RU2476825C2 - Method of controlling moving object and apparatus for realising said method - Google Patents

Method of controlling moving object and apparatus for realising said method

Info

Publication number
RU2476825C2
RU2476825C2 RU2011107969A RU2011107969A RU2476825C2 RU 2476825 C2 RU2476825 C2 RU 2476825C2 RU 2011107969 A RU2011107969 A RU 2011107969A RU 2011107969 A RU2011107969 A RU 2011107969A RU 2476825 C2 RU2476825 C2 RU 2476825C2
Authority
RU
Grant status
Grant
Patent type
Prior art keywords
image
characterized
unit
additional
images
Prior art date
Application number
RU2011107969A
Other languages
Russian (ru)
Other versions
RU2011107969A (en )
Inventor
Владимир Иванович Сырямкин
Юрий Семенович Соломонов
Лев Семенович Соломонов
Лев Павлович Каменский
Виктор Станиславович Шидловский
Глеб Сергеевич Глушков
Сергей Викторович Горбачев
Антон Олегович Гафуров
Original Assignee
Государственное образовательное учреждение высшего профессионального образования Томский государственный университет (ТГУ)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Grant date

Links

Images

Abstract

FIELD: radio engineering, communication.
SUBSTANCE: cartographic reference and current images of a territory are obtained, variation parameters of the current cartographic image are compared with the reference cartographic image and noise is filtered from the images. Before comparing variation parameters of the images, preliminary coordinates of the object are determined, the section of the territory is recognised and an integral cartographic reference image is formed. Integral information-bearing parameters of the compared images are obtained, while selecting multidimensional parameters among them and increasing the latter by a value defined by the required accuracy of estimating coordinates of the object. Change in shape, topology and colour of the section of the territory is determined.
EFFECT: broader functional capabilities owing to higher accuracy, faster determination of coordinates of movement of the object and noise-immunity.
20 cl, 21 dwg

Description

Группа изобретений относится к способу управления движущимся объектом и устройству для его осуществления. The invention relates to a control method for a moving object and a device for its implementation. Область применения охватывает автоматическое и автоматизированное управление движением различных объектов, например транспортных роботов, судов, летательных аппаратов и т.д. Field of application covers an automatic and automated traffic control of various objects such as vehicles of robots, ships, aircraft, etc.

Известны и широко применяются различные способы и устройства определения координат объекта, например инерциальные, оптико-телевизионные или радиолокационные навигационные устройства [1, 2]. Known and commonly used various methods and apparatus determine coordinates of the object, such as inertial, optical TV or radar navigation device [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. The essential feature of these methods and devices is that the information obtained is analyzed in accordance with certain procedures, algorithms and theoretical models, and then concludes that the object coordinates. Так, например, вывод о местоположении объекта делается при анализе радиолокационного изображения местности [3]. For example, the output of the location of the object is made in the analysis of the radar image area. [3]

Недостатки способов и устройств заключаются в низкой точности определения координат объекта и невозможности быстрой адаптации при изменении навигационной задачи. Disadvantages of the methods and devices are in a low accuracy of determining the coordinate of the object and the inability to adapt quickly changing navigation task. Кроме этого, указанные способы и устройства имеют низкие функциональные возможности, так как они воспринимают навигационную информацию с ограниченного количества датчиков (одного, двух и трех). In addition, said methods and devices have a low functionality, since they perceive navigation information with a limited number of probes (one, two and three).

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]. As a prototype, consider a method for determining the coordinates of the object, wherein reading (perceive) the reference and current images, resulting in a pair of the compared images [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. Device implementing the method includes mapping a pointer COG (Kuiken) basic cartographic predetermined rate pointer (OKUZK), filters for noise filtering and Kuiken OKUZK unit extreme correlation-information processing (SEAL) and filter control blocks. С помощью КУИК воспринимается текущее изображение, а с помощью ОКУЗК воспроизводится эталонное изображение, которые сравниваются в БКЭОИ и определяются координаты местоположения объекта. Using Quick perceived current image and using OKUZK reproduced reference image, which are compared to SEAL and location coordinates of the object are determined.

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. The disadvantages and devices are in a low accuracy of determining the coordinates of the object due to the low noise immunity and immunity (limited ability to filter out interference TI EI and CCF), the inability to adapt quickly changing navigation task, low functionality through the use of a single image sensor (cartographic indicator true rate), low speed because of the electromechanical filtering units compared images and filter control.

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. An object is to provide a method for controlling the moving object and the device with improved functionality by increasing accuracy, speed, determining the coordinates of the object, noise immunity and immunity, and as a consequence, increase the speed performance of the navigation problem.

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 The task is achieved by the fact that, as in the known method, the claimed method of controlling a moving object is obtained cartographic reference and current image area changes parameters compare the current image with the reference cartographic mapping image, the image is filtered by the interference

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 до The difference of the proposed method from the known is the fact that before comparing parameter image change is determined preliminary position of the object, recognizing portion area formed integral cartographic reference image to obtain integral informative parameters of the compared images, selecting among them multidimensional and increasing the past by an amount determined by the required accuracy evaluation coordinates of the object, determine the change in the geometry, topology, and the color area portion, and up to олнительно подавляют помехи нейросетевой фильтрацией, а после сравнения параметров изменения изображений оценивают местоположение объекта и производят коррекцию маршрута движения объекта. olnitelno suppress interference neural network filtering, and after comparing the image change parameter estimates the position of the object and produce corrected route of the object.

При этом формируют интегральное картографическое эталонное изображение путем монтажа локальных участков территории по реперным точкам с помощью нейросетевых технологий. Thus formed integral cartographic reference image by mounting area of ​​local areas of reference points by using neural network technology.

Кроме того, получают интегральные информативные параметры сравниваемых изображений при формировании радиолокационных, телевизионных цветных или инфракрасных изображений подстилающей поверхности Земли или изображений карты звездного неба. In addition, we obtain an integral informative parameters of the images were in the formation of radar, television color or infrared images of the Earth or the underlying image maps of the sky surface.

Формируют радиолокационные или телевизионные цветные изображения по топографическим картам Земли. Forming radar or television color images of topographic maps of the Earth.

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. Determine the change in geometry, topology, and the color of the territory of the comparison to a pair of images while eliminating mismatch images on the corner of their relative rotation, scale, roll, pitch and color.

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. Also, define the geometrical parameters of the local and integral portions included in the form of perimeter, area, radius, length, width, number of contour points of inflection, the geometric center of picture elements constantly observed plots contour scanning recomputing the polar coordinate system, inverting the image forming microplans.

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. The transition to the type of image is carried out by calculating the adaptive coefficient by comparing the current and the limiting values ​​of integral informative geometric, topological parameters and color images, as well as the amplitude, spectral and structural and differential informative parameters mutually-correlation function.

Кроме того, корректируют маршрут движения объекта путем перенастройки работы устройства. In addition, the route is corrected by reconfiguring the object of the device.

Кроме того, распознают участок территории с помощью нейросетевых технологий. Also, recognize land area using neural network technology.

Целесообразно, многомерные интегральные информативные параметры сравниваемых изображений увеличивают до 1000 раз. Advantageously, the multi-dimensional integrated informative parameters of the images were increased up to 1000 times.

При этом территорией может быть наземная, подводная, воздушная территория. In this area can be terrestrial, submarine, air territory.

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-экстремаль The task is achieved by the fact that, as known claimed moving object control device comprises serially connected synchronizer block correlation-extreme information processing the primary cartographical pointer predetermined rate, flow of additional filters primary cartographical predetermined rate, the output connected to the second input of the correlation unit -extremal processing information input via the filter control unit is connected to the output of block correlation-extremal ой 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. th information processing, the latter is connected to the second input of the additional filter unit COG pointer mapping, and filter control unit is connected to the second output of the additional filter unit COG mapping and pointer control object.

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 изо What is new is the fact that it additionally comprises, firstly, connected in series flow connection of the image sensor, an adaptive neural network filter noise suppression and intelligent image processing unit, a separate output connected to the input of the image sensor connection unit, which are inserted between the output of a radar mapping true CDI and a separate entrance block extreme correlation-information processing, a separate output connected to an intelligent processing unit iso ражений, 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 навигацион expressions, and secondly, the infrared image sensor unit astrodatchikov, television images sensor unit of the satellite navigation system, imaging unit topographic map are connected by separate bidirectional connections to the block of image sensor connections, third, serially connected inertial navigation system and structural tunable control unit separate inputs connected to the outputs of correlation block-extreme information processing unit sATELLITE NAVIGATION ной 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 корр hydrochloric system block constructing images of a topographic map and the synchronizer, and separate outputs connected to the object of control and the block imaging of topographical map, wherein the separate input structurally tunable control unit is connected to the output of the control setpoint, fourthly, the unit image recognition neural network separate inputs connected to separate outputs predictive image processing unit and the synchronizer, and a separate output connected to a separate input unit corr еляционно-экстремальной обработки информации. elyatsionno-extreme processing.

Кроме того, блок подключения датчика изображения выполнен в виде многоканального мультиплексора. In addition, the image sensor unit connection is in the form of multi-channel multiplexer.

Кроме того, блок астродатчиков содержит датчики, воспринимающие карту звездного неба и радиогалактики. Furthermore, astrodatchikov unit comprises sensors sensing star map and radio galaxies.

Кроме того, блок спутниковой навигационной системы содержит ГЛОНАСС, GPS и/или ГАЛИЛЕО. In addition, the block comprises a satellite navigation system GLONASS, GPS and / or GALILEO.

Кроме того, инерциальная навигационная система включает блоки гироскопов, акселерометров, управления, контроля и обработки информации. In addition, inertial navigation system includes blocks gyroscopes, accelerometers, control, monitoring and processing of information.

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. Furthermore, the block construction of images on a topographic map comprises topographical and topological mapping the earth's surface, an image reader and a card machine at the reconfigurable computing environments.

Кроме того, телевизионный датчик изображений выполнен в виде телевизионной камеры, функционирующей в инфракрасном оптическом диапазоне, и содержит инфракрасный прожектор. Furthermore, the television image sensor is designed as a television camera operating in the infrared range of the optical and infrared illuminator contains.

Кроме того, блок дополнительных фильтров картографического указателя истинного и заданного курсов и блок управления фильтрами выполнены на перестраиваемых вычислительных средах. Furthermore, additional filter unit cartographic indicator true and a predetermined rate and filter control unit provided on reconfigurable computing environments.

Кроме того, структурно-перестраиваемый блок управления реализован на перестраиваемых вычислительных средах. Furthermore, structurally reconfigurable control unit is implemented on reconfigurable computing environments.

Предлагаемый способ и устройство иллюстрируется чертежами, представленными на фиг.1-21. The inventive method and apparatus illustrated by drawings given on fig.1-21.

На фиг.1 представлена структурная схема устройства. 1 is a block diagram of the device.

На фиг.2 представлена структурная схема интеллектуального блока обработки изображений. 2 is a block diagram of a predictive image processing unit.

На фиг.3 представлена структурная схема блока корреляционно-экстремальной обработки информации. 3 is a block diagram of a block-extreme correlation processing.

На фиг.4 представлена структурная схема адаптивного нейросетевого фильтра подавления помех. 4 is a block diagram of a neural network of the adaptive noise filter.

На фиг.5 представлена схема формального нейрона. 5 is a diagram of a formal neuron.

На фиг.6 представлена нейронная сеть. 6 is a neural network.

На фиг.7 представлены используемые в способе шаблоны особенностей изображений (при применении нейросетей). 7 shows a method used in image features templates (using neural networks).

На фиг.8 представлена структура многомерного запоминающего устройства основного картографического указателя заданного курса. 8 shows the structure of a multidimensional mapping main memory pointer predetermined rate.

На фиг.9 представлено поле информативных параметров (ИП) основного радиолокационного картографического указателя заданного курса. Figure 9 is informative field parameters (SP) of the primary radar mapping indicator predetermined rate.

На фиг.10 представлено поле ИП основного инфракрасного картографического указателя заданного курса. 10 is a main field SP infrared cartographic indicator predetermined rate.

На фиг.11 представлено поле ИП основного телевизионного картографического указателя заданного курса. Figure 11 is a television field SP main cartographic indicator predetermined rate.

На фиг.12 представлено поле ИП основного астрономического картографического указателя заданного курса. 12 is a main field of astronomical SP mapping indicator predetermined rate.

На фиг.13 представлено поле ИП основного спутникового картографического указателя заданного курса. 13 is a main field SP satellite mapping indicator predetermined rate.

На фиг.14 представлено поле ИП основного топографического картографического указателя заданного курса. Figure 14 is a main field SP topographical mapping indicator predetermined rate.

На фиг.15 представлена структурная схема основного картографического указателя заданного курса. 15 is a block diagram of the basic cartographic indicator predetermined rate.

На фиг.16 представлена структурная схема структурно-перестраиваемого блока управления. 16 is a block diagram structurally tunable control unit.

На фиг.17 представлен вариант исполнения блока перестраиваемой вычислительной среды. 17 shows an embodiment of reconfigurable computing environment block.

На фиг.18 представлена структурная схема блока подключения датчика изображения. 18 is a structural block diagram of the image sensor is connected.

На фиг.19 представлен новый вид взаимно-корреляционной функции (ВКФ) при различных размерах элементов изображений и различных типах изображений. 19 is a new type of one-correlation function (CCF) for different sizes of image elements, and different types of images.

На фиг.20 представлены графики зависимостей точностных характеристик устройства от крутизны ВКФ или от геометрических характеристик изображений. Figure 20 is a plot of the accuracy characteristics of the device on the steepness of TCF or the geometric characteristics of the images.

На фиг.21 представлен вид ВКФ при различных типах изображений. Figure 21 is a view CCF for different types of images.

На фиг.1 даны следующие обозначения: 1 are given the following designations:

1 - объект управления (ОУ); 1 - the control object (OS);

2 - дополнительный инфракрасный датчик изображений (ИДИ); 2 - optional infrared image sensor (IDN);

3 - дополнительный блок астродатчиков (БА); 3 - astrodatchikov additional unit (BA);

4 - радиолокационный картографический указатель истинного курса (РКУИК); 4 - radar mapping pointer COG (RKUIK);

5 - дополнительный телевизионный картографический указатель истинного курса (ОТДИ); 5 - additional television mapping pointer COG (OTDI);

6 - дополнительный спутниковый картографический указатель истинного курса (БСНС); 6 - additional satellite mapping pointer COG (SSAS);

7 -инерциальная навигационная система (ИНС); 7 -inertsialnaya navigation system (INS);

8 - дополнительный формирователь картографического указателя истинного курса по топографической карте (блок построения изображений по топографической карте) (БПИТК); 8 - additional mapping indicator generator true heading of the topographic map (block constructing images of a topographic map) (BPITK);

9 - блок подключения датчика изображений (БПДИ); 9 - unit connecting the image sensor (BPDI);

10 - интеллектуальный блок обработки изображений (ИБОИ); 10 - intelligent image processing unit (IBOI);

11 - структурно-перестраиваемый блок управления (СПБУ); 11 - structurally reconfigurable control unit (SFDR);

12 - синхронизатор; 12 - synchronizer;

13 - блок управления фильтрами (БУФ); 13 - a filter control block (FCB);

14 - блок дополнительных фильтров картографического указателя истинного курса (БДФКУИК); 14 - additional unit filters COG mapping pointer (BDFKUIK);

15 - блок дополнительных фильтров основного картографического указателя заданного курса (БДФОКУЗК); 15 - additional filters main unit cartographic indicator predetermined rate (BDFOKUZK);

16 - основной картографический указатель заданного курса (ОКУЗК); 16 - basic cartographic predetermined rate pointer (OKUZK);

17 - блок корреляционно-экстремальной обработки информации (БКЭОИ); 17 - block-extreme correlation information processing (SEAL);

18 - адаптивный нейросетевой фильтр подавления помех (АНФПП); 18 - adaptive neural network interference suppression filter (ANFPP);

19 - блок нейросетевого распознавания изображений (БНРИ). 19 - unit neural network image recognition (BNRI).

Определение координат объекта с помощью предлагаемых способов и устройства осуществляется при сравнении изображений различных размерностей и цветностей на основе вычисления оценки: Determining the coordinates of the object using the inventive methods and devices is carried out by comparing the images of different dimensions and chromaticity by calculating the evaluation:

Figure 00000001

где R - мера близости текущего изображения (картографического указателя истинного курса) и эталонного изображения (картографического указателя заданного курса); where R - measure of proximity of the current image (mapping true CDI) and the reference image (mapping predetermined CDI);

F 1 (λ), F 2 (λ,ν) - функции, описывающие картографические указатели истинного и заданного курсов соответственно; F 1 (λ), F 2 (λ, ν) - a function describing the true mapping indexes and predetermined rates respectively;

λ, ν - соответственно постоянная и переменная части параметров. λ, ν - respectively a constant and a variable part of the parameters.

Сначала рассмотрим алгоритмы, способные функционировать с произвольными изображениями (с произвольным расположением элементов ТИ и ЭИ). First consider algorithms capable of operating with arbitrary images (with arbitrary elements TI and EI).

Известно [5], что если угол разворота между ТИ и ЭИ равен нулю α=0), то координаты главного максимума ВКФ определяются следующими выражениями: It is known [5] that if the rotation angle between TI and EI is zero α = 0), the coordinates of the principal maximum CCF given by the following expressions:

Figure 00000002

где Where

Figure 00000003
, .
Figure 00000004
- координаты центров тяжести совпадающих элементов ТИ, ЭИ соответственно; - the coordinates of the centers of gravity coinciding elements TI EI respectively; a, b - относительные смещения коррелируемых изображений. a, b - relative displacement of correlated images.

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 If angular alignment image coordinate system associated with the registration plane of the TI and CCF, fixed, and EI is rotated around the optical axis of the correlator, the coordinates of the principal maximum CCF determined approximately

Figure 00000005

Для точного определения координат главного максимума следует произвести преобразование выражения (3) следующим образом: To accurately determine the coordinates of the principal maximum conversion should be made of expression (3) as follows:

Figure 00000006

Выражения (4) означают перевычисления координат, связанных с ТИ, в координаты, связанные с ЭИ. Expressions (4) denote coordinate recomputation associated with TI in coordinates associated with the EI.

Очевидно, что при использовании алгоритма (3) возникает ошибка в вычислении линейных координат Obviously, when using algorithm (3) there is an error in calculating linear coordinates

Figure 00000007

Таким образом, если Thus, if

Figure 00000008

то, чтобы δ' ξ =δ' η =0, необходимо сначала определить приближенные значения ξ 1 , η 1 , а затем вычислить точные координаты по формулам (4). then to δ = δ' η = 0, we must first determine the approximate values of ξ 1, η 1, and then calculate the exact coordinates of the formulas (4).

Пользуясь (3) и методами геометрической оптики, можно также записать Using (3) and geometric optics methods, can also be written

Figure 00000009

Из (7) следует, что, если From (7) it follows that if

Figure 00000010

то при угловом совмещении изображений линейные координаты не зависят от угла разворота ТИ и ЭИ относительно исходного положения и характеризуются только. the linear coordinates do not depend on the angle of rotation and ee TI relative to the starting position and are characterized only when the angular alignment of images. выражениями (2). expressions (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. Thus, when combining the images were unchanged EI rotation must either specify the approximate values ​​of the coordinates received, or in order to simplify the process of calculating the coordinates of the center of rotation combine EI gravity and the center of the image with the optical axis of the correlator.

Рассмотрим теперь применение данного алгоритма в случае использования дифференцированного метода определения координат, при котором знаки координат вычисляются следующим образом: Consider now the application of the algorithm in the case of using the differential method for determining coordinates, wherein the coordinate marks are calculated as follows:

Figure 00000011

где Z 1 ÷Z 4 - сигналы, характеризующие освещенность соответствующего квадранта корреляционной плоскости. wherein Z 1 ÷ Z 4 - signals characterizing respective quadrant correlation illumination plane.

В выражении (9) знак Δ 1 соответствует координате η, а знак Δ 2 - координате ξ. In expression (9) Δ mark 1 corresponds to the coordinate η, and the symbol Δ 2 - coordinate ξ.

Выражение (9) справедливо в случае, если центр вращения ЭИ и центр тяжести изображения совмещены с оптической осью коррелятора, а разворот ЭИ не превышает угол π/2. Expression (9) holds in case EI rotation center and the center of gravity of the image of the correlator are aligned with the optical axis, and EI reversal does not exceed the angle π / 2. При развороте ЭИ на угол больше, чем π/2, знаки уже будут: When turning on the EI angle greater than π / 2, the signs have to be:

Figure 00000012

Как видно из сопоставления выражений (9), (10) при развороте ЭИ на угол, превышающий π/2, в определении линейных координат возникают ошибки As can be seen from a comparison of the expressions (9) and (10) when turning EI at an angle greater than π / 2, in the definition of the linear coordinate errors occur

Figure 00000013

Выражение (11) следует понимать так: величина ошибки по координате ξ соответствует значению смещения Δη по координате η, а величина ошибки по координате η - значению смещения Δξ по координате ξ. Equation (11) should be understood as follows: the error value of the coordinate corresponds to the value ξ Δη offset coordinate η, a value of the error in the coordinate η - Δξ coordinate value ξ offset.

Для устранения ошибок δξ α ; To eliminate errors δξ α; δη α . δη α. необходимо, используя априорную информацию о развороте ЭИ относительно корреляционной плоскости, подключать сигналы Z 1 ÷Z 4 , снимаемые с выхода фотоприемника, к соответствующим входам блока оценки линейных координат. necessary, using a priori information about the turn EI regarding the correlation plane, connect signals Z 1 ÷ Z 4 taken from the output of the photodetector to the respective inputs of the evaluation unit linear coordinates.

При распознавании цвета элементов территории определяется цвет зоны, «окрашенной» в какой-либо тон или спектр, на основе следующего правила: In recognition of the color elements of the areas determined by the color of the zone, "painted" in a tone or range, based on the following rules:

Figure 00000014

где Ц к , Ц з , Ц с , Ц п , Ц ж , Ц г , Ц б - соответственно уровни красного, зеленого, синего, where C k, C s, C s, C p, C f, C r, C b -, respectively, the levels of red, green, blue,

пурпурного, желтого, голубого, белого цветов, magenta, yellow, blue, white,

J R , J G , J B - соответственно ВКФ, характеризующие красный, зеленый и синий цвета. J R, J G, J B - TCF respectively characterizing the red, green and blue colors. Таким образом, по сочетанию ВКФ J R , J G , J B можно определить любой цвет зоны Thus, by combining TCF J R, J G, J B can define any zone Color

исследуемой поверхности. investigated surface.

Слагаемые ВКФ описываются следующими выражениями: CCF terms described by the following expressions:

Figure 00000015

где Where

Figure 00000016
- функция описывающая цветное ТИ (в системе координат X 1 , O 1 , Y 1 ); - a function describing color TI (in the coordinate system X 1, O 1, Y 1);

Figure 00000017
Figure 00000018
Figure 00000019
- функции, описывающие ЭИ (в системах координат - function describing the EI (in the coordinate system
Figure 00000020
, .
Figure 00000021
, .
Figure 00000022
), пропускающие соответственно красную R, зеленную G и синюю В компоненту цвета; ), Respectively transmissive red R, Green G and Blue B color component;

K - коэффициент пропорциональности. K - coefficient of proportionality.

Геометрические характеристики зон исследуемой поверхности определяются следующими известными выражениями. Geometrical characteristics of the investigated surface areas determined by the following well known expressions.

Figure 00000023

Figure 00000024

где X C , Y C - координаты центра «тяжести» структурного элемента зоны изображения; where X C, Y C - center coordinates "gravity" of a structural element of the image area;

ΔM KX , ΔM KY - элементарные моменты по направлению соответствующих осей; ΔM KX, ΔM KY - elementary points toward the respective axes;

N к - число точек (пиксел) в контуре; To N - the number of points (pixels) in the loop;

i - номер контура; i - the contour number;

S СЭ - площадь структурного элемента зоны изображения, ограниченного контуром; S FE - area structural element of the image area bounded by the loop;

K Ф - коэффициент формы; K F - shape ratio;

P - периметр контура; P - perimeter contour;

П i - перегиб контура; P i - bend contour;

Nп - число перегибов контура; Nn - number of kinks circuit;

j - номер перегиба i-ого контура. j - number of inflection i-th circuit.

Площадь S СЭ и периметр Р структурного элемента определяются при обходе контура зоны. Area S FE and the perimeter P of the structural element are determined by traversing the area contour. После получения необходимой информации происходит сопоставление текущей и эталонной информации (изображений) в соответствии с выражением (1): After obtaining the necessary information, and there is a comparison of the current reference information (images) in accordance with expression (1):

Figure 00000025

где Where

Figure 00000026
, .
Figure 00000027
, .
Figure 00000028
, .
Figure 00000029
, .
Figure 00000030
, .
Figure 00000031
- матрицы информативных признаков (параметров) текущих изображений, формируемых в данный момент времени радиолокационным, инфракрасным, телевизионным, астрономическим, спутниковым и топографическим картографическим указателями истинного курса, соответственно; - matrix informative features (parameters) of the current image generated in a given time radar, infrared, television, astronomy, satellite and topographical mapping COG pointers, respectively;

Figure 00000032
Figure 00000033
Figure 00000034
Figure 00000035
Figure 00000036
Figure 00000037
- матрицы информативных признаков (параметров) эталонных изображений (запоминаемых заранее), формируемых радиолокационным, инфракрасным, телевизионным, астрономическим, спутниковым и топографическим картографическим указателями заданного курса, соответственно. - matrix informative features (parameters) of the reference images (stored in advance), formed by the radar, infrared, television, astronomy, satellite and topographical mapping pointers predetermined rate, respectively.

Эти матрицы могут формироваться в виде снимков (фотографий) и математических моделей территорий. These matrices can be formed in the form of images (pictures) and mathematical models territories.

Устройство работает в двух режимах: подготовка эталона и измерение (определение координат). The device operates in two modes: standard preparation and the measurement (determination of coordinates). В режиме подготовки эталона формируется эталонное изображение (ЭИ), характеризующее требуемое положение ОУ 1 и обеспечивающее заданное решение навигационной задачи. In the mode of preparation reference is generated reference image (EI), characterizing the desired position OU 1 and provides a predetermined navigation problem solution. 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. For this purpose connected via BPDI 9 by a signal from synchronizer 12, all image sensors IDN 2 BA 3 RKUIK 4 OTDI 5 SSAS 6 and BPITK 8 is read out of the image, processed image IBOI 10 and recorded in OKUZK 16 which is a recording unit (storage) EI. На этом режим работы устройства «подготовка эталона» заканчивается. In this "training standard" mode of the device ends.

В режиме «измерение (определение координат)» устройство работает следующим образом. In the "measurement (determination of coordinates)" device operates as follows. 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. On a signal from the synchronizer 12 includes SEAL 17, 11 SFDR, ANN 7, 10 and IBOI BPDI 9 which connects IDN image sensors 2, 3 BA, RKUIK 4 OTDI 5, 6 and SSAS BPITK 8. Additional infrared image sensor 2 receives IDN a thermal image of the Earth's surface, and the additional television mapping pointer COG OTDI 5 - color images of the Earth's surface. Дополнительный блок астродатчиков БА 3 формирует оптико-телевизионное изображение карты Звездного неба или карты радиополя Звездного неба. The additional block astrodatchikov BA 3 generates optical-television picture sky map or maps radiofield starry sky. РКУИК 4 считывает радиолокационное изображение (РЛИ) поверхности Земли. RKUIK 4 reads the radar image (RLI) of the Earth surface. 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 ад SSAS 6 receives the signals from navigation satellites and determines the preliminary (rough) control OS coordinates of the object 1, which are proportional to the signals received in the jack-up 11. In addition, the signals are sent through SSAS 6 BPDI 9 in intelligent image processing unit 10. IBOI unit 8 synthesizes BPITK TI using pre navigational coordinates OS control object 1 obtained from the ANN SSAS 7 and 6. All signals describing the current image received IDN 2 BA 3 RKUIK 4 OTDI 5 BFNC BPITK 6 and 8, proceed through 9 and BPDI hell птивный 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). ptivny neural network filter 18 suppressing interference ANFPP (18 ANFPP embodiment represented in Figure 4) in the intelligent IBOI image processing unit 10, which performs the following operations: transformation of TI or dot contour image selection electronically informative part (s) TI transformation TI by a given law, filtration from the TI distinct parts (interference). 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). Thus IBOI 10 takes on BNRI 19 BDFKUIK 14 BDFOKUZK OKUZK 15 or 16 full (not transformed) image (10 IBOI embodiment represented in Figure 2). После этого включается блок нейросетевого распознавания изображений БНРИ 19, который сравнивает (распознает) изображения территории (вариант исполнения представлен на фиг.5, 6). After that the neural network recognition unit images BNRI 19 which compares (recognizes) the image area (an embodiment represented in Figure 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 (ξ, η) объекта следующим образом: Thereafter FCB 13 includes BDFKUIK BDFOKUZK 14 and 15 which are optically eliminate additional divergent parts of images on OKUZK 16 and cartographic true heading pointer supplied from IBOI 10. Further SEAL 17 determines the coordinates (ξ, η) of the object as follows:

Figure 00000038

где Where

Figure 00000039
, .
Figure 00000040
- фильтры, представляющие собой маску с прозрачной областью, равной размеру кадров КУИК и ОКУЗК; - filters constituting a mask with a transparent area equal to the size of frames and Kuiken OKUZK;

Figure 00000041
- 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; - filter formed as a mask, in which the picture elements are transparent, the shape and arrangement identical EI, and boundary picture elements on the mask extended in comparison with EI an amount equal to the total error of the proposed device;

Z 3 (ξ',η') - фильтр, представляет собой диафрагму. Z 3 (ξ ', η') - the filter is a diaphragm.

Причем фильтры And filters

Figure 00000042
, .
Figure 00000043
обеспечивают фильтрацию помех основного картографического указателя заданного курса 16, а фильтр Z 3 (ξ',η') - фильтрацию побочных максимумов взаимно-корреляционной функции. provide noise filtering basic cartographic predetermined rate pointer 16, and the filter 3 Z (ξ ', η') - filtering side maximums mutually-correlation function. Сигналы, пропорциональные величинам ξ', η', 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. Signals proportional quantities ξ ', η', come from SEAL 17 structurally reconfigurable control unit 11, which uses information from SSAS 6, 7 and INS BPITK 8, controls the movement of the control object 1. When changing operational tasks on SFDR 11 receives respective control signals from the control setpoint. Информация с CПБУ 11 поступает также на БПИТК 8. Information from CPBU 11 is also supplied to BPITK 8.

На этом один цикл работы устройства заканчивается. In this device one cycle of operation is terminated. Следующий цикл начинается снова по сигналу от синхронизатора 12. The next cycle begins again by a signal from synchronizer 12.

На фиг.2 представлена структурная схема интеллектуального блока обработки изображений 10. ИБОИ 10 состоит из следующих блоков: 2 is a block diagram of a predictive image processing unit 10. IBOI 10 consists of the following units:

20 - блок выделения контуров (БВК); 20 - contour extracting unit (IOO);

21 - блок формирования точек (БФТ); 21 - unit for forming dots (CFT);

22 - блок инвертирования (БИ); 22 - inverting unit (BI);

23 - блок перевычисления в другие системы координат (БПДСК); 23 - recalculating unit into other coordinate system (BPDSK);

24 - блок выделения постоянно наблюдаемых частей изображения (БВПНЧИ); 24 - extracting unit constantly observed image parts (BVPNCHI);

25 - блок фильтрации несовпадающих частей изображения (БФНЧИ); 25 - filter unit distinct parts of the image (BFNCHI);

26 - блок формирования микроплана (БФМ); 26 - forming unit microplans (BPSK);

27 - блок формирования развертки контура (БФРК); 27 - unit for forming the scanning circuit (BFRC);

28 - блок вычисления координат центра «тяжести» изображения (БВКЦТИ); 28 - unit calculating center coordinates "gravity" Image (BVKTSTI);

ИБОИ 10 работает следующим образом. IBOI 10 operates as follows.

Во время функционирования ИБОБ 10 реализуются алгоритмы сегментации и кодирования изображения. During operation IBOB 10 realizes an image segmentation and encryption algorithms. Сегментацией называют процесс разбиения изображения рабочей сцены на составные части: объекты, их фрагменты или характерные особенности. Segmentation is the process of partitioning the working scene image into its constituent parts: objects, their fragments or characteristics. Под кодированием понимают сжатие видеоинформации для хранения в памяти ИБОИ [3]. Under compression coding realize video for storage in memory IBOI [3]. На этом этапе возможны следующие режимы работы ИБОИ: At this stage, the following modes IBOI:

1-й режим - без преобразования изображения - использование обычных (полных) изображений; 1st mode - without converting the image - the use of conventional (complete) images;

2-й режим - преобразование полных изображений в контурные (формирование контуров элементов изображения или формирование развертки контуров изображений); 2nd mode - full conversion into outline images (image forming elements or circuits forming image scan circuits);

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); 3rd mode - full images to conversion point (e.g., by the imaging field contour points of inflection by calculating the coordinates of the center of gravity of a part or the entire image);

4-й режим - выделение информативной части (частей) изображения (инвертирование, выделение постоянно-наблюдаемых частей - селекция элементов изображения); 4th mode - selection informative part (s) of the image (invert, selection always-observable portions - selection of image elements);

5-й режим - преобразование изображения по заданному закону (перевычисление в другие системы координат); 5th mode - the image conversion for a given law (recomputation other coordinate system);

6-й режим - фильтрация изображений от несовпадающих частей (экстраполяция смещения изображения, использование режима микроплана изображения применение адаптивной нейросетевой фильтрации). 6th mode - filtering images from distinct parts (extrapolation image shift, image utilization mode microplans use adaptive neural network filtering).

Выбор режима работы ИБОИ основывается на некоторых характеристиках изображения и ВКФ. Selecting the operating mode IBOI based on certain characteristics of the image and the CCF. 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: It uses the geometric characteristics of the elements of complete images (S GT - an object area, l - length (or width) of the object, S mu -map characterizing the object area and the interference and the frame (screen) image sensor (S E - Area, l E - . diameter (width and height)) To change the operation mode IBOI (i.e., image sensor) uses the following relationships:

Figure 00000044

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: Equations (17), easy to implement in software or hardware, to be used as criteria for switching operation modes some intelligent image processing unit 10. In this case, the transition to another mode must perform, if observed, one (or several) of the following conditions:

Figure 00000045

где K* s , K* е , K* s , ΔS* - критические (предельные) значения соответствующих величин K s , K e , K' s , ΔS, превышение которых обусловит сбой в работе БКЭОИ 17 (величины K s , K e , K* s , K* е получены экспериментально). wherein K * s, K * f, K * s, ΔS * - critical (limit) values the corresponding values K s, K e, K ' s, ΔS, above which will cause a malfunction SEAL 17 (value K s, K e , K * s, K * e obtained experimentally).

Ясно, что K s , K e следует использовать при отсутствии помех на ТИ, а K' s , ΔS - при наличии помех на ТИ. It is clear that K s, K e should be used when there is no interference on the TI and K 's, ΔS - in the presence of noise on the TI. Возможны также ситуации, когда режимами работы ИБОИ 10 нужно управлять, используя два критерия: один - при отсутствии помех, другой - при их наличии. There are also situations where modes IBOI 10 need to be controlled using two criteria: one - in the absence of interference, the other - if any. Таким образом, по величинам K s , K e , K' s , ΔS принимается решение о выборе какого-либо режима работы ИБОИ 10. Thus, the values of K s, K e, K ' s, ΔS decision on selecting an operating mode IBOI 10.

Дадим схему выбора основных режимов (решающее правило РП) работы ИБОИ 10: We give a basic mode selection circuit (decision rule RP) work IBOI 10:

1-й режим используется при K s ≤K* s , K e ≤K* е , K' s ≤K'* s , ΔS≤ΔS*; 1st mode is used when K s ≤K * s, K e ≤K * e, K 's ≤K' * s , ΔS≤ΔS *;

2-й режим применяется при K s >K* s , K e >K* е , K' s ≤K'* s , ΔS≤ΔS*, при этом помехи не должны искажать контур объекта; 2nd mode is used when K s> K * s, K e> K * e, K 's ≤K' * s , ΔS≤ΔS *, the interference should not distort the outline of the object;

3-й режим используется при K s >K* s , K e >K* е , K' s >K'* s , ΔS>ΔS*; The third mode is used when K s> K * s, K e> K * e, K 's> K' * s, ΔS> ΔS *;

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; 4th mode is used when the previous modes of use does not give a positive effect, in particular if the TI elements fluctuate in luminescence brightness and coordinates, and an informative part TI TI is not perceived by the sensor;

5-й режим применяется в случае, если необходимо обеспечить оценку угловой координаты с высокой точностью, не используя при этом вращения ЭИ; 5th mode is applied if necessary to provide an estimate of angular position with high accuracy, without using the rotation EI;

6-й режим используется, если K s >K* s , ΔS>ΔS*. 6th mode is used when K s> K * s, ΔS > ΔS *. Критические значения K* s , K* e , K* s , ΔS выбираются на основе предварительных исследований с учетом желаемых точностных характеристик предлагаемого устройства. Critical values K * s, K * e, K * s, ΔS chosen based on preliminary studies with the desired accuracy characteristics of the device.

Информация от ИБОИ 10 поступает на БПДИ 9, который определяет адаптивный коэффициент K a , используя выражение (17), (18) и решающее правило РП. Information from IBOI 10 enters the BPDI 9 which determines the adaptive coefficient K a, using expression (17), (18) and a decision rule RP. По этому коэффициенту K a выбирается структура сравниваемых изображений и тип используемого датчика изображения. By this coefficient K a selected structure compared images and the type of image sensor.

На фиг.3 представлена структурная схема блока корреляционно-экстремальной обработки информации 17. 3 is a block diagram of the block correlation-extreme 17 of information processing.

БКЭОИ 17 состоит из следующих блоков: SEAL 17 consists of the following units:

29 - формирователь корреляционной функции (КФ); 29 - shaper correlation function (CF);

30 - анализатор КФ; 30 - KF analyzer;

31 - классический корреляционный вычислитель (KB); 31 - the classical correlation evaluator (KB);

32 - КВ с фильтрацией; 32 - HF filtering;

33 - КВ с совмещением ТИ и ЭИ по углу (КВСТИЭИУ); 33 - HF with combining TI and EI on the corner (KVSTIEIU);

34 - КВ без совмещения ТИ и ЭИ по углу (КВБСТИЭИУ); 34 - HF without combining TI and EI on the corner (KVBSTIEIU);

35 - безэталонный (динамический) KB (БДКВ); 35 - standardless (dynamic) KB (BDKV);

36 - KB с заданным расположением слагаемых ВКФ (КВЗРСВКФ); 36 - KB to specify the location of terms CCF (KVZRSVKF);

37 - KB с разложением цвета (КВРЦ); 37 - KB color with decomposition (KVRTS);

38 - классический корреляционный анализатор (КА); 38 - the classical correlation analyzer (CA);

39 - КА с коррекцией координат (КАКК); 39 - SC-correction coordinates (BAKC);

40 - дифференцированный КА (ДКА); 40 - differential SC (DFA);

41 - разностный КА (РКА); 41 - difference KA (PKA);

42 - спектральный КА; 42 - spectral satellites;

43 - структурный КА; 43 - structure SC;

44 - квадратичный КА (ККА); 44 - quadratic KA (CSA);

45 - стереоскопический КА; 45 - Stereoscopic SC;

46 - линейный КА (ЛКА); 46 - line SC (LCA);

47 - КА с экстраполяцией (КАЭ); 47 - spacecraft with extrapolation (CEA);

48 - адаптивный КА; 48 - Adaptive SC;

49 - амплитудный КА. 49 - SC amplitude.

БКЭОИ 17 работает следующим образом. SEAL 17 operates as follows. Формирователь корреляционных функций (КФ) реализует следующие способы формирования КФ. The driver of the correlation functions (CF) provides the following methods for forming the CF. Наиболее прост классический корреляционный анализатор (КА) 38, вычисляющий ВКФ или интеграл свертки. The most simple classical correlation analyzer (SC) 38 that computes the convolution integral or CCF. КА в классическом варианте требует значительных вычислительных мощностей для осуществления операций умножения и интегрирования при всех сдвигах и разворотах ТИ и эталонного изображения (ЭИ). SC classically embodiment requires significant processing power to implement the multiplication and integration operations for all shifts and turns of the TI and the reference image (EI). КА с фильтрацией 32 обеспечивает фильтрацию (пространственную или иную) от помех ТИ, ЭИ и ВКФ. SC 32 with filtration provides filtering (spatial or otherwise) from TI interference EI and CCF. 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. SC-registration EI TI and the angle 33 compared to the AC without angular alignment of images 34 permits reversal TI at any angle and requires a circular rotating EI angularly relative to TI. Безэталонный KB 35 синтезирует ВКФ с помощью последовательной перезаписи ТИ и ЭИ и основан на использовании динамического коррелятора [5]. Standardless KB 35 synthesizes the CCF via the serial overwriting and TI and EI is based on a dynamic correlator [5]. КА, формирующий слагаемые ВКФ по заданному закону 36, характеризуется конструкцией коррелятора и определенным расположением элементов ТИ и ЭИ. SC forming terms CCF by a given law 36, characterized by the design of the correlator and specific arrangement of elements EI and TI. KB с разложением на цвета 37 обеспечивает формирование ВКФ, соответствующих слагаемым цвета изображений. KB decomposed to color formation 37 provides TCF corresponding term color images. Применение конкретного формирователя КФ обуславливается задачей, выполняемой БКЭОИ и следовательно предлагаемым устройством. Application specific shaper KF caused task performed SEAL and therefore the proposed device. Анализатор КФ 30 работает следующим образом. KF analyzer 30 operates as follows. Амплитудный КА 49 необходимую информацию извлекает на основе оценки амплитуды главного максимума ВКФ. Amplitude SC 49 extracts the necessary information on the basis of the amplitude evaluation of the principal maximum CCF. Это самый простой КА. This is the easiest spacecraft. 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. Higher accuracy characteristics compared to the AC amplitude peak 49 provides the modified correlation calculation in which necessary information is extracted by analyzing the parameters (width, slope) CCF. КА с коррекцией координат 39 допускает непрерывное вращение ЭИ при угловом совмещении изображений. SC-correction-coordinate 39 permits continuous rotation at an angular alignment EI images. При этом полученная грубая оценка координат уточняется. Thus obtained crude estimate coordinates specified. 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. The differential 40 is also carried spacecraft angular rotation and ee coordinate correction by switching the respective photodetector quadrants CF analyzer 30. Difference SC 41, based on a chip unit vyaislenii difference bremsstrahlung intensity and ee for computing the volume has an advantage over the classical SC 38, requires multiplication operations. Спектральный КА 42, определяющий угловую координату, основан на Фурье-преобразовании и вычисляет различие спектров ТИ и дискретно развернутых ЭИ. Spectral SC 42, which determines the angular coordinate, based on Fourier transform and calculates the difference between the spectra of the TI and discretely deployed EI. 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). Structural (linguistic or syntactic) spacecraft 43 is based on three procedures: edge extraction TI allocation descriptor (lines defined shapes segments) and a description of their parameters, syntactic analysis using grammar (classification). При реализации алгоритма КА 43 производится сравнение признаков, а не полных изображений. When implementing the algorithm compares the SC 43 features, rather than the entire image. Это значительно снижает необходимый объем памяти предлагаемого устройства и уменьшает объем вычислительных операций. This significantly reduces the memory requirements of the device and reduces the amount of computational operations.

Квадратичный КА 44 реализуется путем возведения в квадрат корреляционной функции, за счет чего увеличивается разница между главным и побочным (побочными) максимумами. Quadratic spacecraft 44 is implemented by squaring the correlation function, thereby increasing the difference between the main and side (side) maxima. Это значительно повышает помехоустойчивость предлагаемого устройства. This greatly improves the noise immunity of the device.

Стереоскопический и линейный модифицированные КА 45, 46 предназначены для сравнения трехмерных изображений (т.е. анализа трехмерных сцен). Stereoscopic and modified linear spacecraft 45, 46 are designed for comparing three-dimensional images (i.e., analysis of three-dimensional scenes). При этом стереоскопический КА 45 основан на корреляционной оценке параллакса, а линейный модифицированный - на корреляционном сравнении совокупности плоских (двухмерных) изображений территории в рабочей зоне. In this stereoscopic satellites 45 based on the correlation estimate parallax, and the linear modified - by comparing the correlation set of planar (two-dimensional) images included in the working area.

КА с экстраполяцией 47 осуществляет фильтрацию ТИ и ЭИ путем прогнозирования смещения ТИ. KA with extrapolation 47 performs filtering by EI TI and TI prediction offset. Однако такой КА 47 требует априорной информации о смещении объекта в рабочей зоне. However, such a spacecraft 47 requires a priori information about the displacement of the object in the work area.

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. Adaptive spacecraft 48 synthesized based on the above-described SC and performs adjustment parameters of the device (e.g., isolation of informative signs TI regulation sensitivity KF analyzer TI filtration, EI and CCF et al.) In the presence of noise on the compared images and changing situation in the working area. Выбор конкретного алгоритма определяется задачей, выполняемой устройством. The particular algorithm is determined by the task performed by the device.

На фиг.4 представлена структурная схема адаптивного нейросетевого фильтра подавления помех (АНФПП) 18. 4 is a block diagram of a neural network of the adaptive noise filter (ANFPP) 18.

АНФПП решает задачу выделения полезного сигнала, искаженного широкополосной помехой, с помощью нейросети, которая выступает здесь фильтром, подавляющим широкополосную помеху (шум). ANFPP solves the problem of separating the desired signal, the distorted wideband interference, using a neural network, which here acts filter suppressing broadband interference (noise). Рассмотрим случай, когда полезный сигнал искажается широкополосной помехой, при этом не имеется внешнего эталонного сигнала, содержащего сам полезный сигнал. Consider the case where the useful signal is distorted wideband interference, thus there is no external reference signal containing a useful signal itself. В общем случае для уменьшения или исключения такого вида помехи нельзя применять адаптивное устройство подавления помехи. In general, to reduce or eliminate this type of interference it is impossible to apply adaptive interference suppression. Однако при получении эталонного сигнала непосредственно из входного сигнала через заданную задержку, как показано на фиг.4, можно подавить широкополосную помеху. However, when the reference signal is received directly from the input signal by a predetermined delay, as shown in Figure 4, can suppress the interference broadband.

АНФПП состоит из следующих элементов: ANFPP consists of the following elements:

50, 51-сумматоры; 50, 51, adders;

52 - линия задержки; 52 - the delay line;

53 - фильтр. 53 - filter.

На фиг.4 через m[k]=m(t k ), t k =k*dt обозначен полезный гармонический сигнал. 4 through m [k] = m (t k), t k = k * dt denotes useful harmonic signal. Через v[k]=v(t k ) обозначена широкополосная помеха. Through v [k] = v (t k) denotes wideband interference. 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). The input signal is denoted by x [k] = x (t k), (x [k] = m [k] + v [k]), and the reference signal is denoted by 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 . Through y [k] = y (t k), denotes the signal at the filter output, and y [k] = M [k ], where M [k] - estimation signal m [k] at time t k of time. Через e[k]=e(t k ) обозначена разность между x[k] и y[k], причем e[k]=x[k]-y[k]. Through e [k] = e (t k) denotes the difference between x [k] and y [k], where e [k] = x [k ] -y [k]. Здесь через dt обозначен интервал дискретности измерений. Here, dt denotes the interval through discreteness of measurements.

Нейросетевой блок распознавания изображений базируетсся на применении различных типов нейронных сетей [6, 7]. Nejrosetevoj image recognition unit is based on the use of different types of neural networks [6, 7]. Нейронная сеть (НС) состоит из элементов, называемых формальными нейронами, которые имитируют работу нейронов коры головного мозга. Neural network (NN) consists of elements called neurons formal, which mimic operation of neurons of the cerebral cortex. Каждый нейрон преобразует набор сигналов, поступающих к нему на вход, в выходной сигнал. Each neuron transforms the set of signals supplied thereto to the input to the output. Пример формального нейрона показан на фиг.5. EXAMPLE formal neuron is shown in Figure 5. Структура нейронной сети приведена на фиг.6. The structure of the neural network shown in Figure 6.

Между отдельными нейронами может существовать связь, и именно связи между нейронами, кодируемые весовыми коэффициентами, играют ключевую роль в функционировании НС. Between individual neurons may be a link, and that the connections between neurons encoded weights, play a key role in the functioning of the National Assembly. Связи между нейронами на фиг.6 обозначены латинской буквой W. Индекс в верхней части обозначает принадлежность весового коэффициента слою. Connections between neurons are indicated in Figure 6 Latin letter W. at the top of Index represents the weight coefficient belonging layer. Одним из преимуществ НС является возможность параллельного функционирования всех элементов, чем существенно повышается эффективность решения задачи в целом. One of the advantages of the National Assembly is the possibility of parallel operation of all the elements than significantly increasing the efficiency of solving the problem as a whole. Эта особенность НС успешно используется в системах распознавания образов. This feature of the National Assembly has been successfully used in pattern recognition systems. Нейронная сеть имеет входы Х и выходы Y, представляя собой систему, которая формирует выходное состояние в зависимости от входного. The neural network has inputs X and outputs Y, introducing a system that generates output state depending on the input. Наличие весовых коэффициентов, которые можно определять алгоритмически, позволяет придать НС важнейшее свойство - способности обучаться. The presence of weighting coefficients that can be determined algorithmically, allows us to give the National Assembly the most important property - the ability to learn. На сегодняшний день существует огромное количество алгоритмов подстройки весов, которые успешно справляются с задачей обучений нейронной сети. To date, there are plenty of tuning algorithms weights that successfully cope with the task of training a neural network.

Рассмотрим алгоритм распознавания изображений территории с помощью нейронной сети. Consider the image recognition algorithm territory with the help of neural networks. Допустим, что на фотографии (эталонном изображении) представлен образ изображения и система распознавания должна его идентифицировать. Let us assume that in the picture (reference image) is represented by the image and the image recognition system must identify it. Для проведения правильной идентификации система должна быть этому обучена. To carry out correct identification system should be trained in this. 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). Since the digital picture is a matrix of intensity values, for example for black and white photography grayscale gradation extends from 0 (black) to 255 (white). Таким образом, на вход нейронной сети можно подать значение каждого пикселя цифровой фотографии в виде информационной матрицы векторов Thus, the input of the neural network can apply the value of each pixel of the digital image in the form of an information matrix vectors

Figure 00000046
. .

Предположим, что система обучена узнавать 10 изображений территории. Assume that the system is trained to recognize 10 images territory. Следовательно, выходной слой нейронной сети должен содержать 10 нейронов, каждый из которых «обучен узнавать» соответствующую территорию. Consequently, the output layer of the neural network should contain 10 neurons, each of which is "trained to learn" the appropriate territory. Если на выходе какого-либо нейрона сигнал является максимальным по отношению к другим, то этот нейрон является «победителем» распознавания. If the output of a neuron signal is maximized in relation to the others, then this neuron is a "winner" recognition. Поскольку он связан с образом определенной территории из этой десятки, то идентифицированным будет та территория, которой соответствует данный нейрон. Because it is associated with the image of a certain area of ​​this ten, it will be the identified area, which corresponds to the neuron.

Заметим, что при применении всех описанных методов для распознавания изображений трехмерных объектов возникают трудности, связанные с пространственными поворотами и изменением условий освещенности. Note that the application of the described methods for detecting three-dimensional images of objects there are difficulties associated with spatial bends and changes in the lighting conditions. Изображения для различных углов поворота объекта могут существенно различаться, а часть информации на изображении теряться. The images for different angles of rotation of an object can vary significantly, and some of the information in an image lost. Существенными являются трудности, связанные с внутриклассовыми вариациями. Significant are the difficulties associated with the intraclass variations. Для территорий такими вариациями являются изменение цвета, освещенности и геометрических характеристик территории. For areas such variations are changing color, brightness and geometric characteristics of the territory.

Человек при распознавании образов неосознанно привлекает огромный запас контекстных знаний, который накапливает на протяжении всей своей жизни. Man in Pattern Recognition unconsciously attracted a huge stock of contextual knowledge, which accumulates throughout his life. 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. Neural network method implemented in the navigation computer program "Neyrokiber" trained neural network, potentially allowing to simulate occurring in pattern recognition processes in the human brain, which in the first approximation can be represented in the form of a neural network of great complexity.

Рассмотрим результаты экспериментальных исследований программы «Нейрокибер». Consider the results of experimental studies of the program "Neyrokiber". После получения текущего кадра изображения проводится его последующая загрузка в буфер модуля поиска аномального участка на изображении территории (или поиск другого изображения). After receiving the current image frame is performed subsequent loading it into the buffer module of the anomalous portion of the image search site (search or another image).

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. Search module anomalous portion of the image detection area for the image regions containing the data objects or suspected data changes for subsequent transmission to the contents of these areas changes modulo recognition based on neural networks. Модуль поиска аномального участка на изображении территории реализует алгоритм обнаружения объектов с использованием каскадов классификаторов, работающих с подобными особенностями. Search module anomalous portion of the image area detection algorithm implements objects using cascade classifiers working with similar features.

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). The algorithm uses the stored cascade classifiers generated as a result of "training" stage to the array of "positive" images (containing data changes) and "negative" images (images of the same size, portions containing no changes site).

После загрузки каскада он может быть применен к участку на изображении. After loading stage it can be applied to a portion of the image. Результатом операции является значение «1», если участок содержит похожий на аномальный участок на изображении территории, и значение «0» в ином случае. The result of operation is set to "1" if the portion includes similar to the anomalous portion in the image area, and the value "0" otherwise. 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. When the full image analysis stage is scaled several times and "moves" over the entire image to detect abnormal areas in the image area, located at different areas of the image.

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». The word "cascade classifiers" in the algorithm name means that under the same name object contains several levels of classifiers that successively, level by level, applied to the test portion of the image, until one of the levels of the image portion will be recognized as "negative", or all the levels will be passed and the area of ​​the image will be recognized as "positive". Хаар-подобные особенности являются входами отдельных классификаторов и рассчитываются следующим образом (см. фиг.7). Haar-like features of the individual classifiers are inputs and are calculated as follows (see. Figure 7).

Особенность, используемая в конкретном классификаторе, задается ее положением внутри рассматриваемого участка изображения, масштабом и шаблоном (фиг.7). Feature classifier used in a specific, defined by its position within the considered portion of the image, and scale template (Figure 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. For example, in the case of the third linear feature (7, 2c template) response is calculated as the difference between the image pixels under the rectangle comprising all full feature (two white stripes and black stripes in the middle) and the sum of the image pixels under the black stripe multiplied by 3, to compensate for the difference in the amount of space.

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. From the combination of these features abnormal portion searching unit detects the image area in the image area all containing abnormal portions in the image area, cuts and passes the processing module for recognition of anomalous portion of the image area based on neural networks.

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. Module detection of anomalous area in the image area based on neural networks at startup provides a database to read the neural network trained to recognize this change your computer's memory.

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; When the abnormal portion searching unit transmits the image area of ​​the image area, which contains the anomalous portion, based on the neural network recognition unit takes the image of the pixels shown in the range [-1; +1], на вход обученной нейронной сети. +1], to the input of the trained neural network. В результате на ее выходе значение +1 появляется на нейроне, соответствующем одному из сохраненных в базе данных типу изменения изображения (или типу изображения). As a result at its output the value 1 appears on the neuron corresponding one of the stored data in the database changes the type of images (or image type). Остальные нейроны в этом случае должны иметь значение -1. The other neurons in this case should have a value of -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». Otherwise, the interference due to impact during recognition (e.g., low or uneven lighting, a large turning angle of the vehicle, etc.) values ​​are different from 1. If the difference exceeds a predetermined threshold during compilation, then the object is considered to be abnormal and the unrecognized portion detection module image area based on neural network returns the string "unknown land". 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. Upon successful recognition module recognizing the anomalous portion of the image area based on neural network performs a search in the database, mapped to the detected change in the line (a description of this change), and returns it as a recognition result. Программа «Нейрокибер» выделяет идентифицированный аномальный участок на изображении территории. The program "Neyrokiber" highlights the identified abnormal portion of the image area.

Так как задача, решаемая нейронной сетью, классификация, то для решения данной задачи нейронной сети достаточно одного выхода. Since the problem to be solved by the neural network, classification, then to solve this problem of the neural network only one exit. Выходное значение нейронной сети находится в интервале [-1; The output value of the neural network is in the range [-1; 1], что соответственно означает отсутствие или присутствие исследуемого объекта на классифицируемом изображении. 1], which respectively means the absence or presence of the test object on the classified image.

Входной слой размером 28×32 нейронов служит для подачи входного образа в нейронную сеть. The input layer of 28 × 32 neurons is used to supply the input image in a neural network. 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. Following the input layer is convolutional layer C1, which consists of five planes and performs convolution of the input image using synaptic mask of size 5 × 5.

Размер сверточной плоскости определяется в соответствии со следующим выражением: Size convolution plane is determined in accordance with the following expression:

Figure 00000047
. .

h c =h u -K+1, h c = h u -K + 1,

где w u , h u - ширина и высота сверточной плоскости соответственно; where w u, h u - width and height of the convolution plane, respectively;

w c , h c - ширина и высота плоскости следующего слоя; w c, h c - the width and height of the plane of the next layer;

K - ширина (высота) окна сканирования. K - the width (height) of the scan window.

Размер плоскости сверточного слоя С1 составляет 24×28 нейронов. Size convolutional C1 plane layer is 24 × 28 neurons.

Рецептивные области нейронов пересекаются. The receptive field of neurons intersect. Нейроны извлекают одни и те же особенности входного изображения независимо от их точного местоположения. Neurons extracted same features of the input image regardless of their exact location. Следующий за слоем С1 подвыборочный слой S1 состоит из 5 карт характеристик и обеспечивает локальное усреднение и подвыборку. The next layer of C1 subsample layer S1 consists of 5 cards characteristics and provides local averaging and subsampling. После операции подвыборки точное местоположение и специфические признаки каждой особенности становятся менее важными, что дает довольно большую степень инвариантности данной сети. After operation subsample precise location and specific attributes of each particular become less important, which makes it a fairly large degree of invariance of the network. Каждая плоскость слоя S1 связана лишь с одной плоскостью слоя С1. Each plane S1 layer associated with only one plane of the C1 layer. Размер каждой плоскости слоя S1 12×14 нейронов, что вдвое меньше, чем размер плоскости предыдущего слоя. The size of each layer plane S1 × 12 14 neurons that less than half the size of the previous layer plane. Сверточный слой С2 состоит из 20 плоскостей размером 8×10 нейронов, слои S1 и С2 перекрестно связаны. C2 convolutional layer consists of 20 planes of size 8 × 10 neurons, the layers S1 and C2 are cross linked. Различные карты особенностей необходимы для извлечения различных характеристик, потому что они получают различные наборы входов. Various features of the card needed to extract various characteristics, because they receive different sets of inputs. Таким образом, сети добавляется способность объединять различные виды особенностей, чтобы составлять новые, менее зависящие от искажений входного изображения. Thus, the network adds the ability to integrate different types of features to be new, less dependent on the input image distortion. Слой S2 состоит из 20 плоскостей, по каждой на одну плоскость слоя С2, размер каждой плоскости 4х5 нейронов. The layer S2 consists of 20 planes each plane C2 on one layer, the size of each plane 4x5 neurons. Слои N1 и N2 содержат простые сигмоидальные нейроны. The layers N1 and N2 contain simple sigmoidal neurons. Роль этих слоев состоит в обеспечении классификации, после того как выполнены извлечение особенностей и сокращение размерности входа. The role of these layers is to provide classification performed after extraction of the characteristics and reducing input dimensionality. 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. The layer 20 is N1 neurons (one for each plane S2 layer), each neuron fully connected to each neuron only one plane S2 layer, it transmits the result through the activation function. Единственный нейрон слоя N2 полностью связан со всеми нейронами слоя N1. The only N2 layer neuron is fully connected to all the neurons N1 layer. Роль этого нейрона состоит в вычислении окончательного результата классификации. The role of this neuron is to calculate the final result of the classification. Выход этого нейрона используется для классификации входного образа на заданную территорию и произвольную (случайную) территорию. The output of this neuron is used to classify the input image of a predetermined area and an arbitrary (random) territory.

В основе всех способов обучения положен единый принцип - минимизация ошибки. At the heart of all the ways of learning laid a single principle - minimizing mistakes. В многослойных сетях оптимальные значения нейронов всех слоев, кроме последнего слоя, как правило, не известны. In multilayer networks, the optimal values ​​of the neurons of all layers except for the last layer is usually not known. Поэтому такие сети уже невозможно обучить, руководствуясь только величинами ошибок на выходах нейронной сети. Therefore, such a network is no longer possible to train, guided only by the values ​​of the error on the outputs of the neural network. 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. The basic idea of ​​the method used backpropagation is that the error signal is distributed from the network outputs to its inputs, in the direction opposite to the direction of propagation of signals in normal operation.

Для тестирования программы были выбраны 150 заданных и 50 произвольных изображений территории. To test the program, and 150 set an arbitrary image area 50 have been chosen. Методика тестирования заключалась в следующем. testing procedure was as follows. При подаче первого изображения в нейронную сеть весовые коэффициенты генерировались случайным образом. When applying the first image to the neural network weights are generated randomly. Для остальных изображений веса корректировались последовательно с учетом ранее вычисленных значений. For the remaining weight of images successively corrected in view of the previously calculated values. Для произвольных образов первоначальное значение весовых коэффициентов было взято из расчета заданных образов. For arbitrary initial images weighting values ​​were taken from the calculation given images. Затем веса последовательно корректировались путем обработки изображений. weight is then sequentially corrected by image processing.

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. Test results - responses the program - are given in Tables 1 and 2. Thus, to solve the problem of image classification can be effectively used artificial neural networks, namely convolution neural network as having resistance to changes in scale, shift, rotation, change the angle and other distortions that is very important for image processing.

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. Tests have shown that a program "Neyrokiber" is able to memorize the real-time via a built-in tool for adding new database abnormal areas in the image area and then detect abnormal areas of the image area with fixed lighting conditions.

Таблица 1 Table 1
Результаты тестирования нейронной сети на заданных изображениях территории The test results of the neural network to set the image area
number Отклик сети response network number Отклик сети response network number Отклик сети response network number Отклик сети response network number Отклик сети response network
1 1 0,992 0,992 31 31 0,999 0,999 61 61 0,989 0,989 91 91 0,999 0,999 121 121 0,999 0,999
2 2 0,999 0,999 32 32 0,999 0,999 62 62 0,999 0,999 92 92 0,979 0.979 122 122 1,000 1,000
3 3 1,000 1,000 33 33 0,980 0.980 63 63 0,999 0,999 93 93 0,989 0,989 123 123 ,1,000 , 1,000
4 4 0,999 0,999 34 34 1,000 1,000 64 64 0,999 0,999 94 94 0,995 0.995 124 124 0,999 0,999
5 5 0,999 0,999 35 35 0,999 0,999 65 65 0,999 0,999 95 95 1,000 1,000 125 125 0,998 0,998
6 6 0,999 0,999 36 36 1,000 1,000 66 66 1,000 1,000 96 96 0,999 0,999 126 126 0,996 0,996
7 7 0,999 0,999 37 37 0,993 0.993 67 67 1,000 1,000 97 97 0,974 0.974 127 127 0,999 0,999
8 8 0,986 0.986 38 38 1,000 1,000 68 68 0,999 0,999 98 98 0,999 0,999 128 128 1,000 1,000
9 9 0,999 0,999 39 39 0,995 0.995 69 69 0,999 0,999 99 99 1,000 1,000 129 129 1,000 1,000
10 10 1,000 1,000 40 40 1,000 1,000 70 70 1,000 1,000 100 100 1,000 1,000 130 130 0,999 0,999
11 eleven 0,999 0,999 41 41 0,999 0,999 71 71 0,972 0.972 101 101 1,000 1,000 131 131 1,000 1,000
12 12 1,000 1,000 42 42 0,999 0,999 72 72 0,999 0,999 102 102 1,000 1,000 132 132 1,000 1,000
13 13 0,999 0,999 43 43 1,000 1,000 73 73 0,988 0.988 103 103 0,999 0,999 133 133 0,955 0,955
14 14 0,988 0.988 44 44 0,999 0,999 74 74 1,000 1,000 104 104 1,000 1,000 134 134 0,999 0,999
15 15 0,999 0,999 45 45 1,000 1,000 75 75 1,000 1,000 105 105 0,959 0.959 135 135 0,999 0,999
16 16 0,994 0.994 46 46 0,999 0,999 76 76 0,991 0.991 106 106 0,999 0,999 136 136 1,000 1,000
17 17 1,000 1,000 47 47 0,982 0.982 77 77 1,000 1,000 107 107 1,000 1,000 137 137 1,000 1,000
18 18 0,999 0,999 48 48 0,998 0,998 78 78 1,000 1,000 108 108 0,996 0,996 138 138 1,000 1,000
19 19 0,999 0,999 49 49 1,000 1,000 79 79 0,999 0,999 109 109 0,993 0.993 139 139 1,000 1,000
20 20 1,000 1,000 50 50 1,000 1,000 80 80 0,999 0,999 110 110 1,000 1,000 140 140 0,999 0,999
21 21 1,000 1,000 51 51 0,999 0,999 81 81 1,000 1,000 111 111 1,000 1,000 141 141 0,999 0,999
22 22 0,955 0,955 52 52 0,998 0,998 82 82 1,000 1,000 112 112 1,000 1,000 142 142 0,999 0,999
23 23 1,000 1,000 53 53 1,000 1,000 83 83 1,000 1,000 113 113 1,000 1,000 143 143 0,999 0,999
24 24 0,960 0.960 54 54 0,987 0,987 84 84 1,000 1,000 114 114 0,999 0,999 144 144 0,969 0.969
25 25 1,000 1,000 55 55 0,999 0,999 85 85 0,962 0.962 115 115 0,999 0,999 145 145 0,999 0,999
26 26 1,000 1,000 56 56 0,999 0,999 86 86 0,981 0.981 116 116 0,995 0.995 146 146 1,000 1,000
27 27 0,994 0.994 57 57 1,000 1,000 87 87 1,000 1,000 117 117 1,000 1,000 147 147 1,000 1,000
28 28 0,999 0,999 58 58 0,996 0,996 88 88 1,000 1,000 118 118 0,998 0,998 148 148 1,000 1,000
29 29 1,000 1,000 59 59 0,999 0,999 89 89 0,999 0,999 119 119 1,000 1,000 149 149 1,000 1,000
30 thirty 1,000 1,000 60 60 1,000 1,000 90 90 0,999 0,999 120 120 0,999 0,999 150 150 1,000 1,000

Таблица 2 table 2
Результаты тестирования нейронной сети на произвольных изображениях территории The test results of the neural network on the territory of any image
number Отклик сети response network number Отклик сети response network number Отклик сети response network number Отклик сети response network
1 1 -0,999999 -0.999999 14 14 -0,999984 -0.999984 27 27 -0,999999 -0.999999 40 40 -0,999999 -0.999999
2 2 -0,999999 -0.999999 15 15 -0,999999 -0.999999 28 28 -0,999999 -0.999999 41 41 -0,999999 -0.999999
3 3 -0,999999 -0.999999 16 16 -0,999999 -0.999999 29 29 -0,999999 -0.999999 42 42 -0,999999 -0.999999
4 4 -0,999999 -0.999999 17 17 -0,999999 -0.999999 30 thirty -0,999999 -0.999999 43 43 -0,999999 -0.999999
5 5 -0,999999 -0.999999 18 18 -0,999999 -0.999999 31 31 -0,999999 -0.999999 44 44 -0,999999 -0.999999
6 6 -0,999999 -0.999999 19 19 -0,999999 -0.999999 32 32 -0,999999 -0.999999 45 45 -0.999981 -0.999981
7 7 -0,999999 -0.999999 20 20 -0,999999 -0.999999 33 33 -0,999999 -0.999999 46 46 -0,999999 -0.999999
8 8 -0,999999 -0.999999 21 21 -0,999999 -0.999999 34 34 -0,999999 -0.999999 47 47 -0,999999 -0.999999
9 9 -0,999999 -0.999999 22 22 -0,999999 -0.999999 35 35 -0,999999 -0.999999 48 48 -0,999999 -0.999999
10 10 -0,999999 -0.999999 23 23 -0,999983 -0.999983 36 36 -0,999999 -0.999999 49 49 -0,999999 -0.999999
11 eleven -0,999999 -0.999999 24 24 -0,999999 -0.999999 37 37 -0,999999 -0.999999 50 50 -0,999999 -0.999999
12 12 -0,999983 -0.999983 25 25 -0,999999 -0.999999 38 38 -0,999999 -0.999999
13 13 -0,999999 -0.999999 26 26 -0,999999 -0.999999 39 39 -0,999999 -0.999999

На фиг.8 представлена структура многомерного запоминающего устройства основного картографического указателя заданного курса, который включает следующие элементы: 8 shows the structure of a multidimensional mapping main memory pointer predetermined course, which includes the following elements:

55 - основной радиолокационный картографический указатель заданного курса (ОРКУЗК); 55 - primary radar mapping predetermined rate pointer (ORKUZK);

56 - основной инфракрасный картографический указатель заданного курса (ОИКУЗК); 56 - the main infrared mapping predetermined rate pointer (OIKUZK);

57 - основной телевизионный картографический указатель заданного курса (ОТКУЗК); 57 - the main television cartographic predetermined rate pointer (OTKUZK);

58 - основной астрономический указатель заданного курса (ОАКУЗК); 58 - basic astronomical predetermined rate pointer (OAKUZK);

59 - основной спутниковый картографический указатель заданного курса (ОСКУЗК); 59 - primary satellite mapping predetermined rate pointer (OSKUZK);

60 - основной топографический картографический указатель заданного курса (ОТУЗК); 60 - the main topographical mapping predetermined rate pointer (OTUZK);

61-66 - реперные метки (начало первой строки кадра изображения); 61-66 - fiducial marks (the beginning of the first image frame lines); соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59), ОТКУЗК (60); respectively ORKUZK (55) OIKUZK (56) OTKUZK (57) OAKZK (58) OSKUZK (59) OTKUZK (60);

67-72 - реперные метки (конец первой строки кадра изображения); 67-72 - fiducial marks (the end of the first image frame lines); соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59), ОТКУЗК (60); respectively ORKUZK (55) OIKUZK (56) OTKUZK (57) OAKZK (58) OSKUZK (59) OTKUZK (60);

73-78 - реперные метки (начало последней строки кадра изображения) соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59). 73-78 - fiducial marks (the beginning of the last line of the image frame), respectively ORKUZK (55) OIKUZK (56) OTKUZK (57) OAKZK (58) OSKUZK (59). ОТКУЗК (60); OTKUZK (60);

79-84 - реперные метки (конец последней строки кадра изображения) соответственно ОРКУЗК (55), ОИКУЗК (56), ОТКУЗК (57), ОАКЗК (58), ОСКУЗК (59), ОТКУЗК (60). 79-84 - fiducial marks (the end of the last line of the image frame), respectively ORKUZK (55) OIKUZK (56) OTKUZK (57) OAKZK (58) OSKUZK (59) OTKUZK (60).

Многомерный основной картографический указатель заданного курса представляет собой многослойную цифровую модель или фотографию изображения. Multivariate basic cartographic predetermined rate pointer is a multilayer model of a digital image or picture.

На фиг.9 представлено поле информативных параметров (ИП) основного радиолокационного картографического указателя заданного курса (РЗ). Figure 9 is informative field parameters (SP) of the primary radar mapping predetermined rate pointer (RP). Здесь введены следующие обозначения: Here the following notation:

Figure 00000048
Figure 00000049
- координаты центра «тяжести» элемента изображения в системе координат XOY; - coordinates of the "gravity" of the center pixel in the XOY system of coordinates;

Figure 00000050
- коэффициент формы; - shape ratio;

Figure 00000051
- число перегибов контура элемента изображения; - the number of bends of the picture element circuit;

Figure 00000052
- площадь элемента изображения; - the area of ​​the picture element;

Figure 00000053
- периметр элемента изображения; - the perimeter of the image element;

a - элементы изображения; a - image elements;

i, j - координаты пикселя в системе координат XOY. i, j - pixel coordinates in the coordinate system XOY.

На фиг.10 показано поле ИП основного инфракрасного картографического указателя заданного курса (ИЗ). 10 shows the main SP field infrared mapping predetermined rate pointer (IZ). Здесь все обозначения соответствуют обозначениям, представленным на фиг.9. Here all the notation correspond to those shown in Figure 9.

На фиг.11 представлено поле ИП основного телевизионного картографического указателя заданного курса. Figure 11 is a television field SP main cartographic indicator predetermined rate. Здесь введены следующие обозначения: Here the following notation:

Figure 00000054
, .
Figure 00000055
, .
Figure 00000056
, .
Figure 00000057
, .
Figure 00000058
, .
Figure 00000059
, .
Figure 00000060
- соответственно, уровни красного, зеленого, синего, пурпурного, желтого, голубого и белого цветов; - respectively, the levels of red, green, blue, magenta, yellow, blue and white;

Figure 00000061
, .
Figure 00000062
, .
Figure 00000063
- соответственно, длина, ширина и ориентация элемента изображения (угол между продольной осью элемента и осью системы координат изображения); -, respectively, the length, width and orientation of the picture element (the angle between the longitudinal axis of the member and the axis of the image coordinate system);

Figure 00000064
, .
Figure 00000065
, .
Figure 00000066
, .
Figure 00000067
, .
Figure 00000068
- значения обозначений соответствуют обозначениям, представленным на фиг.9. - values ​​designations correspond to those shown in Figure 9.

На фиг.12 показано поле ИП основного астрономического картографического указателя заданного курса (A3). 12 shows the main SP astronomical field mapping predetermined rate pointer (A3). Здесь введены следующие обозначения: Here the following notation:

Figure 00000069
, .
Figure 00000070
, .
Figure 00000071
- соответственно, координаты центра «тяжести» элементов (совокупности изображений звезд) ОАКУЗК; - respectively, the coordinates of the "gravity" center elements (images set of stars) OAKUZK;

Figure 00000072
- угол между продольной осью совокупности ориентиров (звезд) и какой-либо осью системы координат XOY; - the angle between the longitudinal axis of the plurality of landmarks (star) and any XOY axis coordinate system;

Figure 00000073
Figure 00000074
- координаты элементов изображения, преобразованные в полярную систему координат; - the coordinates of the image elements converted into the polar coordinate system;

Figure 00000075
- количество звезд; - the number of the stars;

Figure 00000076
, .
Figure 00000077
- соответственно, минимальный и максимальный радиус-векторы локальных (или интегральных) участков изображений; -, respectively, the minimum and maximum radius vectors of the local (or integral) image portions;

а - элементы изображения. and - elements of the image.

На фиг.13 представлено поле ИП основного спутникового картографического указателя заданного курса (СЗ). 13 is a main field SP satellite mapping indicator predetermined rate (SOC). Здесь введены следующие обозначения: Here the following notation:

r ij , ν ij - соответственно, радиус (орбиты), угловая скорость и ускорение спутника; r ij, ν ij - respectively, the radius (orbit), the angular velocity and acceleration of the satellite;

Figure 00000078
, .
Figure 00000079
- координаты центра «тяжести» локального участка (интегральной площади) изображения; - coordinates of the center "gravity" local area (integrated area) of the image;

α ij - угол между продольной осью локального участка или интегральной площади изображения; α ij - the angle between the longitudinal axis of the local area or integral image area;

а - элементы изображения. and - elements of the image.

На фиг.14 дано поле ИП основного топографического картографического указателя заданного курса (ТПЗ). 14 is given field SP main topographical mapping predetermined rate pointer (SMI). Здесь введены следующие обозначения: Here the following notation:

Figure 00000080
- высоты соответствующих уровней z трехмерного изображения территорий; - height of the respective levels of the three-dimensional image z areas;

остальные значения обозначений соответствуют обозначениям, представленным на фиг.9, 10, 11, 12. other values ​​designations correspond to those shown in Figure 9, 10, 11, 12.

Основные значения обозначений, представленных на фиг.9 - 14, определяются выражениями (2)-(14). Basic value notation presented on 9 - 14, defined by the expressions (2) - (14).

Многомерное запоминающее устройство основного картографического указателя заданного курса работает следующим образом. Multivariate main memory mapping predetermined rate indicator operates as follows. В режиме записи (подготовки) эталонного изображения в картографические указатели заданного курса 55-60 записывается эталонное изображение. In recording mode (preparation) in the cartographic reference picture indexes predetermined rate 55-60, the reference image is recorded. 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. In this case, points 61-84 are placed fiducial marks (optical or electronic), via which ensures the correct "crosslinking" image frame when mounting the integral main cartographic indicator predetermined rate. Сшивание происходит по правилу: конец первой строки i-го кадра изображения - начало первой строки (i+n)-го кадра изображения; Crosslinking occurs according to the rule: the first end of the line i-th image frame - the beginning of the first row (i + n) -th picture frame; конец последней строки 1-го кадра изображения - начало последней строки (i+n)-го кадра изображения. end of the last row 1 st image frame - the beginning of the last row (i + n) -th picture frame.

На фиг.15 представлена структурная схема основного картографического указателя заданного курса (ОКУЗК) 16, который включает следующие изделия: 15 is a block diagram of the basic cartographic indicator predetermined rate (OKUZK) 16, which includes the following products:

85 - многомерное запоминающее устройство (МЗУ85); 85 - multidimensional memory (MZU85);

86 - блок управления записью-считыванием (БУЗС86); 86 - control unit recording-reading (BUZS86);

87 - блок смещения, разворота и смены кадра изображения (БСРСКИ87). 87 - the bias unit, the rotation and shift of the image frame (BSRSKI87).

ОКУЗК 16 работает следующим образом. OKUZK 16 operates as follows. 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; By signals from the unit extreme correlation-information processing 17 is carried out by recording the corresponding image predictive image processing unit 10 via the image recording unit 86 in the multidimensional storage device 85; это изображение затем из многомерного запоминающего устройства поступает в блок дополнительных фильтров основного картографического указателя заданного курса 14. This image is then from the multidimensional storage unit enters the main cartographic additional filters pointer 14 a predetermined rate.

На фиг.16 представлена структурная схема структурно-перестраиваемого блока управления (СПБУ) 11. 16 is a block diagram structurally tunable control unit (SFDR) 11.

СПБУ состоит из следующих блоков: SFDR is composed of the following units:

88 - блока функционального преобразователя входных сигналов (БФПвх); 88 - functional block converter input (BFPvh);

89 - блока перестраиваемой вычислительной среды (БПВС); 89 - block reconfigurable computing environment (BPVS);

90 - блока настройки (БН); 90 - tuner (BN);

91 - блока функционального преобразователя выходных сигналов (БФПвых). 91 - functional block converter output signals (BFPvyh). 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; A key component of the control unit is considered BPVS 89. Under BPVS 89 we mean a set of (Z k, V, Q) , where Z k - the set of k-dimensional vectors with integer coordinates defining nodes k-dimensional integer lattice; V={v 1 , v 2 , …, v m+p } - перестраиваемый автомат, помещенный в каждый узел решетки, у которого n+p входных каналов, m+p выходных каналов (m основных, p боковых). V = {v 1, v 2, ..., v m + p} - tunable machine placed in each lattice point, in which n + p of input channels, m + p output channels (m basic, p side).

Figure 00000081

Здесь Here

Figure 00000082
, .

где σ ij ∈{0,1} (j=1,…,t), where σ ij ∈ {0,1} (j = 1, ..., t),

Figure 00000083
, .
Figure 00000084
t=log 2 R; t = log 2 R;

Figure 00000085
- i-я функция алгебры логики (i=1, 2,…, R), реализуемая на j-м выходе автомата (j=1, 2,…, m+p); - i-I Boolean function (i = 1, 2, ..., R), implemented on the j-th output of the automaton (j = 1, 2, ..., m + p);

x 1 ,…, x (n+p) - информационные входы; x 1, ..., x (n + p ) - data inputs;

z 1 ,…, z t - дополнительные входы, используемые для настройки автомата на требуемую структуру; z 1, ..., z t - additional inputs are used for setting the desired machine structure;

Q={υ 1 , υ 2 ,…, υ p }, где υ i ∈ Z k , i=1,…, p - шаблон соседства: каждый вектор υ ∈ V для автомата с координатами υ определяет автомат с координатами υ+υ 1 , с i-м боковым выходным каналом которого соединен i-й боковой вход автомата в узле υ, i=1,…,р. Q = {υ 1, υ 2, ..., υ p}, where υ i ∈ Z k, i = 1, ..., p - Neighborhood pattern: each vector υ ∈ V for machine coordinates υ defines automatic coordinates υ + υ 1, with i-th output side channel which is connected to i-th input side of the machine in a node υ, i = 1, ..., p.

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. Under tunable machine will understand the machine for which they are given a set implemented automaton mappings and settings defined algorithm for implementation of each of these automaton mappings. 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. Tunable machine can be represented as a set of machines with the same output, the setting determines the machine that goes considered with this setting all outputs of the tunable machine.

БФПвх 88 осуществляет преобразование входной информации в двоичную форму; BFPvh 88 converts the input information into a binary form; БН 90 на основе входной информации вырабатывает коды настройки вычислительной среды на необходимый в текущий момент времени алгоритм работы; BN 90 on the basis of input information produces a computing environment settings for the necessary codes at the current time algorithm works; БФПвых 91 преобразовывает двоичный сигнал с вычислительной среды в сигнал, удобный для восприятия и переработки полученной информации в других блоках. BFPvyh 91 converts the binary signal from the computing environment into a signal readable and processing the received information in other blocks.

БПВС 89 представляет собой матрицу размером m×n, образованную коллективом вычислителей на основе перестраиваемых автоматов. BPVS 89 represents the size of m × n matrix formed staff solvers based tunable machines. На фиг.17 приведен пример БПВС 89 для (m=6 - количество строк, n=7 - количество столбцов) и для перестраиваемого автомата, описывающегося системой формул: Figure 17 shows an example BPVS 89 for (m = 6 - number of rows, n = 7 - the number of columns) and tunable machine, the system described by the formula:

Figure 00000086

Здесь f 1 , f 2 - выходы автомата; Here, f 1, f 2 - outputs of the automaton;

y 1 , y 2 - информационные входы; y 1, y 2 - data inputs;

x - вход; x - input;

z 1 , z 2 , z 3 , - входы настройки. z 1, z 2, z 3, - setting inputs.

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 z 1 =0, z 2 =0, z 3 =1. 17 is tunable for each machine in the bottom left corner shows the code settings for the current automaton mapping, so to machine coordinates (1, 1) 001 is the code that corresponds to 1 z = 0, z 2 = 0, z = 3 1.

На фиксированные четыре входа перестраиваемой вычислительной среды подаются величины (h k , k=1, 2, …, 4). At fixed four inputs reconfigurable computing environment serves value (h k, k = 1, 2, ..., 4). Для настройки, представленной на фиг.17, а на выходах f 1 и f 2 вычислительной среды реализуются функции: To set up, shown in Figure 17, and the outputs f 1 and f 2 computing environment implemented features:

Figure 00000087

а при изменении кода настройки одного из автомата с координатами (2, 7) в матрице вычислительной среды на код z 1 =0, z 2 =0, z 3 =1 (фиг.17, б) на выходах f 1 и f 2 вычислительной среды реализуются функции: and a change in the matrix computing environment on code 1 z = 0, z 2 = 0, z = 1 3 (Figure 17, b) at the outputs f 1 and f 2 computer code settings of one automaton with coordinates (2, 7) protection functions are realized:

Figure 00000088

На фиг.18 дана структурная схема блока подключения датчика изображения (БПДИ) 9, который работает следующим образом. 18 is given a block diagram of the image sensor unit connection (BPDI) 9 which works as follows. 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 приходи unit 9 work begins on a signal from the synchronizer 12. At the adder structural map image parameters with pointers receives signals through the multiplexer 96 from the intelligent image processing unit 10. These signals characterizing image type structure (conventional, contour, and other dot.) and calculated by formulas (12) - (14), (24) are fed to the first input of the comparison circuit 93, the second input of which receives signals from the adder parameters (slope) mutually-correlation function 95. Information to adder 95 come от ИБОИ 10. На третий вход схемы сравнения 93 поступают эталонные сигналы K , K от памяти эталонных параметров 94. Схема сравнения 93 функционирует по правилу: from IBOI 10. The third input of the comparator circuit 93 receives the reference signals ie K, K fe reference parameters from a memory 94. The comparison circuit 93 operates according to the rule:

Figure 00000089

где K a - адаптивный интегральный коэффициент; where K a - adaptive integral gain;

K i , K - коэффициенты, характеризующие текущие и эталонные информативные геометрические параметры изображений; K i, K ie - coefficients characterizing the current and reference images informative geometric parameters;

K F , K - коэффициенты, характеризующие текущие и эталонные крутизны ВКФ, соответственно; K F, K Fe - coefficients characterizing the current and reference slope CCF, respectively;

K Ц , K Цэ - коэффициенты, характеризующие текущие и эталонные цветные изображения. K D, K Tse - factors that characterize the current and reference color images.

При выполнении условия (24) включается через мультиплексор 96 требуемый датчик (или датчики) картографического указателя истинного курса. When the condition (24) is activated through multiplexer 96 the desired sensor (or sensors) cartographic indicator true heading.

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]. Other blocks (astrodatchikov unit 3, RKUMK 4 OTDI 5 SSAS 6 BINS 7 BPITK 8 IDN 2 BPDI 9, jack-up 11, BDFKUIK 14 BDOKUZK 15 OKUZK 16) made in accordance with the recommendations set forth in [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. Compared with known proposed method and apparatus have improved functionality by increasing accuracy, speed, determining the coordinates of the object, noise immunity and immunity.

Покажем это на примере. We show this by an example. 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 совмеще High accuracy characteristics of the device are provided, firstly, due to the introduction of additional image sensors (additional map pointers COG), and secondly by introducing neural network interference suppression filter, thirdly, due to the effective transformation of images (highlight informative signs) fourthly, by introducing neural network image recognition unit, fifthly, the use of structure-tunable control unit, in the sixth, due to combining ия сравниваемых изображений по цвету, масштабу, крену, тангажу и угловому рассогласованию. tions compared images in color, scale, roll, pitch and angular misalignment.

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). The introduction of additional map pointers true course will provide the connection, if necessary, the required sensor, which will form the most significant (integral) image area (radar, television, infrared, optical, radar, gravity, topographic). С помощью дополнительного инерциального картографического указателя 7 обеспечивается предоставление предварительных навигационных параметров; With additional inertial cartographic indicator 7 is provided to provide preliminary navigation parameters; это дает возможность вывода объекта в заданный район территории. This enables the output of the object in a given area of ​​territory. 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. Moreover, an adaptive neural network interference cancellation filter will provide effective filtration of the desired signal from interference coming from the imaging unit 10. This connection provides a high positioning accuracy (the coordinates) of the object.

Блок нейросетевого распознавания изображений 19 осуществит распознавание с высокой точностью (вероятностью) территории даже при наличии значительного уровня помех; Image recognition neural network unit 19 will carry out detection with high accuracy (probability) of the area, even in the presence of a significant level of interference; это исключит сбой в работе блока корреляционной обработки информации 17, который затем осуществит более точное местоопределение объекта, по сравнению с известными способом и устройством. This eliminates malfunction of the correlation information processing unit 17, which then carry out more precise positioning of the object, as compared with the known method and apparatus.

Точность местоопределения повышается также за счет совмещения сравниваемых изображений по цвету, масштабу, крену, тангажу и угловому рассогласованию. Positioning accuracy is also improved due to the alignment of the images were in color, scale, roll, pitch and angular misalignment. То есть устраняются рассогласования картографического указателя заданного курса относительно истинного курса Ie eliminated the error rate given to the true course of mapping index

Figure 00000090

где Ц, Н, β, γ, α - значения цвета, масштаба, крена, тангажа и углового рассогласования сравниваемых изображений, соответственно. where P, N, β, γ, α - color value scale, roll, pitch and angular misalignment compared images, respectively.

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). Application structurally tunable control unit 11 will provide a current motion control of the object (e.g., current traffic on a given route control) and by a structural parameter optimization (i.e., the optimal change its structure and its selection parameters).

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. Enhanced functionality is carried out by, firstly, obtaining additional information from DIKUIK 2 DAKUIK 3 DTKUIK 5 DSKUIK 6 DIKUIK 7 DFKUIKTK 8 on the territory in which to make an accurate positioning, secondly, administration BNRI 19 providing recognition broad class of images (as compared with the known method and apparatus), thirdly, introducing SFDR 11 implements controlled object motion when changing the operational navigation task.

Приведем результаты экспериментальных исследований предлагаемого устройства. The experimental results of the proposed device.

На фиг.19,а представлено сечение ВКФ J (ξ) по оси Oξ (в метрах) при совмещении обычных (не преобразованных) изображений крупномасштабных элементов (кривая 1), элементов стержневого типа (кривая 2) и маломасштабных элементов (кривая 3). 19, and is a sectional CCF J (ξ) by Oξ axis (in meters) when aligned normal (not transformed) image scale elements (curve 1), rod-type elements (curve 2) and small-scale cells (curve 3). На фиг.19,б дано сечение ВКФ для обычных (кривая 1), контурных (кривая 2) и точечных (кривая 3) изображений. 19, given section used for conventional CCF (curve 1), the contour (curve 2) and point (curve 3) images. Из приведенных графиков следует, что, во-первых, чем мельче структура ТИ и ЭИ (чем меньше элементы изображений), тем с большей крутизной формируется ВКФ; From these graphs, it follows that, firstly, smaller than the TI and EI structure (the lower picture element), the greater steepness CCF is formed; во-вторых, точечные изображения формируют ВКФ с большей крутизной по сравнению с контурными или обычными изображениями. Second, dot images formed CCF with greater steepness as compared with the conventional contour or images.

На фиг.20,а приведены графики зависимостей случайной составляющей ошибки σ (в % от допустимого смещения и разворота) определения угловой (кривая 1) и линейных (кривая 2) координат объекта от крутизны K F главного максимума ВКФ. 20, but shows a plot of a random component of the error σ (in% of the allowable displacement and rotation) determining the corner (curve 1) and linear (curve 2) the coordinates of the object on the slope K F of the principal maximum CCF. Здесь пунктирными линиями обозначены области K F для обычных О, контурных К и точечных Т изображений. Here, dotted lines indicate the area for conventional K F O contour point T K and images. Как видно из графиков, целесообразнее использование контурных или точечных изображений, для которых крутизна K F наибольшая, а ошибка σ наименьшая. As can be seen from the graphs, it is better to use outline or bitmap images, for which the slope of the K F is greatest and the smallest error σ.

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 кур The criterion for contour transition point or images can serve coefficient K F, which characterizes the steepness of the CCF (at 0.7 of the maximum value of the amplitude), and the coefficient K S = S g / S e (where S g - image area on the object mapping index screen COG, S e - cartographic true heading index screen area) or the coefficient K e = L g / L e (wherein L g -size (length) of the picture elements on the cartographic true heading index screen, L e - size (diameter) of the cartographic screen pointer true chickens а). a). На фиг.20,б приведены графики зависимостей ошибки σ определения координат от величин K S и K е . Figure 20 b is a plot of error σ determining coordinate values of K S and K e. Здесь кривые 1 и 1а характеризуют угловую координату, а кривые 2, 2 a - линейную координату (сплошные линии - графики зависимостей σ от K S , а пунктирные линии - графики зависимостей σ от K е ). Here, curves 1 and 1a characterize the angular coordinate, and curves 2 and 2 a - linear coordinate (solid line - graphs of σ from K S, and the dashed lines - graphs of σ from K e). 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). As seen from the graphs, obtained based on experimental studies, when K S <0,19 or K e <0.35 (for a given algorithm operation CCF analyzer embodying a method of blind search) is necessary to convert the images into outline or point (e.g., K S = 0.21 apparatus is not operated).

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). Causes of some interest in the use of imaging device when the TI is represented in normal view, and EI - in contour form (this is possible if the indicator TI is implemented in a simplified version, i.e. without treatment TI, and to improve accuracy characteristics of EI prepared in contour form). На фиг.21 даны сечения ВКФ J (η), 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). Figure 21 are sectional CCF J (η), supporting the possibility of using such images (here represented: 1-CCF conventional EI and TI; 2 CCF contour TI EI and 3-CCF conventional TI and planimetric EI). 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. As seen, curve 3 has a greater slope in the main peak as compared with the curve 1, in addition, the slope of curve 3 is slightly different from the slope of the curve 2.

Источники информации Information sources

1. Анучин О.Н., Комарова И.Э., Порфильев Л.Ф. 1. Anuchin ON, IE Komarova, LF Porfilev Бортовые системы навигации и ориентации искусственных спутников Земли. Onboard navigation and orientation of artificial satellites. - С.-Петербург: Изд-во ГНЦ РФ ЦНИИ «Электроприбор», 2004. С.80-120. - St. Petersburg: Publishing House of the State Scientific Center of the Russian Central Research Institute "Elektropribor", 2004. S.80-120.

2. XVI Санкт-Петербургская международная конференция по интегрированным навигационным системам. 2. XVI St. Petersburg International Conference on Integrated Navigation Systems. Сборник материалов. The collection of materials. - С.-Петербург: Изд-во ЦНИИ «Электроприбор», 2009. - 302 с. - St. Petersburg: Publishing House of the Central Research Institute "Elektropribor", 2009. - 302 p.

3. Сырямкин В.И. 3. Syryamkin VI и др. Системы технического зрения. et al. Vision systems. Справочник. Directory. Томск: МГП «РАСКО», 1992. 367 с. Tomsk: IHP "RASCO", 1992. 367 p.

4. Ангелов М.П., Катышев В.А., Резник В.Г., Сырямкин В.И. 4. Angels MP, Katishev VA, Reznik VG, VI Syryamkin Устройство для определения координат движущегося объекта. A device for determining coordinates of the moving object. Авторское свидетельство СССР №592229. USSR Author's Certificate №592229.

5. Белоглазов И.Н., Тарасенко В.П. 5. Beloglazov IN, Tarasenko VP Корреляционно-экстремальные системы. Correlation-extreme system. М.: Сов.радио, 1974. - 392 с. M .: Sov.radio, 1974. - 392 p.

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

7. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер. 7. Wasserman F. neurocomputing appliances: Theory and Practice / ed. на рус. in Russian. яз. lang. Ю. А. Зуев, В. А. Точено. Yu.A.Zuev, VA ofy. 1992 - 184 с. 1992 - 184 with.

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

Claims (20)

  1. 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 1. A method of controlling a moving object, comprising the steps that the receive map and the current reference image areas compares the parameters to change the current image with the reference cartographic mapping image filtered from image interference, characterized in that before comparing the image change parameters define the preliminary position of the object, recognize a portion of the territory, form an integral cartographic reference image and are integral informative 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. parameters compared images, selecting among them multidimensional and increasing the past by an amount determined by the required accuracy evaluation object coordinates, determine the change in the geometry, topology, and the color portion of territory, the method further suppress interference neural network filtering, and after comparing the image change parameter estimates the position of the object and produce correction of the route of the object.
  2. 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. 2. A method according to claim 1, characterized in that formed integral cartographic reference image by mounting area of ​​local areas of reference points by using neural network technology.
  3. 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. 3. A method according to claim 1, characterized in that an integral informative parameters compared images when forming radar, television color image or the underlying infrared image of the Earth or star chart surface.
  4. 4. Способ по п.3, отличающийся тем, что формируют радиолокационные или телевизионные цветные изображения по топографическим картам Земли. 4. A method according to claim 3, characterized in that the radar or TV formed colored image on topographic maps of the earth.
  5. 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. 5. A method according to claim 1, characterized in that the determined change in the geometry, topology, and the color area portion for comparing pairs of images with the image removing mismatches to the angle of relative rotation, scale, roll, pitch and color.
  6. 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. 6. A method according to claim 5, characterized in that the determined geometric parameters of local area and integral portions of perimeter, area, radius, length, width, number of contour points of inflection, the geometric center of the image elements is constantly monitored plots contour scanning recomputation in the polar coordinate system, inverting the image forming microplans.
  7. 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. 7. A method according to claim 6, characterized in that the transition to the type of image is carried out by calculating the adaptive coefficient by comparing the current and the limiting values ​​of integral informative geometric, topological parameters and color images, as well as the amplitude, spectral and structural and differential informative parameters mutually correlation function.
  8. 8. Способ по п.1, отличающийся тем, что корректируют маршрут движения объекта путем перенастройки работы устройства. 8. A method according to claim 1, characterized in that the adjusting path of the object by the migration of the device.
  9. 9. Способ по п.1, отличающийся тем, что распознают участок территории с помощью нейросетевых технологий. 9. The method of claim 1, wherein the recognizing portion of territory by neural network technology.
  10. 10. Способ по п.1, отличающийся тем, что многомерные интегральные информативные параметры сравниваемых изображений увеличивают до 1000 раз. 10. The method of claim 1, wherein the multi-dimensional integral informative parameters of the compared images is increased up to 1000 times.
  11. 11. Способ по п.1, отличающийся тем, что территорией может быть наземная, подводная, воздушная территория. 11. A method according to claim 1, characterized in that the area may be ground, underwater, air territory.
  12. 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 до 12. The control device moving object, comprising serially connected synchronizer block extreme correlation-information processing the primary pointer mapping predetermined rate, additional filters main unit mapping a predetermined rate, the output connected to the second input of the correlation-extreme processing information input via the filter control unit connected to the output unit extreme correlation-information processing, the latter is connected to a second input to block олнительных 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 меж olnitelnyh filters COG mapping indicator, and the block filter control a second output connected to block additional filters cartographic indicator of the true rate and the control object, characterized in that it additionally comprises, firstly, connected in series flow connection of the image sensor, an adaptive neural network filter suppression interference and intelligent image processing unit, a separate output connected to the input connection of the image sensor unit, which are inserted between the у 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 at the output of radar mapping pointer COG and separate entrance block correlation-extreme processing information, a separate output connected to an intelligent unit image processing, secondly, additional infrared image sensor, the complementary box astrodatchikov, additional television mapping pointer true course, additional generator cartographic indicator COG individual bidirectional connected on a topographic map 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 об connections to the block of the image sensor connections, third, serially connected optional inertial mapping pointer COG and structurally reconfigurable separate inputs of the control unit are connected to the outputs of the block correlation-extreme information processing additional satellite mapping COG indicator additional shaper cartographic true CDI on a topographic map and a synchronizer, and separate outputs connected to an екту 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. ektu control and additional builder cartographic indicator true heading of a topographical map, wherein the separate input structurally tunable control unit connected to the output setpoint movement, and fourthly, the block separate inputs of neural network pattern recognition is connected to the individual outputs predictive image processing unit and the synchronizer and the individual output connected to a separate entry extreme correlation-information processing unit.
  13. 13. Устройство по п.12, отличающееся тем, что блок подключения датчика изображения выполнен в виде многоканального мультиплексора. 13. The apparatus according to claim 12, characterized in that the connection unit of the image sensor is formed as a multi-channel multiplexer.
  14. 14. Устройство по п.12, отличающееся тем, что дополнительный блок астродатчиков содержит датчики, воспринимающие карту звездного неба и радиогалактики. 14. The apparatus according to claim 12, characterized in that the additional unit astrodatchikov comprises sensors sensing star map and radio galaxies.
  15. 15. Устройство по п.12, отличающееся тем, что дополнительный спутниковый картографический указатель истинного курса содержит ГЛОНАСС, GPS и/или ГАЛИЛЕО. 15. The apparatus according to claim 12, characterized in that the additional satellite mapping pointer COG comprises GLONASS, GPS and / or GALILEO.
  16. 16. Устройство по п.12, отличающееся тем, что дополнительный инерциальный картографический указатель истинного курса включает блоки гироскопов, акселерометров, управления, контроля и обработки информации. 16. The apparatus according to claim 12, characterized in that an additional inertial mapping pointer COG units includes gyroscopes, accelerometers, control, monitoring and processing of information.
  17. 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. 17. The apparatus according to claim 12, characterized in that the additional generator COG cartographical indicator on a topographic map comprises topographical and topological mapping the earth's surface, an image reader and a card machine at the reconfigurable computing environments.
  18. 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. 18. The apparatus according to claim 12, characterized in that the additional television mapping pointer COG is designed as a television camera operating in the infrared range of the optical and infrared illuminator contains.
  19. 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. 19. The apparatus according to claim 12, characterized in that the additional filter unit COG cartographic indicator unit further filters the primary cartographical indicator predetermined rate and filter control unit provided on reconfigurable computing environments.
  20. 20. Устройство по п.12, отличающееся тем, что структурно-перестраиваемый блок управления реализован на перестраиваемых вычислительных средах. 20. The apparatus according to claim 12, characterized in that the structural-tunable control unit is implemented on reconfigurable computing environments.
RU2011107969A 2011-03-01 2011-03-01 Method of controlling moving object and apparatus for realising said method RU2476825C2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2011107969A RU2476825C2 (en) 2011-03-01 2011-03-01 Method of controlling moving object and apparatus for realising said method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2011107969A RU2476825C2 (en) 2011-03-01 2011-03-01 Method of controlling moving object and apparatus for realising said method

Publications (2)

Publication Number Publication Date
RU2011107969A true RU2011107969A (en) 2012-09-10
RU2476825C2 true RU2476825C2 (en) 2013-02-27

Family

ID=46938508

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2011107969A RU2476825C2 (en) 2011-03-01 2011-03-01 Method of controlling moving object and apparatus for realising said method

Country Status (1)

Country Link
RU (1) RU2476825C2 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2538938C2 (en) * 2013-04-11 2015-01-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Юго-Западный государственный университет" (ЮЗГУ) Method of forming two-dimensional image of biosignal and analysis thereof
RU173468U1 (en) * 2017-03-27 2017-08-29 Акционерное общество "ЭЛВИС-НеоТек" Apparatus cascade flow image processing using convolutional neural networks
RU2651147C1 (en) * 2017-03-27 2018-04-18 Акционерное общество "ЭЛВИС-НеоТек" Device of cascade processing of a stream of images by means of convolutional neural network
RU2654502C2 (en) * 2013-10-15 2018-05-21 Форд Глобал Технолоджис, ЛЛК System and method for remote vehicle monitoring

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2382416C2 (en) * 2008-03-20 2010-02-20 Общество с ограниченной ответственностью "Системы передовых технологий " (ООО "Системы передовых технологий") Method of determining speed and coordinates of vehicles with subsequent identification thereof and automatic recording traffic offences and device for realising said method
EP2333491A1 (en) * 2004-12-17 2011-06-15 Nike International Ltd Multi-sensor monitoring of athletic performance
EP2357841A2 (en) * 2002-03-27 2011-08-17 Sanyo Electric Co., Ltd. Method and apparatus for processing three-dimensional images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2357841A2 (en) * 2002-03-27 2011-08-17 Sanyo Electric Co., Ltd. Method and apparatus for processing three-dimensional images
EP2333491A1 (en) * 2004-12-17 2011-06-15 Nike International Ltd Multi-sensor monitoring of athletic performance
RU2382416C2 (en) * 2008-03-20 2010-02-20 Общество с ограниченной ответственностью "Системы передовых технологий " (ООО "Системы передовых технологий") Method of determining speed and coordinates of vehicles with subsequent identification thereof and automatic recording traffic offences and device for realising said method

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
АНУЧИН О.Н., КОМАРОВА И.Э., ПОРФИЛЬЕВ Л.Ф. Бортовые системы навигации и ориентации искусственных спутников Земли. - СПб.: Изд-во ГНЦ РФ ЦНИИ «Электроприбор», 2004. *
АНУЧИН О.Н., КОМАРОВА И.Э., ПОРФИЛЬЕВ Л.Ф. Бортовые системы навигации и ориентации искусственных спутников Земли. - СПб.: Изд-во ГНЦ РФ ЦНИИ «Электроприбор», 2004. СЫРЯМКИН В.И. и др. Системы технического зрения. Справочник. - Томск: МГП «РАСКО», 1992. УОССЕРМЕН Ф. Нейрокомпьютерная техника: Теория и практика / Пер. на рус. яз. Ю.А. ЗУЕВ, В.А.ТОЧЕНОВ. - М.: Мир, 1992. *
СЫРЯМКИН В.И. и др. Системы технического зрения. Справочник. - Томск: МГП «РАСКО», 1992. *
УОССЕРМЕН Ф. Нейрокомпьютерная техника: Теория и практика / Пер. на рус. яз. Ю.А. ЗУЕВ, В.А.ТОЧЕНОВ. - М.: Мир, 1992. *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2538938C2 (en) * 2013-04-11 2015-01-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Юго-Западный государственный университет" (ЮЗГУ) Method of forming two-dimensional image of biosignal and analysis thereof
RU2654502C2 (en) * 2013-10-15 2018-05-21 Форд Глобал Технолоджис, ЛЛК System and method for remote vehicle monitoring
RU173468U1 (en) * 2017-03-27 2017-08-29 Акционерное общество "ЭЛВИС-НеоТек" Apparatus cascade flow image processing using convolutional neural networks
RU2651147C1 (en) * 2017-03-27 2018-04-18 Акционерное общество "ЭЛВИС-НеоТек" Device of cascade processing of a stream of images by means of convolutional neural network

Also Published As

Publication number Publication date Type
RU2011107969A (en) 2012-09-10 application

Similar Documents

Publication Publication Date Title
Chang et al. A new growing method for simplex-based endmember extraction algorithm
US6337654B1 (en) A-scan ISAR classification system and method therefor
Ma et al. Facial expression recognition using constructive feedforward neural networks
US6697504B2 (en) Method of multi-level facial image recognition and system using the same
Raytchev et al. Head pose estimation by nonlinear manifold learning
Hebert Outdoor scene analysis using range data
US6380934B1 (en) Estimating targets using statistical properties of observations of known targets
Moranduzzo et al. Automatic car counting method for unmanned aerial vehicle images
Al Bashish et al. A framework for detection and classification of plant leaf and stem diseases
US20020051578A1 (en) Method and apparatus for object recognition
Levinson et al. Traffic light mapping, localization, and state detection for autonomous vehicles
Rosenberg et al. Color constancy using kl-divergence
US6996257B2 (en) Method for lighting- and view -angle-invariant face description with first- and second-order eigenfeatures
Fardi et al. Shape and motion-based pedestrian detection in infrared images: a multi sensor approach
Thurrowgood et al. A vision based system for attitude estimation of UAVs
Patel et al. Sparse representations and compressive sensing for imaging and vision
Chini et al. Comparing statistical and neural network methods applied to very high resolution satellite images showing changes in man-made structures at rocky flats
Carpenter et al. The what-and-where filter: a spatial mapping neural network for object recognition and image understanding
US20050238209A1 (en) Image recognition apparatus, image extraction apparatus, image extraction method, and program
CN102426019A (en) Unmanned aerial vehicle scene matching auxiliary navigation method and system
Moorthy et al. Statistics of natural image distortions
Mahalanobis Review of correlation filters and their application for scene matching
Fielding et al. Spatio-temporal pattern recognition using hidden Markov models
Hu et al. Automatic extraction of main road centerlines from high resolution satellite imagery using hierarchical grouping
US20050058339A1 (en) Data recognition device