f. dadrasjavan
-
امروزه پهپادها به دلیل مزایای فراوان و طیف گسترده ای از کاربردها از قبیل نقشه برداری، کشاورزی و مدیریت بحران بسیار مورد توجه قرار گرفته اند و جایگزین بسیاری از روش های سنتی موجود گردیده اند. با این وجود گسترش پهپادها و ورود غیرمجاز آن ها به زیرساخت های مهم مانند ساختمان های دولتی می تواند زمینه تهدیدهای احتمالی را در تامین امنیت عمومی جامعه ایجاد کند. از این رو تدابیر متقابل نظیر به کارگیری سامانه های تشخیص، محلی سازی و رهگیری پهپادهای کوچک بسیار حایز اهمیت است. در سال های اخیر روش های تشخیص مبتنی بر شبکه های عصبی و رویکردهای یادگیری عمیق، توانایی قابل توجهی در حوزه تشخیص پهپاد از خود نشان داده است. از این رو در این تحقیق از یک روش تشخیص مبتنی بر شبکه های یادگیری عمیق پیچشی به منظور تشخیص پهپاد استفاده شده است. از سوی دیگر استفاده از تصاویر مریی با مشکلاتی از قبیل وجود نواحی پنهان، پیش زمینه شلوغ و عدم امکان جداسازی پیش زمینه و مشکلات نور داخل تصویر مواجه هستند. هم چنین سامانه های مبتنی بر تصویر حرارتی، با وجود بهره مندی از قدرت دید در شب، دارای قدرت تفکیک مکانی کمتری نسبت به تصویر مریی می باشند که روند تشخیص پهپاد را با مشکل دقت مواجه می کند. اخیرا، استفاده از تصاویر عمق که چالش های مرتبط با تصاویر مریی را ندارند و نشان دهنده میزان دوری و نزدیکی شی تا دوربین هستند، بسیار مورد استقبال قرار گرفته است. در این پژوهش با استفاده از مجموعه تصاویر عمق شبیه سازی و واقعی و با استفاده از شبکه یادگیری عمیق YOLO(You Only Look Once) به تشخیص پهپاد، پرداخته شده است. تصاویر عمق واقعی در این پژوهش از طریق الگوریتم تناظر یابی شبه سراسری (SGM) به دست آمده و سرانجام اعتبار سنجی مدل آموزش دیده، با انواع تصاویر عمق واقعی و شبیه سازی با سه نوع پهپاد در محیط داخل و خارج بررسی شده است. در نهایت نتایج حاصل از تشخیص پهپاد با شبکه یادگیری عمیق موردنظر در تصاویر عمق شبیه سازی به میانگین دقت 84 درصد، میانگین زمان 125 میلی ثانیه و در تصاویر عمق واقعی به میانگین دقت 74 درصد، میانگین زمان 133 میلی ثانیه رسید.
کلید واژگان: تشخیص پهپاد، تصاویر عمق، یادگیری عمیق، شبکه یادگیری عمیق YOLO، الگوریتم تناظریابی SGMToday, drones have received much attention due to their many benefits and wide range of applications such as mapping, agriculture, and crisis management, and have replaced many of the existing traditional methods. However, the expansion of drones and their unauthorized entry into important infrastructure such as government buildings can pose potential threats to public safety. Therefore, small drone detection, localization, and tracking systems are critical. In recent years, neural network-based diagnostic methods and deep learning approaches have shown considerable ability in the field of drone detection. Therefore, in this research, a detection method based on deep convolutional learning networks has been used to detect drones. On the other hand, the use of visible images faces problems such as the presence of hidden areas, crowded backgrounds, and the impossibility of separating the background and light problems inside the image. Also, thermal image-based systems, despite having night vision power, have less spatial resolution than the visible image, which makes the drone detection process difficult. Recently, the use of depth images, which do not have the challenges associated with visible images and show the distance and proximity of the object to the camera, has become very popular. In this research, drone detection has been performed using a collection of simulation and real depth images and using YOLO (You Only Look Once) deep learning network. The real depth images in this study were obtained through a Semi Global Matching algorithm (SGM), and finally, the validation of the trained model was examined with a variety of real-time and simulation depth images with three types of drones inside and outside the environment. Finally, the results of drone detection with the desired deep learning network in the simulation depth images reached an average precision of 84%, an average time of 125 ms, and in real depth images an average precision of 74%, an average time of 133 ms.
Keywords: Drone Detection, Depth Images, Deep Learning, YOLO Deep Learning Network, SGM Matching Algorithm -
طبقه بندی سه بعدی عوارض شهری یکی از مهم ترین ابزارهای مدیریت شهری و مبنای بسیاری از آنالیزها در فتوگرامتری است؛ بنابراین به عنوان ورودی در بسیاری از کاربرد ها همچون برنامه ریزی، مدیریت شهری و مدیریت بحران مورد استفاده قرار می گیرد. از آنجایی که ابر نقاط حاصل از تناظریابی متراکم تصاویر در مناطق شهری به علت مشاهده مستقیم ویژگی های خطی، کارایی بیشتر نسبت به ابر نقاط حاصل از لیزر اسکنر هوایی دارند و از لحاظ هزینه نیز مقرون به صرفه است؛ به همین دلیل در این تحقیق برای طبقه بندی، از ابر نقاط حاصل از تناظریابی متراکم تصاویر استفاده شده و جهت افزایش دقت طبقه بندی نیز، این تصاویر به وسیله دوربین چند طیفی Micasense RedEdge اخذ شده است. یکی از چالش های موجود در دوربین های چند طیفی، هم مرجع سازی باند ها می باشد؛ که در این تحقیق از الگوریتم SIFT برای استخراج نقاط متناظر هر باند استفاده شده است. به این ترتیب باند ها با یکدیگر ترکیب شده تا یک ترکیب رنگی (تصویر) از هر سه باند ایجاد شود. با این کار دو مجموعه تصاویر تولید شده است که از این دو مجموعه تصاویر، دو ابر نقطه با استفاده از فن تناظریابی متراکم تصاویر تولید می شوند. ابر نقاط با استفاده از روش درون یابی نزدیک ترین نقاط همسایه با یکدیگر تلفیق شده اند تا یک ابر نقطه چند طیفی حاصل شود. در انتها طبقه بندی ابر نقطه چند طیفی، با استفاده از الگوریتم جنگل تصادفی[1]و با ویژگی های هندسی و چند طیفی، به سه صورت اقدام شده است که شامل استفاده جداگانه از اطلاعات طیفی، اطلاعات هندسی و تلفیق اطلاعات طیفی و هندسی با یکدیگر می باشد. نتایج نشان دهنده بهبود 25 درصدی دقت در روش تلفیق اطلاعات طیفی و هندسی نسبت به روش استفاده جداگانه از اطلاعات طیفی می باشد و نیز بهبود 32 درصدی دقت در روش تلفیق اطلاعات طیفی و هندسی نسبت به روش استفاده جداگانه از اطلاعات هندسی می باشد؛ همچنین بین روش استفاده از اطلاعات چند طیفی و روش استفاده از اطلاعات مریی (RGB) مقایسه ای انجام شده است که نتایج نشان دهنده برتری 5 درصدی دقت روش استفاده از اطلاعات چند طیفی می باشد.
کلید واژگان: طبقه بندی، جنگل تصادفی، تناظریابی متراکم تصاویر، تصاویر چند طیفی، هم مرجع سازی باندها، ابرنقطهThree-dimensional classification of urban features is one of the important tools for urban management and the basis of many analyzes in photogrammetry and remote sensing. Therefore, it is applied in many applications such as planning, urban management and disaster management. In this study, dense point clouds extracted from dense image matching is applied for classification in urban areas. Applied images are acquired using a Micasense RedEdge multispectral camera to increase the classification accuracy. The band to band registration is one of the existing challenges of multi-spectral camera, which the SIFT algorithm is used to extract the corresponding features of each band. One band selected as reference and other bands are transferred to the reference band by projective transformation. Finally, the bands are combined to create a color image from each three bands. So, two point clouds are generated using dense image matching techniques from two sets of images. To produce a multi-spectral point cloud, the two set of point clouds have been integrated using nearest neighbor interpolation. The multi-spectral point clouds are classified by using random forest algorithm, structural and multi-spectral features. This process composed of three parts as structural information, multi-spectral information, and integration of both. Finally, the results are shown a 25% improvement in the accuracy of the integration of multi-spectral and structural information compared to multi-spectral information and 32% improvement in the accuracy of the integration of multi-spectral and structural information compared to structural information. Classification using visible information (RGB) instead of multispectral information resulted in an accuracy drop by 5%.
Keywords: 3D Classification, Dense Image Matching, Multispectral Image, Band to Band Registration, Point Cloud, Random Forest -
تصاویر پانکروماتیک و چند طیفی ماهواره های سنجش از دوری با یکدیگر ادغام شده تا تصویری چند طیفی با قدرت تفکیک مکانی بالا به دست آید. کیفیت طیفی تصاویر ادغام شده از اهمیت زیادی برخوردار بوده چرا که کیفیت تعداد زیادی از محصولات سنجش از دوری به طور عمده به آن بستگی دارد. با توجه به اهمیت کیفیت طیفی تصاویر ادغام شده ارزیابی آن نیز اهمیت خاصی دارد. این مقاله استراتژی شیء مبنایی برای ارزیابی کیفیت طیفی تصاویر ادغامی با هدف فایق آمدن بر محدودیت های روش رایج پیکسل مبنا و سایر روش های شیء مبنا ارایه می دهد. این نوع ارزیابی از طریق تمرکز بر روی اشیاء همگن دارای رفتارهای طیفی و بافتی مشابه و انجام عملیات میانگین گیری از مقادیر شاخص های ارزیابی کیفیت در محدوده قطعات و کلاس های تصویری معنادار تحقق می یابد. در فاز پیاده سازی ایده پس از تعیین یک شاخص طیفی بهینه (شاخص SAM)، طرح شیء مبنای پیشنهادی بر روی پنج مجموعه داده از چهار نوع سنجنده ماهواره ای مختلف اعمال و رفتار طیفی 29 روش ادغام در هفت کلاس تصویری مورد بررسی قرار گرفته است. نتایج بدست آمده حاکی از آن است که رفتار طیفی روش های ادغام در کلاس های مختلف از قاعده مشخصی تبعیت نمی کند. در نهایت از تحلیل های آماری برای تعیین بهترین روش های ادغام در هر کلاس استفاده شد و لیستی از الگوریتم های برتر در کلاس های تصویری مختلف در اختیار محققان حوزه سنجش از دور و ادغام تصاویر قرار گرفته است. اغلب روش های برتر جزء روش های مبتنی بر جایگزینی مولفه (CS) و با سرعت محاسباتی نسبتا بالایی بوده اند. نتایج تجزیه و تحلیل آماری 58 % با داده اعتبارسنجی انطباق داشته است. این رهیافت به جامعه علمی مرتبط با این نوشتار کمک خواهد نمود تا با نگاهی واقع گرایانه به انتخاب الگوریتم ادغام متناسب با تصاویر ماهواره ای مورد نظر خود مبادرت نمایند.
کلید واژگان: قدرت تفکیک بالا، ادغام تصاویر، ارزیابی طیفی، شیء مبناPanchromatic and multi-spectral images produced by the remote sensing satellites are fused together to provide a multi-spectral image with a high spatial resolution at the same time. The spectral quality of the fused images is very important because the quality of a large number of remote sensing products depends on it. Due to the importance of the spectral quality of the fused images, its evaluation is also important. This paper presents an object-based strategy for evaluating the spectral quality of fused images, aiming to overcome the limitations of the current pixel-based method. This type of assessment is conducted by focusing on homogeneous objects with similar spectral and textural behaviors. In the implementation phase of the article, after determining an optimal spectral metric, the proposed object-based strategy is applied to five datasets from four different satellite sensors types, and the spectral behavior of the fusion methods has been studied in several image classes. The results indicate that the spectral behavior of the fusion methods does not follow a deterministic rule. Finally, statistical analyses were used to determine the best fusion algorithms in each class, and a list of superior algorithms in different classes was provided to researchers in the field of remote sensing and image fusion. This approach will help the scientific community to take a realistic vision at choosing the fusion algorithm appropriate to their satellite imagery.
Keywords: High-resolution, Image Fusion, Spectral Quality Assessment, Object-based -
Considering ongoing developments in Photogrammetry and Remote Sensing and attending to their applications such as digital true orthophoto generation from multi view and high resolution images, have already proven the urgency and necessity of approaches for generating DSM as input of these applications. In this research we describe the “Semi-Global Matching” algorithm and then implement and test if for generating an initial disparity image from airborne UltraCameD images. SGM uses a pixelwise, Mutual Information based matching cost compensating radiometric differences of input images. Pixelwise matching is supported by a smoothness constraint that is usually expressed as a global cost function. SGM performs a fast approximation by pathwise optimizations from all directions. Furthermore, post-processing steps for removing outliers, recovering from specific problems of structured environments and the interpolation of gaps are needed, to generate an accurate and precise DSM in the next steps for other applications.
Keywords: Semi, Global Matching, Stereo images, Disparity image, Cost function, Multi, baseline matching
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.