Chia sẻ bài báo qua Email TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN
Thông tin bài báo
Ngày nhận bài: 04/02/20 Ngày hoàn thiện: 27/04/20 Ngày đăng: 04/05/20Các tác giả
1. Nguyễn Văn Phương
, Trường Đại học Kỹ thuật Lê Quý Đôn2. Đào Khánh Hoài, Trường Đại học Kỹ thuật Lê Quý Đôn
3. Tống Minh Đức, Trường Đại học Kỹ thuật Lê Quý Đôn
Tóm tắt
Hoạt động tìm kiếm và cứu nạn bao gồm việc tìm kiếm và giải cứu người, phương tiện bị mắc kẹt trong các tình huống khó khăn. Trong thời gian gần đây, một thiết bị được ứng dụng nhiều trong cả quân sự và dân sự là phương tiện bay không người lái (UAV), nó thực sự là một nguồn lực rất lớn cho sứ mệnh tìm kiếm cứu nạn. Bởi thiết bị này có thể mang cảm biến hình ảnh có độ phân giải cao, phạm vi hoạt động rộng, địa hình đa dạng mà không cần quá nhiều nhân lực và chi phí cho quá trình tìm kiếm. Tuy nhiên, với số lượng lớn ảnh thu được từ thiết bị này, kết hợp với độ phân giải cao trong một khu vực rộng lớn là rào cản không hề nhỏ để phát hiện bằng mắt thường. Tự động phát hiện mục tiêu là giải pháp phù hợp. Để tránh bỏ sót các mục tiêu, tăng hiệu quả phát hiện của các thuật toán là cần thiết. Trong nghiên cứu này, chúng tôi đề xuất một phương pháp tăng hiệu quả phát hiện mục tiêu của quy tắc quyết định dựa trên kiểm tra tỷ lệ khả năng sử dụng mô hình phi tham số để ước tính hàm mật độ xác suất của dữ liệu nền bằng cách kết hợp kết hợp với các kỹ thuật: khử nhiễu; trích rút đặc trưng SIFT, SURF. Kết quả thử nghiệm trên bộ dữ liệu mẫu cho kết quả khác biệt rõ rệt, nhất là các trường hợp ảnh bị can nhiễu.
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1]. X. Dong, Organization and operation of the VNMCC Center in Cospas - Sarsat Organization, Viet Nam Local User Terminal/Mission Control Center, 2014.
[2]. Decree No. 36/2008/ND-CP of March 28, 2008, The management of unmanned aircraft and ultralight aircraft, 2008.
[3]. V. T. T. Bach, “Unmanned aircraft and some basic concepts”, Vietnam Air Traffic Management Corporation, 2019. [Online]. Available: https://vatm.vn/tau-bay-khong-nguoi-lai-va-mot-so-khai-niem-co-ban-n5358.html. [Accessed Jan. 15, 2020].
[4]. S. Grogan, R. Pellerin, and M. Gamache, “The use of unmanned aerial vehicles and drones in search and rescue operations – a survey,” in Conference: PROLOG 2018, pp. 1-12, 2018.
[5]. H. Shakhatreh, A. H. Sawalmeh, A. I. Al-Fuqaha, Z. Dou, E. K. Almaita, I. M. Khalil, N. S. Othman, A. Khreishah, and M. Guizani, “Unmanned aerial vehicles (uavs): A survey on civil applications and key research challenges,” IEEE Access, vol. 7, pp. 1-63, 2019.
[6]. T. Bolukbasi, and P. Tran, Outline color identification for search and rescue, Technical Reportof Department of Electrical and Computer Engineering, Boston University, no. ECE-2012-07, 2012.
[7]. M. Ramachandran, and W. Moik, Outline color identification for search and rescue, Technical Reportof Department of Electrical and Computer Engineering, Boston University, no. ECE-2013-03, 2013.
[8]. T. Marshall, and L. N. Perkins, Color outline detection for search and rescue, Technical Reportof Department of Electrical and Computer Engineering, Boston University, no. ECE-2015-01, 2015.
[9]. N. V. Phuong, and D. K. Hoai, “Anomaly Detection Techniques on UAV Images for Search and Rescue,” Journal of Research and Development on Information and Communication Technology, vol. V-1, no. 39, pp. 1-8, 2018.
[10]. I. S. Reed, and X. Yu, “Adaptive multiple-band cfar detection of an optical pattern with unknown spectral distribution,” IEEE transactions on acoustics. speech. and signal processing, vol. 38, no. 10, pp. 1760–1770, 1990.
[11] H. Kwon, S. Z. Der, and N. M. Nasrabadi, “Adaptive anomaly detection using subspace separation for hyperspectral imagery,” Opt. Eng., vol. 42, no. 11, pp. 3342-3351, 2003.
[12]. S. Matteoli, T. Veracini, M. Diani, and G. Corsini, “Background Density Nonparametric Estimation With Data-Adaptive Bandwidths for the Detection of Anomalies in Multi-Hyperspectral Imagery,” IEEE Geoscience and Remote Sensing Letters, vol. 11, pp. 163-167, 2014.
[13]. T. Veracini, S. Matteoli, M. Diani, and G. Corsini, “Nonparametric Framework for Detecting Spectral Anomalies in Hyperspectral Images,” IEEE Geoscience and Remote Sensing Letters, vol. 8, no. 4, pp. 666-670, 2011.
[14]. C. Zhao, X. Wang, and G. Zhao, “Detection of hyperspectral anomalies using density estimation and collaborative representation,” Remote Sensing Letters, vol. 8, no. 11, pp. 1025-1033, 2017.
[15]. M. Rosenblatt, “Remarks on Some Nonparametric Estimates of a Density Function,” The Annals of Mathematical Statistics, vol. 27, no. 3, pp. 832-837, 1956.
[16]. E. Parzen, “On Estimation of a Probability Density Function and Mode,” Annals of Mathematical Statistics, vol. 33, pp. 1065-1076, 1962.
[17]. W. Hardle, A. Werwatz, M. Muller, and S. Sperlich, “Nonparametric Density Estimation”, in Nonparametric and Semiparametric Models, Springer Series in Statistics, 2004, pp. 39-83.
[18]. L. Devroye, and L. Gyorfi, Nonparametric Density Estimation: The L1 View, Wiley, New York, 1985.
[19] D. Lowe, “Distinctive image features from scaleinvariant keypoints,” Int. J. Comput. Vision, vol. 60, no. 2, pp. 91-110, 2004.
[20]. H. Bay, A. Ess, T. Tuytelaars, and L. Gool, “Surf - speeded up robust features,” Computer Vision – ECCV 2006, vol. 3951, pp. 404-417, 2006.Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu