М.О. Баканов, Д.В. Тараканов. - Иваново: Ивановская пожарно-спасательная академия ГПС МЧС России, 2018. - 128 с.

52. Семенова, Л.Л. Современные методы навигации беспилотных летательных аппаратов. - Режим доступа: https://publikacija.ru/images/ PDF/2018/27/sovremennye-metody1.pdf (дата обращения: 15.09.2023).

53. Степанов, Д.Н. Методы и алгоритмы определения положения и ориентации беспилотного летательного аппарата с применением бортовых видеокамер / Д.Н. Степанов // Программные продукты и системы. - 2014. - № 1. - С. 150- 157.

54. Суворов, Д.А. Алгоритм сопровождения TLD (aka Predator) [Электронный ресурс] / Д.А. Суворов // Разработка роботов. - 2012. - Электрон. дан. - URL: http://robot-develop.org/archives/4463 (дата обращения: 15.09.2023).

55. Тараканов, Д.В. Совершенствование модели качества мониторинга крупных пожаров и чрезвычайных ситуаций / Д.В. Тараканов, М.О. Баканов // Современные проблемы гражданской защиты. - 2018. - №. 1 (26). - С. 91-95.

56. Томакова, Р.А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений: монография / Р.А. Томакова, С.Г. Емельянов, С.А. Филист. - Курск: Юго-Зап. гос. ун-т., 2012. - 222 с.

57. Томакова, Р.А. Метод и алгоритм автономного планирования траектории полета беспилотного летательного аппарата при мониторинге пожарной обстановки в целях раннего обнаружения источника возгорания / Р.А. Томакова, С.А. Филист, А.Н. Брежнева, И.Н. Горбачев, Я.О. Заикин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2023. - Т. 13, № 1. - С. 93-110.

58. Томакова, Р.А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды MATLAB / Р.А. Томакова, С.А. Филист // Вестник Забайкальского государственного университета. - 2012. - №2 1 (80). - С. 3-9.

59. Томакова, Р.А. Программное обеспечение автоматической классификации рентгенограмм грудной клетки на основе гибридных классификаторов / Р.А. Томакова, С.А. Филист, И.В. Дураков // Экология человека. - 2018. - №2 6. - С. 59-64.

60. Удилов, В.П. Система мониторинга пожарной и экологической безопасности / В.П. Удилов, С.Г. Номинат, А.С. Кубарев, С.В. Зиневич, С.М. Демидов // Пожарная безопасность. - 2007. - № 2. - С. 125-128.

61. Фаворская, М.Н. Метод обнаружения возгораний в условиях пониженной освещенности по визуальным данным / М.Н. Фаворская, А.В. Пятаева, А.С. Пятаев // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2017): труды Всероссийской конференции (29-31 августа 2017 г., г. Бердск). - Новосибирск, 2017. - С. 300-304.

62. Федров, А. Бинаризация черно-белых изображений: состояние и перспективы развития [Электронный ресурс] / А. Федров // Научно-образовательный кластер CLAIM. - Copyright, 2006 - 2014. - URL: http://it-claim.ru/Library/Books/ITS/wwwbook/ (дата обращения 09.11.2021 г.).

63. Филатов, В.И. Система обучения визуальным понятиям на основе соотнесения лексем и ключевых точек / В. И. Филатов, А. С. Потапов // Научно-технический вестник информационных технологий, механики и оптики. - 2016. - Т. 16, № 4. - С. 689-696.

64. Филист, С.А. Автоматизированная система для классификации снимков видеoпотоков / С.А. Филист, М.В. Шевцов, В.А. Белозеров, Д.С. Кондрашов, И.Н. Горбачев, Н.А. Корсунский // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т. 11, № 4. - С. 85-105. - URL: https://swsu.ru/izvestiya/seriesivt/archiv/4_2021.pdf.

65. Филист, С.А. Автоматизированная система классификации изображений УЗИ поджелудочной железы / С.А. Филист, В.А. Белозеров, Д.С. Кондрашов, И.Н. Горбачев // Физика и радиоэлектроника в медицине и экологии с научной молодежной школой им. И.Н. Спиридонова ФРЭМЭ'2022: труды XV Международной научной конференции (28-30 июля 2022 г.). - Владимир-Суздаль, 2022. - С.221-226.

66. Филист, С.А. Автоматизированная система классификации снимков УЗИ поджелудочной железы на основе метода посегментного спектрального анализа / С.А. Филист, Д.С. Кондрашов, А.Ю. Сухомлинов, Л.В. Шульга, Ч.Х. Аль-Дарраджи, В.А. Белозёров // Моделирование, оптимизация и информационные технологии. - 2023. -Т. 11, № 4. - С. 1-19. - DOI: 10.26102/2310-6018/2023.40.1.021. - URL: https://moitvivt.ru/ru/journal/pdf?id=1302.

67. Филист, С.А. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий многокритериального выбора / С.А. Филист, М.В. Дюдин, И.В. Зуев [и др.] // Вопросы радиоэлектроники. Серия: Системы и средства отображения информации и управления спецтехникой (СОИУ). - 2015. -№1. - С.130-140.

68. Филист, С.А. Гибридная нейронная сеть с макрослоями для медицинских приложений / С.А. Филист, О.В. Шаталова, М.А. Ефремов // Нейрокомпьютеры. Разработка, применение. - 2014. - №6. - С. 35 - 69.

69. Филист, С.А. Гибридные интеллектуальные модели для сегментации изображений рентгенограмм грудной клетки / С.А. Филист, Р.А. Томакова, С.В. Дегтярев, А.Ф. Рыбочкин // Медицинская техника. - 2017. - №5. - С. 41-45.

70. Филист, С.А. Интеллектуальная система обработки изображений, получаемых с беспилотных летательных аппаратов / С.А. Филист, Р.А. Томакова, Н.Г. Нефедов, Е.И. Пузырев, И.Н. Горбачев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2022. - Т. 12, № 4. - С. 64-85.

71. Филист, С.А. Клеточные процессоры в классификаторах многоканальных изображений / С.А. Филист, Р.А. Томакова, А.Н. Брежнева, И.А. Малютина, В.А. Алексеев // Радиопромышленность. - 2019. - Т. 29, № 1. - С.45-52.

72. Филист, С.А. Метод каскадной сегментации рентгенограмм молочной железы / С.А. Филист, А.Р. Дабагов, Р.А. Томакова, И.А. Малютина, Д.С. Кондрашов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т. 9, № 1. - С. 49-61. - URL: https://swsu.ru/izvestiya/seriesivt/archiv/1_2019.pdf.

73. Филист, С.А. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур / С.А. Филист, Р.А. Томакова, О.В. Шаталова, А.А. Кузьмин, К.Д.А. Кассим // Радиопромышленность. - 2016. - №4. - С. 57-65.

74. Филист, С.А. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений / С.А. Филист, А.Р. Дабагов, Р.А. Томакова, И.А. Малютина, Д.С. Кондрашов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т. 9, № 3. - С. 44-63. - URL: https://swsu.ru/izvestiya/seriesivt/archiv/3_2019.pdf.

75. Филист, С.А. Структурно-функциональная модель мета-анализа медико-экологических данных / С.А. Филист, В.В. Уварова, А.Н. Шуткин // Вопросы радиоэлектроники. Серия «Общетехническая» (ОТ). - 2015. - Выпуск 7. - С. 102 - 110.

76. Филист, С.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / С.А. Филист, К.Д.А. Кассим, А.А. Кузьмин, О.В. Шаталова, Е.А. Алябьев // Известия Юго-Западного государственного университета. - 2016. -№4(67). - С. 56-68.

77. Шакенов, А.К. Сравнение детекторов особых точек изображений и оценка их статистических характеристик / А.К. Шакенов // Автометрия. - 2021. - Т.57, №1. -С. 11-20. - DOI: 10.15372/AUT20210102.

78. Шапошников, А.И. Компьютерное слежение с масштабированием, основанное на градиентном спуске [Электронный ресурс] / А.И. Шапошников, Е.В. Шапошникова // 21st Internationak Conference on Computer Graphics and Vision (Moscow, Russia, September 26-30). - 2011. - URL: http://www.graphicon.ru/proceedings/2011/conference/gc2011shaposhnikov.pdf (дата обращения: 14.09.2022).

79. Шаталова, О.В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография / О.В. Шаталова; Юго-Зап. гос. ун-т. - Курск, 2020. - 356 с.

80. Шаталова, О.В. Метод классификации для плохоструктурированных черно-белых изображений / О.В. Шаталова, Р.А. Томакова, Н.А. Швецова // Компьютерные науки и технологии: сборник трудов второй Международной научно-технической конференции (03-05 октября 2011 г.). - Белгород: ООО «ГиК», 2011. - С. 661-665.

81. Швецов, М.В. Автоматизированная система анализа видеоданных / М.В. Швецов, И.Н. Горбачев, Д.С. Кондрашов // Биотехнические, медицинские и экологические системы, измерительные устройства и робототехнические комплексы (Биомедсистемы-2021): cборник трудов XXXIV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов (8-10 декабря 2021 г.). -Рязань, 2021. - С. 103-106.

82. Шевцов, М.В. Мобильная система мониторинга, раннего обнаружения и оценки пожарной опасности / М.В. Шевцов, В.В. Аксёнов, Р.И. Сафронов, Л.В. Шульга, С.В. Дегтярев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т.11, № 3. - С. 8-25.

83. Шевцов, М.В. Нейросетевая система мониторинга пожарной обстановки по анализу видеоданных с беспилотных летательных аппаратов / М.В. Шевцов, И.Н. Горбачев, С.А. Филист // Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сборник статей по материалам Седьмой Всероссийской научно-практической конференции с Международным участием (25-26 октября 2021 г.). - Пермь: ПГУ, 2021. - С. 329-334.

84. Шевцов, М.В. Система мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов: дис. ... канд. техн. наук : 2.3.1. / Шевцов Максим Викторович. - Курск, 2021. - 157 с.

85. Яцун, С.Ф. Автоматизированная система контроля окружающей среды и оценки состояния людей в условиях чрезвычайных ситуаций с использованием летающего робота / С.Ф. Яцун, Н.А. Кореневский, С.В. Ефимов, Е.Н. Коровин // Медицинская техника. - 2018. - №4. - С. 52-54.

86. Abatzoglou, J. T., and A. P. Williams. 2016. "Impact of Anthropogenic Climate Change on Wildfire Across Western US Forests." Proceedings of the National Academy of Sciences of the United States of America 113 (42): 11770-11775. https://doi.org/10.1073/pnas.1607171113 .

87. Agrawal, A., B. Cashore, R. Hardin, G. Shepherd, C. Benson, and D. Miller. 2013. "Economic Contributions of Forests." In United Nations Forum on Forests Tenth Session, 132. United Nations: Istanbul, Turkey. https://www.un.org/esa/forests/wp-content/uploads/2015/12/EcoContr Forests. pdf.

88. Bakhshiev, A., and F. Gundelakh. 2017. "Application the Spiking Neuron Model with Structural Adaptation to Describe Neuromorphic Systems." Procedia Computer Science 103:190-197. https://doi.org/10.1016/j.procs.2017.01.057.

89. Beaudet, P. Rationally Invariant Image Operations / P. Beaudet // International Joint Conference on Pattern Recognition. - 1978. - Pp. 579-583.

90. Bilkent database [Electronic resourse] // Bilkent SPG. - URL: http://signal.ee.bilkent.edu.tr/VisiFire/Demo/FireClips/ (date of access 22.01.2022 y.).

91. Boer, M. M., R. H. Nolan, V. R. De Dios, H. Clarke, O. F. Price, and R. A. Bradstock. 2017. "Changing Weather Extremes Call for Early Warning of Potential for Catastrophic Fire." Earth's Future 5 (12): 1196-1202. https://doi.org/10.1002/2017EF000657.

92. Borges, J. S., J. M. Bioucas-Dias, and A. R. S. Marcal. 2011. "Bayesian Hyperspectral Image Segmentation with Discriminative Class Learning." IEEE Transactions on Geoscience and Remote Sensing 49 (6): 2151-2164. https://doi.org/10.1109/tgrs.2010.2097268.

93. Bozcan, I. Au-air: A multi-modal unmanned aerial vehicle dataset for low altitude traffic surveillance / I. Bozcan, E. Kayacan // ICRA-2020: International Conference on Robotics and Automation (31 May-31 Aug. 2020 y.). - Paris: IEEE, 2020. - Pp. 8504-8510.

94. Çelik, T. Fire and smoke detection without sensors: Image processing based approach / T. Çelik, H. Ôzkaramanli, H. Demirel // 15th European Signal Processing Conference (EUSIPCO 2007) (3-7 September 2007 y.). - Poznan: EURASIP, 2007. - Pp. 1794-1798.

95. Celik, T. Fire detection using statistical color model in video sequences/ T. Celik et al. // J. Vis. Commun. Image R. - 2007. - Vol. 18. - Pp. 176-185.

96. Çeçmeci, D., and M. K. Gullu. 2009. "Phase-Correlation-Based Hyperspectral Image Classification Using Multiple Class Representatives Obtained with K-Means Clustering." International Journal of Remote Sensing 30 (14): 3827-3834. https://doi.org/10.1080/01431160902777183.

97. Chen, T. H. An early fire-detection method based on image processing / T. H. Chen, P. H. Wu, Y. C. Chiou // International Conference on Image Processing (ICIP'04) (2427 Oct. 2004 y.). - Singapore: IEEE, 2004. - Pp. 1707-1710.

98. Chidambaram, C. Intelligent Data Engineering and Automated Learning / C. Chidambaram, S. M. Marlon, B. D. Leyza, V. N. Hugo, S. L. Heitor // 13th International Conference. Natal. Brazil. - Springer, 2012. - Pp. 143-151.

99. Colin, P. Y., M. Jappiot, and A. Mariel. 2001. Protection of Forests Against Fire. Rome, Italy: Cahier FAO Conservation.

100. D2-Net: A Trainable CNN for Joint Description and Detection of Local Features/ Mihai Dusmanu, Ignacio Rocco, Tomas Pajdla, Marc Pollefeys, Josef Sivic, Akihiko Torii, Torsten Sattler// arXiv:1905.03561v1 [cs.CV] 9 May 2019.

101. Dabagov, A.R. An Automated System for Classification of Radiographs of the Breast / A.R. Dabagov, V.A. Gorbunov, S.A. Filist, I.A. Malyutina, D.S. Kondrashov // Biomedical Engineering. - 2020. - Vol.53, No.6. - Pp. 425-428.

102. David G. Lowe. "Distinctive image features from scale-invariant keypoints." IJCV 60 (2), pp. 91-110, 2004.

103. Dedeoglu, N. Real-time fire and flame detection in video / N. Dedeoglu et al. // International Conference on Acoustics, Speech, and Signal Processing (ICASSP'05) (23 March 2005 y.). - Philadelphia: IEEE, 2005. -Vol. 2. - Pp. 669-672.

104. Eira, J. M. P., and M. N. Rui. 1995. "Study of the Causes of Forest Fires in Seven Municipalities in the Region Central Portugal." Optician Mediterr 25:79-98.

105. Enis, A.C. Video Fire Detection - Review / A.C. Enis, K. Dimitropoulos, B. Gouverneur, N. Grammalidis, O. Gunay, etc. // Digital Signal Processing. - 2013. - Vol. 23. - Pp.1827-1843.

106. FAO; UNEP. 2020. "The State of the World's Forests 2020." In Forests, Biodiversity and People, 158-161. Rome, Italy: FAO.

107. Favorskaya, M. Spatio-temporal smoke clustering in outdoor scenes based on boosted random forests / M. Favorskaya, A. Pyataeva, A. Popov // Procedia Computer Science. - 2016. - Vol. 96. - Pp. 762-771.

108. Favorskaya, M. Verification of smoke detection in video sequences based on spatio-temporal local binary patterns / M. Favorskaya, A. Pyataeva, A. Popov // Procedia Computer Science. - 2015. - Vol. 60. - Pp. 671-680.

109. Filist Sergey, Riad Taha Al-Kasasbeh, Rima Alexandrovna Tomakova, A'kif Al-Fugara, Osama M. Al-Habahbeh, Olga Shatolova, Nikolay A. Korenevskiy, Igor N. Gorbachev, Ashraf Shaqadan & Ilyash Maksim (2024) An unmanned aerial vehicle autonomous flight trajectory planning method and algorithm for the early detection of the

ignition source during fire monitoring, International Journal of Remote Sensing, 45:12, 4178-4197, DOI: 10.1080/01431161.2024.2358451 (Q1).

110. Filist Sergey, Riad Taha Al-Kasasbeh, Rima Alexandrovna Tomakova, Osama M. Al-Habahbeh, A'kif Al-Fugara, Olga Shatalova, Nikolay A. Korenevskiy, Igor N. Gorbachev, Ashraf Shaqadan & Ilyash Maksim (03 Oct 2024): Automated system for classifying images of video streams for timely detection of fires, International Journal of Remote Sensing, DOI: 10.1080/01431161.2024.2398818 (Q1).

111. Filist, S.A. Hybrid Intelligent Models for Chest X-Ray Image Segmentation / S.A. Filist, R.A. Tomakova, S.V. Degtyarev, A.F. Rybochkin // Biomedical Engineering. -2018. - Vol. 51, No.5. - Pp. 358-363.

112. Foggia, P. Real-time fire detection for video-surveillance applications using a combination of experts based on color, shape, and motion / P. Foggia, A. Saggese, M. Vento // IEEE TRANSACTIONS on circuits and systems for video technology. - 2015. - Vol. 25, No. 9. - Pp. 1545-1556.

113. Gonzalez, R.C. Digital image processing / R.C. Gonzalez, R.E. Woods. - New York: Prentice hall, 2002. - 775 p.

114. Gubbi, J., S. Marnsic, and M. Palaniswami. 2009. "Smoke Detection in Video Using Wavelets and Support Vector Machines." Fire Safety Journal 44 (8): 1110-1115. https://doi.org/10.1016/j .firesaf. 2009.08.003.

115. Guoshen, Yu. ASIFT: An Algorithm for Fully Affine Invariant Comparison, Image Processing On Line [Electronic resourse] / Yu. Guoshen, M. Jean-Michel // Image Processing On Line. - 2011 - No.1. - URL: http://www.ipol.im/pub/art/2011/my-asift/article.pdf (date of access 07.07.2022 y.).

116. Ho, C.C. Machine vision-based real-time early flame and smoke detection / C.C. Ho // Measurement Science and Technology. - 2009. - Vol. 20, No. 4. - Pp. 045502.

117. Hristov, G. Emerging methods for early detection of forest fires using unmanned aerial vehicles and lorawan sensor networks / G. Hristov et al. // 28th EAEEIE Annual Conference (EAEEIE) (26-28 Sept. 2018 y.). - Hafnarfjordur: IEEE, 2018. - Pp. 1-4.

118. Huang, J. Optical flow based real-time moving object detection in unconstrained scenes / J. Huang et al. // arXiv preprint arXiv: 1807.04890. - 2018. - Pp. 1-7.

119. Jiao, Z. A deep learning based forest fire detection approach using UAV and YOLOv3 / Z. Jiao et al. // 1st International Conference on Industrial Artificial Intelligence (IAI) (23-27 July 2019 y.). - Shenyang: IEEE, 2019. - Pp.1-5.

120. Kenneth, D.-H. A Practical Introduction to Computer Vision with OpenCV / D.H. Kenneth. - Ireland: Trinity College Dublin, Ireland, 2014, - 234 c. - ISBN 978-1-11884845-6.

121. Khan A., Gupta S., Gupta S.K. Multi-hazard disaster studies: Monitoring, detection, recovery, and management, based on emerging technologies and optimal techniques // (2020) International Journal of Disaster Risk Reduction, 47, art. no. 101642.

122. Kong H. A Generalized Laplacian of Gaussian Filter for Blob Detection and Its Applications/Hui Kong, Hatice Cinar Akakin, and Sanjay E. Sarma//IEEE TRANSACTIONS ON CYBERNETICS, VOL. 43, NO. 6, DECEMBER 2013. Pp.17191733.

123. Kudan SDK 1.2.3 version [Electronic resource] / Kudan Augmented Reality. -2023. - URL: https://www.kudan.eu/download/ (date of access 17.03.2023 y.).

124. Kumar, A. SURF feature descriptor for image analysis/Ashwani Kumar// Imaging and Radiation Research (2023) Volume 6 Issue 1 DOI: 10.24294/irr.v6i1.5643.

125. Li, P., and W. Zhao. 2020. "Image Fire Detection Algorithms Based on Convolutional Neural Networks." Case Studies in Thermal Engineering 19:100625. https://doi.org/10.1016Zj.csite.2020. 100625 .

126. Lowe, D. G. Distinctive Image Features from Scale-Invariant Keypoints / D. G. Lowe // International of computer vision. - 2004. - Pp. 28-29.

127. Mann, S. «GlassEyes»: The Theory of EyeTap Digital Eye Glass [Electronic resource] / S. Mann // IEEE Technology and Society. - 2012. - URL: http://wearcam.org/glass.pdf (date of access 05.02.2022 y.).

128. Meet Kinect for Windows [Electronic resource] / Official website Microsoft. -2023. - URL: https://dev.windows.com/enus/kinect (date of access 21.08.2023 y.).

129. Metaio [Electronic resource] / Official website Metaio. - 2024. - URL: http://www.metaio.com/ (date of access 24.05.2024 y.).

130. Mici, L., G. I. Parisi, and S. Wermter. 2018. "A Self-Organizing Neural Network Architecture for Learning Human-Object Interactions." Neurocomputing 307:14-24. https://doi.Org/10.1016/j.neu com.2018.04.015 .

131. Miller, C., and A. A. Ager. 2013. "A Review of Recent Advances in Risk Analysis for Wildfire Management." International Journal of Wildland Fire 22 (1): 1-14. https://doi.org/10.1071/ WF11114 .

132. Mirzaalian, H. Various Applying of Wavelet Transform in Digital Mammograms for Detecting Masses and Microcalsifications / H. Mirzaalian et al. // Conference on Machine Vision Applications (MVA) (16-18 May 2007 y.). - Tokyo, 2007.

- Pp. 351-354.

133. NASA. n.d. "Fire Information for Resource Management System (FIRMS)." https://firms.modaps. eosdis.nasa.gov/map/.

134. Pyataeva, A.V. Video Based Flame and Smoke Detection / A.V. Pyataeva, O.E. Bandeev // Journal of Siberian Federal University. Engineering & Technologies. - 2019. -Vol. 12(5). - Pp. 542-554.

135. Qi, X. A computer vision based method for fire detection in color videos / X. Qi, J. Ebert // International journal of imaging. - 2009. - Vol. 2, No. S09. - Pp. 22-34.

136. Rad, A. A. Fast Circle Detection Using Gradient Pair Vectors / A. A. Rad, K. Faez, N. Qaragozlou // Proc. VlIth Digital Image Computing: Techniques and Applications.

- 2003. - Pp. 879-887.

137. Rakkammal, R. S. 2023. "Forest Fire Detection and Protection Based on Convolutional Neural Network Using Deep Learning Models."

138. Rinsurongkawong, S. Fire detection for early fire alarm based on optical flow video processing / S. Rinsurongkawong, M. Ekpanyapong, M.N. Dailey // 9th International conference on electrical engineering/electronics, computer, telecommunications and information technology (16-18 May 2012 y.). - Phetchaburi: IEEE, 2012. - Pp. 1-4.

139. Roth, D. The SNoW Learning Architecture / D. Roth // Technical Report UIUCDCS-R-99-2102, UIUC Computer Science Department. - 1999. - Pp. 8- 10.

140. Shape-adapted smoothing in estimation of 3-D shape cues from affine deformations of local 2-D brightness structure/ T. Lindeberg and J. Garding //Image Vis. Comput., vol. 15, no. 6, pp. 415-434, Jun. 1997.

141. System Engineering Fundamentals. Department of defense. - Systems Management College. - Defense acquisition university press, 2001. - 216 p.

142. Taha Al-Kasasbeh, R., T. Rimma Alexandrovna, S. Filist, R. Dmitry Konstantinovich, A. Shaqadan, N. Korenevskiy, and O. Al-Habahbeh. 2022. "Local Walsh-Hadamard Spectra in Video Sequence Image Classifiers." 2022 International Engineering Conference on Electrical, Energy, and Artificial Intelligence (EICEEAI), 1-5. Zarqa, Jordan. https://doi.org/10.1109/EICEEAI56378.2022.10050467.

143. Tao, C., J. Zhang, and P. Wang. 2016. "Smoke Detection Based on Deep Convolutional Neural Networks." In 2016 International Conference on Industrial Informatics - Computing Technology, Intelligent Technology, Industrial Information Integration (ICIICII). https://doi.org/10.1109/iciicii. 2016.0045.

144. Tomakova, R. The role of hybrid classifiers in problems of chest roentgenogram classification / R. Tomakova, S. Filist, R. Veynberg, A. Brezhnev, A. Brezhneva // Advances in Intelligent Systems and Computing. - 2020. - Vol. 902. - Pp. 293-303.

145. Toreyin, B. U. Online detection of fire in video / B. U. Toreyin, A.E. Cetin // Conference on Computer Vision and Pattern Recognition (17-22 June 2007 y.). -Minneapolis: IEEE, 2007. - Pp. 1-5.

146. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features / P. Viola // Accepted Conference on Computer Vision and Pattern Recognition (CVPR 2001). - 2001. - Pp. 511-518.

147. Vuforia 5.5 SDK [Electronic resource] / Vuforia Developer Portal. - 2024. -URL: https://developer.vuforia.com/downloads/sdk (date of access 12.02.2024 y.).

148. Wang, S. A flame detection synthesis algorithm / S. Wang et al. // Fire Technology. - 2014. - Vol. 50, No. 4. - Pp. 959-975.

149. Wu D., Li Zhang, Ran R., Wu H. and Xu Y. 2021. "Forest Fire Recognition Based on Feature Extraction from Multi-View Images." Traitement du Signal 38 (3): 775783. https://doi.org/10. 18280/ts.380324.

150. Wu, S. Using popular object detection methods for real time forest fire detection / S. Wu, L. Zhang // 11th International symposium on computational intelligence and design (ISCID) (8-9 Dec. 2018 y.). - Hangzhou: IEEE, 2019. - Pp. 280-284.

151. Zhang, J. A new flame detection method using probability model / J. Zhang, J. Zhuang, H. Du // International Conference on Computational Intelligence and Security (3-6 Nov. 2006 y.). - Guangzhou: IEEE, 2006. - Pp. 1614-1617.