НЕЙРОСЕТЕВОЙ ПРОГНОСТИЧЕСКИЙ АЛГОРИТМ ОЦЕНКИ ПАРАМЕТРОВ ДВИЖЕНИЯ ОБЛАКОВ
|
Аннотация
ВВЕДЕНИЕ 5
1 МЕТОДЫ И АЛГОРИТМЫ ОТСЛЕЖИВАНИЯ ПЕРЕМЕЩЕНИЯ
НЕСТРУКТУРИРОВАННЫХ ОБЪЕКТОВ 7
1.1 Методы выделения особых точек на кадре видеопотока 7
1.1.1 SIFT (Scale Invarian Feature Transform) 9
1.1.2 SURF (Speeded Up Robust Features) 12
1.1.3 ORB (Oriented FAST and Rotated BRIEF) 13
1.2 Метод наблюдения за движением особых точек 15
1.2.1 Детерминированные методы 16
1.2.2 Вероятностные методы 17
1.2.3 Нейросетевые методы 18
1.2.4 Метод Виолы-Джонса 21
2 МЕТОДАХ И АЛГОРИТМЫ ПРОГНОЗИРОВАНИЯ ПЕРЕМЕЩЕНИЯ
НЕСТРУКТУРИРОВАННОГО ОБЪЕКТА 27
2.1 Регрессионный анализ 27
2.2 Метод группового учета аргументов 29
3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МЕТОДА 33
3.1 Выбор и обоснование среды реализации программной системы 33
3.2 Разработка структуры программы и ее описание 34
3.2.1 Реализация поиска особых точек на изображении 35
3.2.2 Прогнозирование перемещения облачного образования 38
3.3 Тестирование 40
ЗАКЛЮЧЕНИЕ 44
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 46
ПРИЛОЖЕНИЕ А 4
ВВЕДЕНИЕ 5
1 МЕТОДЫ И АЛГОРИТМЫ ОТСЛЕЖИВАНИЯ ПЕРЕМЕЩЕНИЯ
НЕСТРУКТУРИРОВАННЫХ ОБЪЕКТОВ 7
1.1 Методы выделения особых точек на кадре видеопотока 7
1.1.1 SIFT (Scale Invarian Feature Transform) 9
1.1.2 SURF (Speeded Up Robust Features) 12
1.1.3 ORB (Oriented FAST and Rotated BRIEF) 13
1.2 Метод наблюдения за движением особых точек 15
1.2.1 Детерминированные методы 16
1.2.2 Вероятностные методы 17
1.2.3 Нейросетевые методы 18
1.2.4 Метод Виолы-Джонса 21
2 МЕТОДАХ И АЛГОРИТМЫ ПРОГНОЗИРОВАНИЯ ПЕРЕМЕЩЕНИЯ
НЕСТРУКТУРИРОВАННОГО ОБЪЕКТА 27
2.1 Регрессионный анализ 27
2.2 Метод группового учета аргументов 29
3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МЕТОДА 33
3.1 Выбор и обоснование среды реализации программной системы 33
3.2 Разработка структуры программы и ее описание 34
3.2.1 Реализация поиска особых точек на изображении 35
3.2.2 Прогнозирование перемещения облачного образования 38
3.3 Тестирование 40
ЗАКЛЮЧЕНИЕ 44
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 46
ПРИЛОЖЕНИЕ А 4
Актуальность. Облака - одно из важнейших метеорологических (атмосферных) явлений, играющее решающую роль в формировании погоды и климата, а также в распределении флоры и фауны на Земле. Облака изменяют радиационный режим атмосферы и земной поверхности, влияют на температурный и влажностный режимы тропосферы и приземного слоя атмосферы, где происходит жизнь и деятельность человека. Во многих случаях по облакам можно судить не только об общем состоянии погоды на данный момент, но и о ее возможных изменениях в ближайшем будущем. Облака являются характерными индикаторами атмосферных условий, при которых происходят определенные явления. Например, полное отсутствие облаков верхнего и среднего ярусов может служить надежным показателем удаленности фронтов воздушных масс и связанных с ними фронтов облачности и осадков от точки наблюдения.
Системы видеонаблюдения с возможностью определения местоположения динамической текстуры и прогнозирование дальнейшей траектории движения могут найти широкое применение в предотвращении чрезвычайных ситуаций. Резкое изменение скорости или направления облаков свидетельствует о резкой смене погоды характеризующейся ухудшенной видимостью, шквальным ветром и грозой. Полученные данных на локальном участке видеонаблюдения находят широкое применение в системах обеспечения безопасности полетов (как гражданской, так и военной авиации), а также в обеспечении безопасности полетов БПЛА.
Задачи прогнозирования изменения перемещения облачных образований возникают практически во всех областях деятельности человека:
- в гражданской и военной авиации;
- в военно-морском флоте;
- обеспечение безопасности полетов БПЛА;
- МЧС и т.д.
Исследования по теме входят в перечень критических технологий Российской Федерации (утверждён Указом Президента РФ №899 от 7 июля 2011 года) - «Технологии мониторинга и прогнозирования состояния окружающей среды, предотвращения и ликвидации ее загрязнения».
Проблемная ситуация. Возникающая при этом проблемная ситуация обусловлена тем, что отдельное облако существуют зачастую очень короткое время. Это связано с тем, что капли, из которых состоит облако, быстро испаряются. Даже если облако наблюдается очень долго, это вовсе не означает, что оно является неизменным образованием. В действительности облака постоянно находятся в процессе образования и распада. За последние годы было предложено множество успешных подходов по решению задачи отслеживания неструктурированного объекта. Тем не менее, они обладают рядом недостатков, например, ориентированность на узкий круг задач, необходимость использования дополнительного специального оборудования, наложение ограничений на обрабатываемые данные (например, статичный фон и фиксированный ракурс).
В связи с вышеизложенным целью данной работы является разработка алгоритма и программы вычисления скорости и направления движения неструктурированных образований (облаков).
Для ее достижения решались следующие задачи:
- аналитический обзор литературы по теме исследований;
- выбор и обоснование методов и алгоритмов решения сформулированной задачи;
- разработка блок-схемы, выбор и обоснование среды и языка реализации системы.
Разрабатываемый алгоритм базируется на предварительном выделении ключевых точек на изображении облачности. Этот подход позволяет частично структурировать облачные образования и служит основой для прогнозирования их дальнейшего движения.
Системы видеонаблюдения с возможностью определения местоположения динамической текстуры и прогнозирование дальнейшей траектории движения могут найти широкое применение в предотвращении чрезвычайных ситуаций. Резкое изменение скорости или направления облаков свидетельствует о резкой смене погоды характеризующейся ухудшенной видимостью, шквальным ветром и грозой. Полученные данных на локальном участке видеонаблюдения находят широкое применение в системах обеспечения безопасности полетов (как гражданской, так и военной авиации), а также в обеспечении безопасности полетов БПЛА.
Задачи прогнозирования изменения перемещения облачных образований возникают практически во всех областях деятельности человека:
- в гражданской и военной авиации;
- в военно-морском флоте;
- обеспечение безопасности полетов БПЛА;
- МЧС и т.д.
Исследования по теме входят в перечень критических технологий Российской Федерации (утверждён Указом Президента РФ №899 от 7 июля 2011 года) - «Технологии мониторинга и прогнозирования состояния окружающей среды, предотвращения и ликвидации ее загрязнения».
Проблемная ситуация. Возникающая при этом проблемная ситуация обусловлена тем, что отдельное облако существуют зачастую очень короткое время. Это связано с тем, что капли, из которых состоит облако, быстро испаряются. Даже если облако наблюдается очень долго, это вовсе не означает, что оно является неизменным образованием. В действительности облака постоянно находятся в процессе образования и распада. За последние годы было предложено множество успешных подходов по решению задачи отслеживания неструктурированного объекта. Тем не менее, они обладают рядом недостатков, например, ориентированность на узкий круг задач, необходимость использования дополнительного специального оборудования, наложение ограничений на обрабатываемые данные (например, статичный фон и фиксированный ракурс).
В связи с вышеизложенным целью данной работы является разработка алгоритма и программы вычисления скорости и направления движения неструктурированных образований (облаков).
Для ее достижения решались следующие задачи:
- аналитический обзор литературы по теме исследований;
- выбор и обоснование методов и алгоритмов решения сформулированной задачи;
- разработка блок-схемы, выбор и обоснование среды и языка реализации системы.
Разрабатываемый алгоритм базируется на предварительном выделении ключевых точек на изображении облачности. Этот подход позволяет частично структурировать облачные образования и служит основой для прогнозирования их дальнейшего движения.
С появлением все более развитых систем видеонаблюдения становится особенно актуальной задача поиска и отслеживания объектов. Несмотря на обширные исследования в этой области, отслеживание неструктурированных объектов в видеопотоке остается значимым вызовом. Особый интерес представляет слежение за перемещением облачных образований, которое может быть важным элементом систем прогнозирования климатических изменений.
Таким образом, в результате проведенных исследований, на защиту выносится следующее защищаемое положение: прогностический алгоритм изменения облачных покровов, ориентированный на использование семейства особых точек и групповой учет аргументов, обеспечивает за один такт расчета прогнозирование перемещения облачности на 25 кадров, с достоверностью до 75 процентов.
Облачные образования представляют собой сложные динамические текстуры, которые представляют собой вызов для анализа и прогнозирования их перемещения. Для того чтобы частично структурировать такие объекты и упростить их анализ, выделяют особые точки, которые представляют собой ключевые характеристики облака. Исследования показали, что для решения задачи отслеживания облачных образований наиболее целесообразно использовать методы выделения особых точек, такие как ORB (Oriented FAST and Rotated BRIEF), а для прогнозирования - МГУА. Разработанная блок- схема алгоритма отслеживания облачных образований состоит из двух основных этапов: сначала происходит переход к частично структурированному объекту, а затем осуществляется отслеживание его перемещений и прогнозирование.
Для реализации программного комплекса был выбран язык программирования Python и среда разработки PyCharm. Использование библиотеки компьютерного зрения OpenCV позволяет эффективно работать с изображениями, включая интерпретацию, распознавание объектов и другие задачи. Эта библиотека широко применяется как в учебных, так и в коммерческих проектах.
В данной работе полученные значения коэффициента детерминации находятся в диапазоне от 0,6 до 0,7. Это означает, что прогнозы, полученные с использованием разработанной модели, демонстрируют умеренное соответствие между прогнозируемыми и фактическими траекториями облаков. В то же время, это также указывает на то, что есть потенциал для улучшения модели.
Дальнейший анализ результатов работы позволяет выделить ряд перспективных направлений для улучшения прогностической модели. В частности, можно провести дополнительную оптимизацию параметров алгоритмов, что поможет увеличить точность прогнозов. Также возможно расширение функционала модели, включая в нее дополнительные признаки или алгоритмы обработки данных, что позволит улучшить ее способность к адаптации к различным условиям и типам облачных образований.
Кроме того, важным направлением для дальнейших исследований может стать анализ влияния различных факторов на точность прогнозов. Это может включать в себя изучение влияния временных интервалов между кадрами видеопотока, разрешения изображений, а также характеристик облачных образований на результаты прогнозирования. Такой анализ поможет лучше понять условия, при которых модель демонстрирует наилучшие результаты, и определить оптимальные параметры ее работы.
Таким образом, в результате проведенных исследований, на защиту выносится следующее защищаемое положение: прогностический алгоритм изменения облачных покровов, ориентированный на использование семейства особых точек и групповой учет аргументов, обеспечивает за один такт расчета прогнозирование перемещения облачности на 25 кадров, с достоверностью до 75 процентов.
Облачные образования представляют собой сложные динамические текстуры, которые представляют собой вызов для анализа и прогнозирования их перемещения. Для того чтобы частично структурировать такие объекты и упростить их анализ, выделяют особые точки, которые представляют собой ключевые характеристики облака. Исследования показали, что для решения задачи отслеживания облачных образований наиболее целесообразно использовать методы выделения особых точек, такие как ORB (Oriented FAST and Rotated BRIEF), а для прогнозирования - МГУА. Разработанная блок- схема алгоритма отслеживания облачных образований состоит из двух основных этапов: сначала происходит переход к частично структурированному объекту, а затем осуществляется отслеживание его перемещений и прогнозирование.
Для реализации программного комплекса был выбран язык программирования Python и среда разработки PyCharm. Использование библиотеки компьютерного зрения OpenCV позволяет эффективно работать с изображениями, включая интерпретацию, распознавание объектов и другие задачи. Эта библиотека широко применяется как в учебных, так и в коммерческих проектах.
В данной работе полученные значения коэффициента детерминации находятся в диапазоне от 0,6 до 0,7. Это означает, что прогнозы, полученные с использованием разработанной модели, демонстрируют умеренное соответствие между прогнозируемыми и фактическими траекториями облаков. В то же время, это также указывает на то, что есть потенциал для улучшения модели.
Дальнейший анализ результатов работы позволяет выделить ряд перспективных направлений для улучшения прогностической модели. В частности, можно провести дополнительную оптимизацию параметров алгоритмов, что поможет увеличить точность прогнозов. Также возможно расширение функционала модели, включая в нее дополнительные признаки или алгоритмы обработки данных, что позволит улучшить ее способность к адаптации к различным условиям и типам облачных образований.
Кроме того, важным направлением для дальнейших исследований может стать анализ влияния различных факторов на точность прогнозов. Это может включать в себя изучение влияния временных интервалов между кадрами видеопотока, разрешения изображений, а также характеристик облачных образований на результаты прогнозирования. Такой анализ поможет лучше понять условия, при которых модель демонстрирует наилучшие результаты, и определить оптимальные параметры ее работы.
