Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2013 | Vol. 54, nr 3 | 25-29
Tytuł artykułu

Wykorzystanie algorytmów klasyfikacji i fuzji informacji w procesie rozpoznawania obiektów morskich na podstawie obrazów FLIR

Warianty tytułu
EN
Algorithms of classification and information fusion for a process to recognize maritime objects based on FLIR images
Języki publikacji
PL
Abstrakty
PL
W referacie dokonano przeglądu algorytmów klasyfikacji i fuzji informacji na podstawie obrazów obiektów morskich wykonanych przez sensory podczerwieni (FLIR - Forward Looking Infra-Red), które umożliwiają identyfikację tych obiektów. Ostatecznym celem analizy obrazów jest identyfikacja obiektów morskich, polegająca na rozpoznaniu ich typu oraz ewentualnie określenie ich przynależności. W pierwszej części referatu omówiono trzy metody ekstrakcji cech dystynktywnych obrazów FLIR obiektów morskich: metodę Parka i Sklansky'ego 11 atrybutów obrazów (7 momentów strukturalnych i 4 parametry autoregresji), metoda Allena 14 atrybutów obrazów w postaci 7 momentów strukturalnych i 7 momentów luminancyjnych oraz metodę Belongiego deskryptorów kształtów. W dalszej części referatu przedstawiono konstrukcje trzech klasyfikatorów bazujących na poszczególnych typach ekstrakcji cech obrazów: Dempstera-Shafera, addytywny klasyfikator Bayesa oraz klasyfikator bazujący na deskryptorach kształtu. Wyniki uzyskiwane za pomocą tych klasyfikatorów mogą stanowić bazę procesu fuzji decyzji klasyfikatorów. Podstawowym pytaniem, na które należy znaleźć odpowiedź podczas badań fuzji decyzji klasyfikatorów, jest to, czy fuzja decyzji klasyfikatorów poprawia jakość decyzji najlepszego klasyfikatora. W końcowym fragmencie przedstawiono konstrukcję dwóch algorytmów fuzji decyzji klasyfikatorów: zmodyfikowanej reguły Bayesa oraz reguły kombinacji Dempstera-Shafera. Jakość działania obu algorytmów zilustrowano przykładem zaczerpniętym z literatury przedmiotu i bazującym na ocenie jakości fuzji decyzji rozpoznawania obiektów morskich na podstawie bazy 2545 obrazów FLIR zgromadzonych w Centrum Operacji Powietrznych Marynarki Wojennej USA.
EN
This paper presents an overview of classification and information fusion algorithms based on FLIR (forward looking infrared) images of maritime objects. A maritime object identification is the final goal of FLIR image analysis and relies on its type recognition and its standard identity assigning. In the first part of the paper three extraction methods of maritime objects distinctive features based on their FLIR images: a Park and Sklansky method based on seven invariant moments and four autoregressive parameters, an Allen method based on seven structural moments and seven intensity-based moments and finally a Belongie shape-matching method. In next part of the paper three classifiers are presented: a Dempster-Shaffer classifier, an additive Bayes classifier and a template-based Belongie classifier. Decisions of this classifiers are fused in two ways: using a modified Bayes rule and using a Dempster-Shafer combining rule. Fusion results are presented in P. Valin, E. Bosse and A. Jouan technical report. The results are based on 2545 FLIR images provided by the United States Naval Air Warfare Center.
Wydawca

Rocznik
Strony
25-29
Opis fizyczny
Bibliogr. 21 poz., tab.
Twórcy
  • Wojskowa Akademia Techniczna, Instytut Radioelektroniki, Wydział Elektroniki, Warszawa
autor
  • Wojskowa Akademia Techniczna, Instytut Radioelektroniki, Wydział Elektroniki, Warszawa
Bibliografia
  • [1] Allen S., Signal Based Features with Application to Ship Recognition in FLIR Imagery, in Proceedings of the 4th Annual Conference on Information Fusion, FUSION 2001, vol. 2, pp. FrC2-3 to FrC2-8, Montreal, Canada, August 7-10, 2001.
  • [2] Belongie S., Malik J., Puzicha J., Shape Matching and Object Recognition Using Shape Contexts, IEEE PAMI, vol. 24, no. 24, pp. 509-522, Apr 2002.
  • [3] Bookstein F. L., principal Warps: Thin-plate splines and the decomposition of deformations, IEEE PAMI, vol. 11, no. 3, pp. 252-264, Mar 1991.
  • [4] Demers H., Fusion of Two Imagery Classifiers: A Case Study, [w] Proceedings of the NATO ASI, on Data Fusion for Situation Monitoring, Incident Detection, Alert and Response Management, held in Armenia, E. Shahbazian, G. Rogova and P. Valin, eds., 18-29 August 2003, Springer-Verlag.
  • [5] Gonzalez R. C., Wintz P., Digital Image Processing, Addison-Wesley, 1987.
  • [6] Heucke L., Knaak M., Orglmeister R., A New Image Segmentation Method Based on Human Brightness Perception and Foveal Adaptation, IEEE Signal Processing Letters, Vol. 7, No. 6, pp.129-131, June 2000.
  • [7] Ho T. K., Multiple Classifier Combination: Lessons and Next Steps, [w] Hybrid Methods in Pattern Recognition, eds. A. Kandel, H. Bunke, 2002.
  • [8] Hu M. K., Visual Pattern Recognition by moment invariant, IEE Transactions Information Theory, IT-8, 1962, pp.179-187.
  • [9] Jain K., Duin R. P. W., Mao J., Statistical pattern recognition: a review, IEEE PAMI, vol. 2, no. 1, pp. 4-37, Jan 2000.
  • [10] Jouan A., Valin P., Bosse E., Concepts of data/information fusion for naval C2 and airborne ISR platforms, Defence R&D Canada - Valcartier, Technical Report DRDC Yalcartier, TR 2004-284, November 2006.
  • [11] Kasprzak W., Rozpoznawanie obrazów i sygnałów mowy, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2009.
  • [12] Kittler J., Duin R. P. W., Matas J., On Combining Classifiers, IEEE PAMI, vol. 20, no. 3, pp. 226-239, Mar 1998.
  • [13] Kittler J., Roll, F, Multiple Classifiers Systems, Volume 1857, Springer-Verlag, Berlin, 2000.
  • [14] Malina W., Smiatacz M., Cyfrowe przetwarzanie obrazów, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2008.
  • [15] Malina W., Smiatacz M., Rozpoznawanie obrazów, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2011.
  • [16] Park Y., & Sklansky J., Automated Design of Linear Tree Classifiers, Pattern Recognition, Vol. 23, No. 12, 1990, pp. 1393-1412.
  • [17] Tremblay C., Valin P., Dempster-Shafer Classifiers for FLIR Imagery and Neural Net Fusion of Complementary Classifiers, RTO SET-059 Symposium on Target Tracking and Sensor Data Fusion for Military Observation Systems, Budapest, Hungary, 15-17 October2003.
  • [18] Valin P., Methods for the Fusion of Multiple FLIR Classifiers, [w] Proceedings of the Workshop on Signal Processing, Communication, Chaos and Systems: a Tribute to Rabinder N. Madan, June 20, 2002, Newport, RI, pp. 117-122, 2002.
  • [19] Valin P., Bosse E., Jouan A., Airborne application of information fusion algorithms to classification, Defence R&D Canada - Valcartier Technical Report DRDC Valcartier, TR 2004-282, May 2006.
  • [20] Valin P., Rheaume F., Tremblay C., Grenier D., Jousselme A-L., Bosse E., Comparative implementation of two fusion schemes for multiple complementary FLIR imagery Classifiers, Information Fusion 7(2006), pp. 197-206.
  • [21] Shafer G.: A mathematical theory of evidence, Princeton University Press, 1976.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-article-BWA0-0057-0003
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.