The 8 reference contexts in paper I. Baryskievic A., V. Tsviatkou Yu., И. Борискевич А., В. Цветков Ю. (2016) “Стабилизация видеопоследовательности с борта легкого беспилотного летательного аппарата на основе ковариационного поиска реперов и предсказания // Stabilization of video sequence from board of a small UAV based oncovariance search for reference points with prediction” / spz:neicon:vestift:y:2015:i:1:p:106-111

  1. Start
    901
    Prefix
    Вычисленные по реперам на соседних кадрах разностные углы ориентации могут быть использованы для уточнения данных телеметрии и повышения точности позиционирования БЛА. Для стабилизации видеокадров широко используются методы градиентной параметризации и идентификации реперов, такие как SIFT
    Exact
    [1]
    Suffix
    и SURF [2]. Однако в случае обработки видеопоследовательности с борта легкого БЛА они не эффективны из-за высокой чувствительности градиентного дескриптора к шуму и изменению контрастно-яркостных характеристик видеокадров.
    (check this in PDF content)

  2. Start
    912
    Prefix
    Вычисленные по реперам на соседних кадрах разностные углы ориентации могут быть использованы для уточнения данных телеметрии и повышения точности позиционирования БЛА. Для стабилизации видеокадров широко используются методы градиентной параметризации и идентификации реперов, такие как SIFT [1] и SURF
    Exact
    [2]
    Suffix
    . Однако в случае обработки видеопоследовательности с борта легкого БЛА они не эффективны из-за высокой чувствительности градиентного дескриптора к шуму и изменению контрастно-яркостных характеристик видеокадров.
    (check this in PDF content)

  3. Start
    1399
    Prefix
    Кроме того, данные методы обладают высокой вычислительной сложностью и не могут быть применены для обработки видеопоследовательности в реальном масштабе времени. Перспективным направлением является использование дескриптора на основе ковариационных вейвлет-признаков
    Exact
    [3]
    Suffix
    , обладающего меньшей чувствительностью к изменению контрастно-яркостных характеристик изображения и лучшим отношением сигнал/шум за счет концентрации энергии в ограниченном количестве вейвлет-коэффициентов.
    (check this in PDF content)

  4. Start
    2822
    Prefix
    областей обеспечивается объединение различных признаков без их нормирования или использования весовых коэффициентов; инвариантность к масштабированию и изменению среднего; пространственно-частотная локализация цели. Ковариационный поиск реперов основан на вычислении ковариационных матриц реперной области на опорном видеокадре и реперных областей-кандидатов на следующем видеокадре
    Exact
    [4]
    Suffix
    . Элементы ковариационной матрицы признаков , 1,|| ( , )||IIij DC c ij== изображения I вычисляются с помощью выражения 11 1 ( , )( ( , , ) ( ))( ( , , ) ( )) XY I xy c ijfxyi i fxyj j XY= = =-μ-μ∑∑, (1) где ()(,, ) () () (,) (,) (,) (,) (,)xyxxyyfxyd Mx My Ixy I xy I xy I xy I xy= – элемент признакового образа 1, , 1, , 1,|| ( , , )||Ix Xy Yd DF f xyd====; (
    (check this in PDF content)

  5. Start
    4452
    Prefix
    =l – i-е обобщенное собственное значение ковариационных матриц EC и lC , вычисленное из 1...(0)i EE ll i dC x Cx=l -=; 0ix≠ – обобщенные собственные векторы; []tr A – след матрицы A, представляющий собой сумму элементов главной диагонали матрицы ,[]ii i tr A a=∑. Для формирования ковариационных дескрипторов особый интерес представляет дискретное лифтинг вейвлет-преобразование Хаара
    Exact
    [5]
    Suffix
    , достоинствами которого являются низкая вычислительная сложность и лучшее сохранение яркостных перепадов за счет формирования каждого вейвлет-коэффициента первого уровня разложения на основе только двух дискретов сигнала.
    (check this in PDF content)

  6. Start
    4882
    Prefix
    Использование непрореженного дискретного лифтинг вейвлет-преобразования Хаара (UHLWT – undecimated Haar lifting wavelet transform) позволяет повысить точность локализации малоразмерных целей до 6,3 раз
    Exact
    [3]
    Suffix
    по сравнению с прореженным дискретным лифтинг вейвлет-преобразованием Хаара (HLWT – Haar lifting wavelet transform). Однако дескриптор на основе HLWT характеризуется лучшим быстродействием, что обусловлено уменьшением размера признаковых изображений в 4 раза.
    (check this in PDF content)

  7. Start
    7284
    Prefix
    Предлагается метод ковариационной стабилизации соседних видеокадров с предсказанием, основанный на ковариационных вейвлет-признаках и постепенном уточнении местоположения реперов в процессе их идентификации. Предложенный метод по сравнению с известным методом на основе SURF
    Exact
    [2]
    Suffix
    позволяет уменьшить время параметризации и идентификации реперов за счет использования более компактного представления пространственно-частотных свойств реперных областей и постепенного предсказания их местоположения.
    (check this in PDF content)

  8. Start
    10482
    Prefix
    Если lL<, то осуществляется переход на шаг 3.2.2, иначе – выход из цикла обработки областей-кандидатов. 3.3. Выбор лучшей области-кандидата для r-й реперной области. Номер лучшей области-кандидата
    Exact
    [1, ]
    Suffix
    rWL∈ вычисляется с помощью выражения { } 2 ,, 1, rargmax( ( , ))l rE rl lL WCC ∈ =ρ, (5) где argmax( ( )) x fx – функция максимизации, вычисляющая аргумент, соответствующий максимальному значению функции. 3.4.
    (check this in PDF content)