РАЗРАБОТКА АЛГОРИТМА ОБНАРУЖЕНИЯ МАЛОРАЗМЕРНЫХ НАЗЕМНЫХ И ВОЗДУШНЫХ ЦЕЛЕЙ В СЛОЖНЫХ УСЛОВИЯХ НАБЛЮДЕНИЯ

DEVELOPMENT OF AN ALGORITHM FOR DETECTING SMALL GROUND AND AIR TARGETS UNDER CHALLENGING OBSERVATION CONDITIONS

Bobikina Ekaterina Anatolievna

Cadet, Military Academy of Air and Space Defense, Russia, Tver

Kovalenko Alexander Grigorievich

Scientific supervisor, Candidate of Technical Sciences, Lecturer, Military Academy of Air and Space Defense, Russia, Tver

Аннотация. В статье рассматривается задача обнаружения малоразмерных наземных и воздушных целей в условиях сложной помеховой обстановки. Анализируются современные методы цифровой обработки сигналов и изображений, применяемые в радиолокационных, оптико-электронных и мультисенсорных системах наблюдения.

Abstract. This article examines the problem of detecting small ground and air targets in complex interference environments. It analyzes modern methods of digital signal and image processing used in radar, optoelectronic, and multisensor surveillance systems.

Ключевые слова: малоразмерные цели, обнаружение объектов, цифровая обработка сигналов, машинное обучение, радиолокация, оптико-электронные системы, адаптивная фильтрация.

Keywords: small targets, object detection, digital signal processing, machine learning, radar, optoelectronic systems, adaptive filtering.

Анализ существующих методов обнаружения

Пороговые методы

Классические алгоритмы обнаружения основаны на сравнении уровня сигнала с фиксированным или адаптивным порогом. Наиболее распространённым является алгоритм CFAR (Constant False Alarm Rate), обеспечивающий постоянную вероятность ложной тревоги.

Пороговое условие обнаружения можно представить в виде:

​

где S(x,y) - амплитуда сигнала;

T_CFART ​ - адаптивный порог обнаружения.

Недостатком CFAR является снижение эффективности при наличии неоднородного фона и групповых помех.

Методы пространственно-временной обработки

Для повышения устойчивости к помехам применяются методы пространственно-временной фильтрации. Они позволяют выделять движущиеся объекты на фоне стационарных помех.

Одним из распространённых методов является вычисление разности последовательных кадров:

где I_t(x,y) - текущий кадр;

I_t-1(x,y) - предыдущий кадр;

D_t(x,y) - карта движения.

Однако при сложных погодных условиях и вибрациях платформы точность метода существенно ухудшается.

Методы машинного обучения

Современные подходы используют нейронные сети и алгоритмы глубокого обучения. Наиболее эффективными являются:

• сверточные нейронные сети (CNN);
• рекуррентные сети (RNN);
• трансформерные архитектуры;
• методы сегментации изображений.

Их основным преимуществом является способность выявлять слабовыраженные признаки целей даже при наличии интенсивных шумов.

Недостатками являются:

• высокая вычислительная сложность;
• необходимость большого объема обучающих данных;
• снижение интерпретируемости решений.

Постановка задачи

Требуется разработать алгоритм, обеспечивающий:

1. обнаружение малоразмерных целей при низком отношении сигнал/шум;
2. устойчивость к атмосферным и динамическим помехам;
3. снижение вероятности ложных тревог;
4. возможность работы в реальном времени.

Входными данными являются:

• радиолокационные сигналы;
• оптико-электронные изображения;
• видеопоследовательности.

Выходом алгоритма является множество координат обнаруженных объектов:

где (x_i, y_i) — координаты цели;

(v_i) — оценка скорости движения.

Разработка алгоритма обнаружения

Общая структура алгоритма

Предлагаемый алгоритм включает следующие этапы:

1. предварительная фильтрация;
2. подавление шумов;
3. выделение движущихся областей;
4. адаптивная сегментация;
5. классификация объектов;
6. сопровождение целей.

Структурная схема алгоритма представлена следующим образом:

Предварительная обработка

На первом этапе выполняется нормализация изображения и подавление высокочастотных шумов.

Для фильтрации используется гауссов фильтр:

где σ - определяет степень сглаживания.

Выделение движущихся объектов

Для обнаружения движения применяется адаптивное вычитание фона:

где B_t(x,y) - модель фона;

α - коэффициент адаптации.

После этого вычисляется карта отклонений:

Пиксели, превышающие адаптивный порог, относятся к потенциальным целям.

Адаптивная фильтрация помех

Для повышения устойчивости к атмосферным помехам используется медианная фильтрация и морфологическая обработка.

Медианный фильтр определяется выражением:

где область фильтрации задаётся окном N×N

Классификация целей

Для классификации обнаруженных объектов используется сверточная нейронная сеть. На вход сети подаются фрагменты изображений размером (64\times64) пикселей.

Функция активации имеет вид:

f(x)= max(0,x)

В качестве классификатора применяется Softmax-функция:

где P_i - вероятность принадлежности объекта к классу;

z_i) - выход нейронной сети.

Результаты моделирования

Моделирование проводилось в среде MATLAB и Python на синтетических и реальных видеоданных.

Рассматривались следующие условия:

• отношение сигнал/шум от −5 до 15 дБ;
• наличие дождя, тумана и фоновых помех;
• движение целей со скоростью до 40 м/с.

Получены следующие результаты:

Результаты показывают, что комбинированный подход обеспечивает наиболее высокую эффективность обнаружения.

Обсуждение результатов

Предложенный алгоритм демонстрирует высокую устойчивость к сложным условиям наблюдения благодаря совмещению:

• адаптивной обработки сигналов;
• пространственно-временной фильтрации;
• методов глубокого обучения.

Основным преимуществом алгоритма является возможность обнаружения слабоконтрастных целей при низком уровне ложных тревог.

Ограничениями метода являются:

• необходимость вычислительных ресурсов для работы CNN;
• чувствительность к качеству обучающей выборки;
• снижение эффективности при экстремально низком разрешении данных.

Заключение

В работе разработан алгоритм обнаружения малоразмерных наземных и воздушных целей в сложных условиях наблюдения. Предложенный подход сочетает адаптивную фильтрацию, выделение движущихся объектов и методы машинного обучения.

Результаты моделирования показали:

• увеличение вероятности обнаружения до 0.95;
• снижение уровня ложных тревог до 0.04;
• устойчивость к шумам и атмосферным помехам.

Разработанный алгоритм может быть использован в:

• радиолокационных системах;
• оптико-электронных комплексах;
• системах мониторинга воздушного пространства;
• беспилотных системах наблюдения.

Перспективными направлениями дальнейших исследований являются:

• использование трансформерных нейросетевых архитектур;
• внедрение мультисенсорного объединения данных;
• оптимизация алгоритма для встраиваемых вычислительных платформ.