Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 12

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  Track-Before-Detect
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
The Track-Before-Detect (TBD) algorithms are applied for the tracking of signals below the noise floor. The noise object is the signal that has noise samples only. The processing of such signal using Spatio-Temporal TBD is not possible directly. The proposed preprocessing technique allows analysis of the signal using moving window approach and dot product calculations. Two vectors, related to the distributions, are compared: the overall signal and the local, related to the window position. The Monte Carlo tests are applied for the analysis of performance.
EN
The Track-Before-Detect (TBD) filter banks is proposed for the processing of noise object that are additive to the background noise. Spatio-Temporal TBD algorithm uses the preprocessing of measurement. The modified moving standard deviation filter is applied. The correction of the results for the selection of the highest possible filter banks window is proposed. Position and velocity errors are evaluated numerically for two smoothing coefficients. Monte Carlo test shows that all filter banks allow the tracking if the standard deviation of the background is below 1.3.
EN
Track-Before-Detect (TBD) algorithms are applied for the tracking of signals below the noise floor. The noise object is the signal that has noise samples only. The processing of such signal using Spatio-Temporal TBD is not possible directly. The preprocessing technique based on the window approach and dot-product calculations emphasis the differences between global and local empirical distributions. The Monte Carlo tests are applied for the analysis of performance for two smoothing coefficients, different width of the window of analysis and different size of the object.
EN
The implementation of the chi-square preprocessing algorithm for further track-before-detect (TBD) algorithm processing is considered in this paper. It allows real-time processing of noise objects that are disturbed by the other noise. The pipeline processing is proposed for optimization of local chi-square value computation using vertical movement of windows. The performance of CUDA based implementation for 2D tracking scenarios is shown for TBD and chi-square processing kernels
PL
W artykule przedstawiono implementację algorytmu śledzenia przed detekcją na GPGPU z wykorzystaniem technologii CUDA. Śledzenie obiektów będących szumem na pomiar których oddziałuje szum tła wymaga zastosowania specjalnego algorytmu. W artykule przedstawiono implementację bazującą na wykorzystaniu porównania modelu dyskretnego rozkładu prawdopodobieństwa dla całej obserwacji i lokalnej. Dyskretny rozkład prawdopodobieństwa jest wyznaczany dla całego obrazu. Lokalne rozkłady prawdopodobieństwa są porównywane z wykorzystaniem statystyki chi-kwadrat, która opisuje stopień podobieństwa rozkładów (3). W celu detekcji sygnału obiektu wykorzystano algorytm śledzenia przed detekcją (1), wyliczający wartości chi-kwadrat. Jest to niezbędne dla systemu, w którym okno analizy jest małe z uwagi na mały spodziewany rozmiar obiektu. Implementacja wykorzystuje przetwarzania potokowe dla ruchomych okien, dla których wartości chi-kwadrat są wyznaczane niezależnie. Dane wejściowe znajdują się w pamięci globalnej i są odczytywane poprzez pamięć cache jednostki tekstur, co pozwala na redukcję liczby cykli pamięci. Przetwarzane okna przesuwają się z góry do dołu, co powala na osiągnięcie prawie synchronicznych odczytów i zapisów pamięci, w celu maksymalizacji wydajności. Rozkłady prawdopodobieństwa przetwarzane są w potoku z buforem przynależnym każdemu z wątków. Oszacowano wydajności czasu rzeczywistego dla karty z procesorem G82 dla algorytmów TBD (rys. 6) i chi-kwadrat (rys. 7) dla śledzenia 2D.
EN
In the paper the noise suppression algorithms for Track-Before-Detect (TBD) systems are evaluated. Three estimators are considered: the global, local, and single local. The estimator based on the impulse counting for large number of pixels is proposed. Estimation of the noise parameters gives abilities of suppression of the salt-and-paper or high-valued impulse noise.
6
Content available remote Optimization of Bayesian Track-Before-Detect algorithms for GPGPUs Implementations
EN
This paper deals with target tracking for objects in a Track-Before-Detect context. It is shown how the existing recurrent Track-Before- Detect approach can be modified in order to deal with memory bottleneck in today’s available computation devices like GPGPUs (General Programmable Graphical Processing Units). A novel processing scheme using downsampled approach is developed for this purpose and obtained speed-up is milestone for numerous applications.
PL
W artykule przedstawiono rozwiązanie do śledzenia ruchu obiektów z wykorzystaniem algorytmów śledzenia przed detekcją dla implementacji na GPGPU (Programowalnym Procesorze Graficznym). Głównym ograniczeniem tego typu implementacji jest koszt związany z komunikacją GPGPU i pamięcią. Wykorzystując nowe podejście z wykorzystaniem podpróbkowania uzyskano znaczący zysk wydajności, kluczowy do implementacji w wielu aplikacjach. (Rozwiązanie do śledzenia ruchu obiektów dla implementacji na GPGPU - Programowalnym Procesorze Graficznym.
7
Content available Track-Before-Detect Algorithm for Noise Objects
EN
Track-Before-Detect (TBD) systems are used for tracking of the object signal under a high noise conditions. Noise objects are special class of objects with a zero mean value so they can not be processed directly. Possibilities of object detection and tracking for modified tracking system by numerical examples (Monte Carlo approach) are proposed and tested in this paper. The moving window is used for selection of samples for the standard deviation calculation.
PL
Systemy śledzenia przed detekcją wykorzystują podejście akumulacyjne do estymacji trajektorii obiektów w warunkach małego SNR, także dla SNR<1. W artykule zaproponowano system śledzenia przed detekcją z wykorzystaniem algorytmu rekurencyjnego Spatio-Temporal TBD dla obiektów szumowych zakłóconych dodatkowym szumem. W przypadku gdy poziom szumów obiektu jest zbliżony a nawet mniejszy niż szumu tła detekcja obiektu i wyznaczenie trajektorii nie jest możliwa za pomocą innych metod niż śledzenie przed detekcją. System bazuje na analizie zmian odchylenia standardowego dla szumów gaussowskich poprzez wykorzystanie ruchomego okna analizy dla sygnału wejściowego. Bez zastosowania przekształcenia sygnału do przestrzeni odchyleń standardowych detekcja nie jest możliwa, ponieważ konwencjonalne rozwiązanie śledzenia przed detekcją uśrednia sygnał, który dla obiektu szumowego ma wartość średnią równą zero. W analizie numerycznej wykorzystano podejście Monte Carlo do oszacowania własności algorytmu dla różnych wartości współczynnika wygładzania, rozmiaru okna oraz stosunku szumów obiektu do szumu tła. Jako miarę jakości wykorzystano odległość między znanym położeniem środka obiektu z generatora a położeniem największej wartości estymowanej przez algorytm śledzenia przed detekcją. Jakość estymacji rośnie ze wzrostem rozmiaru obiektu oraz wartością współczynnika wygładzania Algorytm charakteryzuje się dużym stopniem możliwości zrównoleglenia przetwarzania.
EN
Tracking systems based on Track-Before-Detect (TBD) scheme support tracking of low-SNR objects even if object signal is hidden in a noise. In this paper proposed method [1] is tested using Spatio-Temporal TBD algorithm with an additional code profiling using Nvidia CUDA computational platform. Different implementations are possible and the best solution for downsampled approach is based on the separate, register based state-space (without Shared Memory) and texture cache for input measurements.
PL
Algorytmy śledzenia przed detekcją umożliwiają śledzenie obiektów w warunkach niskiej wartości SNR (Signal-to-Noise Ratio) jednak są one bardzo złożone obliczeniowo. Wykorzystując GPGPU (programowalny procesor graficzny) możliwa jest implementacja czasu rzeczywistego. Dla zaproponowanego w [1] rozwiązania optymalizacji implementacji algorytmu z decymacją sygnału wyjściowego możliwe jest kilkukrotne skrócenie czasu obliczeń. W artykule przedstawiono i porównano dalsze możliwe rozwiązania optymalizacji z wykorzystaniem platformy programowej Nvidia CUDA dla rekurencyjnego algorytmu Spatio-Temporal Track-Before-Detect. Przestrzeń stanów może być decymowana w celu lepszego wykorzystania szybkiej pamięci współdzielonej dostępnej w GPGPU, podczas gdy dane wejściowe oraz wyjściowe przechowywane są w wolnej pamięci globalnej. Wykorzystując testy numeryczne z wykorzystaniem opracowanego oprogramowania do profilowania kodu źródłowego stwierdzono, że najbardziej wydajnym rozwiązaniem spośród analizowanych jest implementacja z oddzielnymi kernelami przetwarzania dla poszczególnych wektorów ruchu, wykorzystania rejestrów do przechowywania danych przestrzeni stanów w miejsce pamięci współdzielonej oraz pamięci texture cache do buforowania danych wejściowych. W przypadku niewykorzystywania metody decymacji optymalnym jest wykorzystanie oddzielnych kerneli, rejestrów dla przestrzeni stanów i bezpośredniego dostępu do pamięci globalnej dla danych wejściowych.
9
EN
A computation speed of Track-Before-Detect algorithm with GPGPU implementations are compared in the paper. The conventional and subpixel variants for different thread processing block sizes are compared. Decimation of the state space for reduction of the external memory accesses is assumed. The GPGPU code profiling technique by the source code synthesis is applied for finding of the best parameters and code variants for particular GPGPU.
PL
Systemy śledzenia oparte na schemacie śledzenia przed detekcją (TBD) umożliwiają śledzenia obiektów o niskim stosunku sygnału do szumu (SRN<1), co jest ważne dla zastosowań cywilnych i wojskowych. Konwencjonalne systemy śledzenia oparte na detekcji i śledzeniu nie są odpowiednie z uwagi na dużą ilość fałszywych lub utraconych detekcji. Najważniejszą wadą algorytmów TBD jest skala obliczeń, ponieważ wszystkie hipotezy (trajektorie) powinny być testowane, nawet jeśli nie ma obiektu w zasięgu. Proponowana metoda [8] oparta o decymację daje istotną (kilka razy) redukcję czasu przetwarzania na GPGPU. Programowalne karty graficzne (GPGPU) zawierają dużą ilość jednostek przetwarzania (procesorów strumieniowych) z bardzo małą, ale szybką pamięcią współdzieloną oraz dużą, ale bardzo wolną pamięcią globalną. Proponowana metoda [8] została w artykule przetestowana z wykorzystaniem algorytmu Spatio-Temporal TBD z dodatkowym profilowaniem kodu z wykorzystaniem platformy przetwarzania Nvidia CUDA. Kompilator CUDA jest dodatkowo używany do optymalizacji czasu przetwarzania z różnymi rozmiarami bloku przetwarzania. Przestrzeń stanów jest przetwarzana wewnętrznie z wykorzystaniem pamięci współdzielonej i przechowywana w pamięci globalnej po pewnej określonej liczbie kroków czasowych. Podejście z okienkowaniem jest używane do przetwarzania wejściowych danych pomiarowych 2D przechowywanych w pamięci globalnej.
EN
Influence of the impulse noise in recurrent Track-Before-Detect Algorithms is considered in this paper. Impulse noise from the object should improve tracking performance but it is not true. This is the SNR paradox that could be explained using Markov matrix theorem. Suppression of the signal value using threshold techniques improves output SNR. Description of this effect is detailed shown in the paper using illustrative examples. Obtained results could be applied for numerous applications of TBD systems.
EN
Track-Before-Detect (TBD) Algorithms are especially suitable for tracking low-observable targets. For low signal-to-noise ratio (SNR <1) cases tracking of such target is possible using TBD approach. Using accumulative approach and more than single measurements a noise level can be reduced in algorithm way, and gives SNR value enhancement. Due to the target's dynamic the possible motion vectors should be considered. In this article in parallel processing approach based on GPU (Graphics Processing Unit) and CUDA (a software platform for GPU programming) is discussed. GPU gives ability of using high number of stream processors and high clocking frequency for parallel algorithms. Because TBD algorithms have abilities of processing in parallel way they are well suited for GPU implementations and real-time processing. Using sparse characteristic of Markov's matrix the Spatio-Temporal TBD algorithm is considered and different implementations schemes (texture, global memory, global with shared memory) for state space access are compared and real-time processing for typical image sizes are obtained.
PL
Algorytmy śledzenia przed detekcją (TBD - Track-Before-Detect) umożliwiają realizacje systemów estymacji parametrów kinematycznych obiektów także przy warunku SNR<1 (Signal-to-Noise Ratio), co pozwala na śledzenie obiektów, których sygnał jest poniżej wartości szumów. Wykorzystując podejście akumulacyjne oraz więcej niż jeden pomiar możliwe jest zmniejszenie poziomu szumów, a przez to zwiększenie wartości SNR. Z uwagi na dynamikę obiektu konieczne jest uwzględnienie możliwych wektorów ruchu obiektu. Wymagania te powodują, że algorytmy te mają olbrzymi koszt obliczeniowy niezależny od ilości śledzonych obiektów. W artykule zaproponowano rozwiązanie przetwarzania równoległego w czasie rzeczywistym dla obrazów, z wykorzystaniem GPU (Graphical Processing Unit) i platformy programowej CUDA. Zaletą wykorzystania GPU jest możliwość użycia bardzo dużej liczby procesorów strumieniowych, charakteryzujących się prostą budową i wysoką częstotliwością taktowania, co pozwala na efektywną czasowo realizację algorytmów przetwarzania równoległego. Ponieważ algorytmy śledzenia przed detekcją mają cechy predysponujące je do przetwarzania równoległego, więc wykorzystanie GPU jest rozwiązaniem pozwalającym na przetwarzanie w czasie rzeczywistym. W artykule rozpatrywane jest zastosowanie algorytmu rekurencyjnego: przestrzenno-czasowego śledzenia przed detekcją, ze szczególnym uwzględnieniem możliwości redukcji ilości obliczeń dla rzadkich macierzy Markowa. Porównano różne warianty implementacji dla dostępu do wielowymiarowej przestrzeni stanów, która jest przechowywana w pamięci karty graficznej. Dane wejściowe także przechowywane są w pamięci karty graficznej, a dostęp realizowany za pomocą odczytu tekstury, co pozwala na realizację także ułamkowych wektorów ruchu, dzięki wbudowanej interpolacji dwuliniowej. Przestrzeń stanów jest czterowymiarowa i dostęp do niej obciąża znacząco magistralę pamięci. Przetestowano warianty: odczytu z wykorzystaniem tekstur oraz zwykłego dostępu do pamięci, oraz zapisu bezpośredniego i z synchronizowanym buforowaniem w pamięci współdzielonej, uzyskując zbliżone wyniki czasu przetwarzania. Ponieważ w architekturze CUDA nie jest możliwy zapis do tekstury, dlatego konieczne jest dodatkowe kopiowanie wyników przestrzeni stanów do obszaru tekstury, co jednak nie powoduje znaczącego obciążenia w systemie. Wykazano, że możliwa jest realizacja systemów śledzenie przed detekcją z wykorzystaniem GPU pracującym w czasie rzeczywistym. Dla obrazów o rozmiarze 256x256 pikseli osiągnięto ponad 200 klatek na sekundę przy 13 wektorach ruchu, a dla 1024x1024 osiągnięto 15 klatek na sekundę, przy wykorzystaniu procesora G80 (GeForce 8800 GTS).
EN
Track-Before-Detect algorithms give ability of movement tracking of low SNR objects what is useful in car tracking systems. Recurrent Spatio-Temporal TBD algorithm used for a low-level image processing can be used for estimation of cars position. Using high-level filtering techniques of position signal allows smoothing and more accurate estimation. Both algorithms add some latency and finding this value allows reduction of position errors. Interpolation technique improves estimation of position additionally what is shown by numerical examples.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.