Принципы распараллеливания при обработке информации, поступающей с БПЛА

Калантаевская Светлана Владимировна, адъюнкт, Военный институт телекоммуникаций и информатизации, г. Киев, Украина

Аннотация

At present, the use of UAVs for reconnaissance tactical missions is carried out by almost all developed countries. Moreover, the experience of using UAVs in combat conditions shows that the process of drone development continues. In this regard, the issues of UAV operation in the conditions of camouflage of a reconnaissance object, or in bad weather conditions become relevant. In this case, it is necessary to recognize and identify the object under reconnaissance. When solving object recognition problems in practice, it is necessary to use recognition systems, which require large sets of data on object characteristics, which need to be processed in real time, when they are used.

Paper considers the possibility of automatic parallelization of programs at the level of generalized operations for real-time information processing systems at the ground control station. A technique for processing a receptor field, which can easily reproduce and separately allocate any frame represented on the receptor field, to construct an algorithm enabling analysis of each individual image of an object coming from a UAV board, thereby restoring and extracting frames of interest to the operator or part of the frame. The use of the structural method of recognition of images of different complexity allows real-time processing of video information coming from the UAV, and representation of images of the object in the form of a hierarchical structure allows establishing processing, as it is carried out in layers and in parallel. A technique for processing a receptor field, which can easily reproduce and separately allocate any frame represented in the receptor field, as well as construct an algorithm enabling analysis of each individual image of an object coming from a UAV board, thereby restoring and extracting frames of interest to the operator or part of the frame. The use of the structural method of recognition of images of different complexity allows realtime processing of video information coming from the UAV, and representation of images of the object in the form of a hierarchical structure allows establishing processing, as it is carried out in layers and in parallel.

Research article concludes that the results obtained during the study show the ability to process images not only at the control point, but also on the board of the drone. Implementation of the proposed method allows, in a few seconds, to achieve the recognition of images of objects reaching 97 %, regardless of its position in the field of view of the UAV videosystem. For today, the issues on continuing research on the methods of logical systems for UAVs with night vision and search devices remain relevany, since they are quite effective in confrontation.

Keywords: unmanned aerial vehicles, receptor field, object image, recognition systems, parallelization of information processing.

Анотація

В статті показана можливість автоматичного розпаралелювання програм на рівні узагальнених операцій стосовно систем обробки інформації в реальному масштабі часу на наземному пункті управління. Розглянуто основні принципи розпаралелювання обробки інформації, яка надходить з БПЛА, при розпізнаванні образів об'єктів розвідки та ієрархічності представлення структури одержуваної інформації. Запропоновано методику обробки рецепторного поля, у результаті застосування якої можна легко відтворювати і окремо виділяти будь-який кадр, представлений на рецепторному полі, побудувати алгоритм, що дає можливість аналізувати кожний окремо взятий образ об'єкта, що надходить з борту БПЛА, і тим самим встановлювати і виділяти кадри, які цікавлять оператора або частина кадру.

Ключові слова: безпілотні літальні апарати, рецепторне поле, зображення об'єкта, системи розпізнавання, розпаралелювання обробки інформації.

Использование беспилотных летательных аппаратов (БПЛА) в настоящее время является основным элементом информационно-разведывательной системы обеспечения и дистанционного воздействия на объекты разведки противника во время боевых действий, а также для обеспечения внутренней безопасности государства. БПЛА является неотъемлемой частью вооружения современной армии и широко используется национальной гвардией, пограничными войсками и полицейскими подразделениями. Развитие силовой компоненты субъектов национальной безопасности и обороны без использования БПЛА будет неполным. Если ранее они использовались лишь для выполнения стратегических заданий, то сейчас, в связи с развитием IT-технологий, информация, которая поставляется беспилотником, используется во время ведения боевых, правоохранительных и экологических действий в тактическом звене [1--3].

Следует отметить, что в настоящее время применение БПЛА для разведывательных тактических заданий осуществляется практически всеми развитыми странами. При этом опыт применения БПЛА в боевых условиях показывает, что процесс развития беспилотников продолжается.

В связи с этим, возникают вопросы: как работать в условиях, когда объект маскируется? Или когда сама природа “помогает” противнику и препятствует его выявлению?

В этом случае необходимо распознавать и идентифицировать разведываемый объект [4, 5, 6].

Также следует отметить, что системы распознавания БПЛА, с точки зрения общности классификации систем распознавания, рационально рассматривать в качестве кллассификационного принципа особенностей информации, которая используется в процессе распознавания [4, 5].

Кроме того, не следует забывать о том, что современное цифровое оборудование видеоконтроля и распознавания по своим характеристикам все больше приближается к современным интеллектуальным компьютерным системам, что позволяют выстраивать очень гибкую политику обеспечения разведданными, приближенную по своим функциям к системам принятия решения, близкого к человеческой логике. Именно поэтому некоторые из современных цифровых систем распознавания по праву можно назвать интеллектуальными [5, 6].

При решении задач распознавания объекта на практике приходится использовать системы распознавания, требующие большие массивы данных о признаках объекта, которые необходимо обрабатывать в реальном масштабе времени.

Общее количество классов (типов) объектов и их признаков может исчисляться несколькими сотнями. При этом распознавание объектов в условиях, когда природа или противник может препятствовать как выявлению отдельных признаков объектов, так и изменению тактики в отношении объемов предъявляемых разнообразных классов стороне, которая осуществляет разведку [4, 7].

Следует отметить, что это очень важный фактор при применении БПЛА. Так как противник широко использует разные способы маскировки и противодействия, чтобы сторона, которая осуществляет распознавание, не могла определить, какие именно объекты находятся, какое их количество и т.д. Особенно это важно в условиях боевых действий и при проведении спасательных операций на море или на пожарах.

Важное значение при распознавании образов имеет проблема рассмотрения образов. В связи с этим, большое значение приобретает иерархичность представления структуры получаемой информации [8, с. 189].

Именно иерархичность структуры получаемой информации дает возможность описать ее высокоуровневыми структурными соотношениями, перейти к поярусной обработке информации, рассматривая основные принципы построения средств параллельной обработки информации на основе распараллеливания алгоритмов. С этой точки зрения, структура информации, которую получаем в виде изображений некоторых объектов с БПЛА, является глубоко иерархичной. Таким образом, изображение объекта можно описать высокоуровневыми структурными соотношениями. С другой стороны, имеется возможность применить для анализа изображения развитой аппарат теории формальных граммматик, которому свойственна иерархичная структура [9, с. 157].

При обработке и распознавании образов с помощью структурного подхода важной является задача выделения признаков (непроизводных элементов). Одним из условий, которое при этом накладывается, является простота признаков для описания образов. То есть исследуются вопросы, связанные с информативностью элементов спектра, обобщенного спектра и при описании и распознавании образов, поступающих с БПЛА, в реальном времени.

Целью работы является исследование информативности элементов спектра при описании и распознавании изображений, которые поступают с БПЛА, при распараллеливании обработки этой информации в реальном масштабе времени.

Пусть задан образ объекта н, представляющий некоторое изображение ф на рецепторном поле R размерностью n x n:

Обычно рассматривают двоичный алфавит.

В работах [11, 12] проведены исследования по описанию некоторых классов изображений с помощью спектров Sa при распознавании образов. Элементы спектров - это частный случай общих образов. Далее будем исследовать задачу определения информативности элементов спектра Sa при описании изображений с целью их распознавания и возможность распараллеливания обработки информации. Таким образом, постараемся выяснить возможность использования элементов спектра S¦ в качестве основных информационных признаков при описании выпуклых изображений, представленных в виде образа объекта (1), и исследуем некоторые их свойства [13, 14].

Определение 2. Образ объекта Va , полученный из v записью элементов под углом а , назовем образом объекта, записанным (просматриваемым) под углом а.

Определение 3. Спектром изображения ва, представленного с помощью образа объекта va, называется кадр

назовем k-м левым спектром изображения в при j заданных направлениях просмотра изображения.

Определение 5. Кадр

назовем k-м правым спектром изображения в при j заданных направлениях просмотра изображения.

Обозначим

назовем обобщенным спектром изображения в при j заданных направлениях просмотра изображения.

Определение 7. Зеркальным отображением спектра назовем кадр

определяет минимальный размер в.

Из выражений (17) и (18) имеем:

7) для изображения круга диаметром d = 2a

11) Из выражений (8) и (9) имеем

Теорема 1. Пусть задан произвольный выпуклый многоуголник в со сторонами длиной a и b, угол между которыми равен oclq. Тогда

Следствие 1.3. йхаг являются информационными признаками для описания и распознавания двух прямых многоугольников, угол между которыми равен а.

Теорема 2. Пусть задан произвольный выпуклый многоугольник со сторонами длинной ах,а2,а3,---,ап , и, соответственно, углы между сторонами равны

Следствие 2.4. a1 a`q' являются информационными признаками для описания и распознавания произвольного выпуклого многоугольника. В результате обобщения теорем 1 и 2 получаем теорему 3.

Теорема 3. В условиях теоремы 2 для целого k > 1 и достаточно малого по сравнению с a a a , an имеют место равенства

Доказательство. Пусть k такое, что выполняется условие (52). Тогда, начиная с некоторого начального направления просмотра изображения al и до можно определить элементы aЯ1, описывающие ту часть изображения в, которая в соответствии с [12-15] обозначаются буквой А на расстоянии k от вершины 0. Далее по всем остальным направлениям с помощью элементов ака можно описать последовательно части изображения в на расстоянии k от каждой из сторон многоугольника. Таким образом, TkC0si в виде (53) полностью характеризует внутреннюю структуру в. Поскольку выполняются равенства (21), то Т^ао может быть эффективно использовано для распознавания выпуклых изображений в.

Теорема 5. Для произвольного изображения выпуклого многоугольника в со сторонами длиной а1,а2,а3,.ш.an, углы между которыми равны aq^,a aq3,...aqn, и произвольного целого к > 1 , для которого имеем

До сих пор рассматривались изображения выпуклых многоугольников в. Однако любое выпуклое изображение можно аппроксимировать некоторым многоугольником. В силу этого теоремы 1-5 и выражения (22)-(55) справедливы для произвольного выпуклого изображения в, представленного на рецепторном поле размерностью n x n.

Из теорем 4 и 5 вытекают следующие следствия.

Следствие 4-5.1. Процесс описания и распознавания произвольного выпуклого многоугольника в можно проводить параллельно по буквам aska, i = 1,

Действительно, из выражения (53) имеем

Представление (56) показывает, что процесс вычисления Т^а^ распараллеливается на уровне aska` .

Следствие 4-5.2. Процесс описания и распознавания произвольного выпуклого многоугольника в можно производить параллельно по буквам asnai .

То есть обеспечивается эффективное распараллеливание обработки информации при их реализации с помощью вычислительных средств параллельного действия и осуществляется распознавание образов в реальном масштабе времени.

Таким образом, рассмотрены основные принципы распараллеливания обработки информации, которая поступает с БПЛА, при распознавании образов объектов разведки и иерархичности представления структуры получаемой информации. В результате обработки рецепторного поля по предложенной методике на каждую из фигур распространяется свой обобщенный признак, причем он распространяется одновременно на все фигуры выдеокадров.

Таким образом, можно легко воспроизводить и отдельно выделить любой кадр, представленный на рецепторном поле, построить алгоритм, дающий возможность анализировать каждый отдельно взятый образ объекта, поступающий с борта БПЛА и тем самым восстанавливать и выделять интересующие оператора кадры или часть кадра.

Применение структурного метода распознавания образов различной сложности позволяет в реальном масштабе времени обрабатывать видеоинформацию, поступающую с БПЛА.

В статье показана возможность автоматического распараллеливания программ на уровне обобщенных операций применительно к системам обработки информации в реальном масштабе времени на наземном пункте управления.

Кроме того, следует отметить, что представление образов объекта в виде иерархической структуры позволяет установить обработку, так как она проводится поярусно и параллельно.

Таким образом, можно воспроизводить и отдельно выделять любые изображения, поступающие с беспилотника для детального поиска и распознавания объекта и его анализа оператором.

Применение этого метода позволяет за несколько секунд достичь распознавания образов объектов достигающего 97 %, независимо от его положения в поле зрения видеосистемы БПЛА. Кроме этого, полученные результаты позволяют сделать вывод, что обработку образов можно осуществлять не только на пункте управления, а в том числе и на борту беспилотника. Эти вопросы необходимо решать в дальнейшем.

Помимо этого, на наш взгляд, необходимо продолжать исследование методов логических систем для БПЛА с приборами ночного видения и поиска, так как они достаточно эффективны в условиях противоборства.

Список использованных источников

1. Алексеев С.В. Безпілотні літальні засоби: історія та перспективи розвитку. Сучасна спеціальна техніка. № 3(38), 2014. С. 89-99.

2. Харченко О.В., Кулєшин В.В., Коцуренко Ю.В. Класифікація та тенденції створення безпілотних літальних апаратів військового призначення. Наука і оборона. 2005. № 1. С. 47-54.

3. Василин Н.Я. Беспилотные летательные аппараты. Минск: ООО “Попурри”, 2003. 272 с.

4. Хорошко В.О., Хохлачова Ю.Є., Паламарчук С.В. Розпізнавання об'єктів безпілотними літаючими апаратами в умовах протидії . Збірник наукових праць ВІТІ. 2017. № 4. С. 91-96.

5. Хорошко В.О., Калантаєвська С.В. Метод корекції зображення, отримуємого з БПЛА при наявності шумів і завад. Збірник наукових праць ВІТІ. 2018. № 3. С. 123-131.

6. Дуксенко НА, Хорошко В.А. Алгоритм восстановления изображений, получаемых с беспилотных летательных аппаратов. Інформатика та математичні методи в моделюванні. Т. 6. 2016. № 1. С. 5-11.

7. Горелик АЛ, Гуревич Н.Б., Скрипкин ВА. Современное состояние проблемы распознавания. М.: Радио и связь, 1985. 162 с.

8. Месарович М, Мако Д, Тахакара И. Теория иерархических многоуровневых систем. М.: Мир, 2008. 344 с.

9. Фор Р, Кафман Р, Дени-Папен М. Современная математика. М.: Мир, 2006. 277 с.

10. Ахо А., Ульман Дж, Хопкрофт Дж. Построение и анализ вычислительных алгоритмов. М.: Мир, 2009. 536 с.

11. Ковалевский В.Н. Методы оптимальных решений в распознавании изображений. М.: Наука, 2006. 328 с.

12. Бенгард М.М. Проблема узнаваемости. М.: Наука, 2007. 320 с.

13. Ахо А., Ульман Дж. Теория синтаксического анализа, перевода и компеляции: в 2-х томах. М.: Мир, 1978. 334 с.

14. Фу К. Структурные методы распознавания образов. М.: Мир, 2007. 321 с.

15. Ту Дж. Принципы распознавания образов. М.: Мир, 1998. 411 с.

References

1. Aleksyeyev, S.V. (2014) Bezpilotni lital'ni zasoby: istoriya ta perspektyvy rozvytku. “Remotely Piloted Vehicle: History and Prospects of Development”. Modern Special Technique 3(38), 89-99 [in Ukrainian].

2. Kharchenko, O.V., Kulyeshyn, V.V., Kotsurenko, Yu.V. (2005) Klasyfikatsiya ta tendentsiyi stvorennya bezpilotnykh lital'nykh aparativ viys'kovoho pryznachennya. “Classification and Tendency of the Development of Non-Profitable Legal Equipment”. Science and Defense 1, 47-54 [in Ukrainian].

3. Vasilin, N.Ya. (2003) Bespilotnyye letatel'nyye apparaty. “Unmanned Aerial Vehicles”. Minsk: OOO Potpourri. 272 p. [in Russian].

4. Khoroshko, V.O., Khokhlachova, Yu.Ye., Palamarchuk, S.V. (2017) Rozpiznavannya ob'yektiv bezpilotnymy litayuchymy aparatamy v umovakh protydiyi. “Object Recognition by Unmanned Aerial Vehicles in Counteraction Conditions”. Collection of Scientific Works VITI. No 4. P. 91-96 [in Ukrainian].

5. Khoroshko, V.O., Kalantayevska, S.V. (2018) Metod korektsiyi zobrazhennya, otrymuyemoho z BPLA pry nayavnosti shumiv i zavad. “The Method of Correction of the Image Obtained from the UAV in the Presence of Noise and Interference”. Collection of scientific works VITI. No 3. P. 123131 [in Ukrainian].

6. Duksenko, NA, Khoroshko, VA. (2016) Algoritm vosstanovleniya izobrazheniy, poluchayemykh s bespilotnykh letatel'nykh apparatov. “Algorithm for Recovering Images from Unmanned Aerial Vehicles”. Informatics and Mathematical Methods in Modeling. Vol. 6. No 1. P. 5-11 [in Ukrainian].

7. Gorelik, A.L., Gurevich, N.B., Skripkin, VA. (1985) Sovremennoye sostoyaniye problemy raspoznavaniya. “The Current State of the Recognition Problem”. M: Radio and communications.

162 p. [in Russian].

8. Mesarovich, M., Mako, D., Takhakara, I. (2008) Teoriya iyerarkhicheskikh mnogourovnevykh sistem. “Theory of Hierarchical Multilevel Systems”. M.: Mir. 344 p. [in Russian].

9. For, R., Kafman, R., Deni-Papen, M. (2006) Sovremennaya matematika. “Modern Math». M.:

Mir. 277 p. [in Russian].

10. Akho, A., Ul'man, Dzh., Khopkroft, Dzh. (2009) Postroyeniye i analiz vychislitel'nykh algoritmov. “Construction and Analysis of Computational Algorithms”. M.: Mir. 536 p. [in Russian].

11. Kovalevskiy, V.N. (2006) Metody optimal'nykh resheniy v raspoznavanii izobrazheniy. “Methods of Optimal Solutions in Image Recognition”. M.: Nauka, 2006. 328 p. [in Russian].

12. Bengard, M.M. (2007) Problema uznavayemosti. “The Problem of Recognition”. M.: Nauka.

320 p. [in Russian].

13. Akho, A., Ul'man, Dzh. (1978) Teoriya sintaksicheskogo analiza, perevoda i kompelyatsii. “Theory of Syntactic Analysis, Ttranslation and Compilation”: in 2 volumes. M.: Mir, 1978. 334 p. [in Russian].

14. Fu K. (2007) Strukturnyye metody raspoznavaniya obrazov. “Structural Methods for Pattern Recognition”. M.: Mir. 332 p. [in Russian].

15. Tu Dzh. (1998) Printsipy raspoznavaniya obrazov. “Pattern Recognition Principles”. M.