0

TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN

8 13 0
  • TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH  UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 14/01/2021, 14:02

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 tín[r] (1)TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN Nguyễn Văn Phương*, Đào Khánh Hoài, Tống Minh Đức Trường Đại học Kỹ thuật Lê Q Đơn TĨM TẮT Hoạt động tìm kiếm cứu nạn bao gồm việc tìm kiếm giải cứu người, phương tiện bị mắc kẹt tình khó khăn Trong thời gian gần đây, thiết bị ứng dụng nhiều quân dân phương tiện bay không người lái (UAV), thực nguồn lực lớn cho sứ mệnh tìm kiếm cứu nạn Bởi thiết bị mang cảm biến hình ảnh có độ phân giải cao, phạm vi hoạt động rộng, địa hình đa dạng mà không cần nhiều nhân lực chi phí cho q trình tìm kiếm Tuy nhiên, với số lượng lớn ảnh thu từ thiết bị này, kết hợp với độ phân giải cao khu vực rộng lớn rào cản không nhỏ để phát mắt thường Tự động phát mục tiêu giải pháp phù hợp Để tránh bỏ sót mục tiêu, tăng hiệu phát thuật toán cần thiết Trong nghiên cứu này, đề xuất phương pháp tăng hiệu phát mục tiêu quy tắc định dựa kiểm tra tỷ lệ khả sử dụng mơ hình phi tham số để ước tính hàm mật độ xác suất liệu cách kết hợp kết hợp với kỹ thuật: khử nhiễu; trích rút đặc trưng SIFT, SURF Kết thử nghiệm liệu mẫu cho kết khác biệt rõ rệt, trường hợp ảnh bị can nhiễu Từ khóa: Phát dị thường; SIFT; SURF; ảnh UAV; tìm kiếm cứu nạn. Ngày nhận bài: 04/02/2020; Ngày hoàn thiện: 27/4/2020; Ngày đăng: 04/5/2020 EFFICIENT ANOMALY DETECTION ON UAV IMAGES FOR SEARCH AND RESCUE Nguyen Van Phuong*, Dao Khanh Hoai, Tong Minh Duc Le Quy Don Technical University ABSTRACT Search and rescue activities include finding and rescuing people and vehicles trapped in difficult In recent times, unmanned aerial vehicles (UAV) have been used in both military and civilian applications It is a huge resource for the search and rescue mission Because this device can carry high-resolution image sensors, a wide range of activities, diverse terrain without too many cores force and cost for the search process However, the large number of images obtained and combined with high resolution in a large area of a scene is a great barrier to detect with the naked eyes Therefore, automatic target detection is the right solution To avoid missed targets, increasing the detection efficiency of the algorithms is necessary In this study, we propose a method to increase the efficiency anomaly detection of the decision rule based on the ratio test of the ability to use a non-parametric model to estimate the probability density function of the background data by combining with techniques: noise cancellation; SIFT, SURF feature extraction Test results on the sample data set showed noticeable differences, especially in the case of image noise Keywords: Anomaly detection; SIFT; SURF; UAV Images; search and rescue. Received: 04/02/2020; Revised: 27/4/2020; Published: 04/5/2020 (2)1 Giới thiệu Nghiên cứu khả sống sót người sau tai nạn máy bay cho thấy rằng, người bị nạn có khả sống sót nhỏ 10% việc cứu hộ bị trễ ngày tỉ lệ sống sót lên tới 60% việc cứu hộ thực kịp thời vòng tiếng [1] Sự khẩn cấp tương tự áp dụng tình tìm kiếm cứu nạn hàng hải hay đất liền Thêm vào đó, việc xác định nhanh chóng vị trí bị nạn góp phần làm giảm chi phí thời gian cho đơn vị tìm kiếm cứu nạn Điều nói lên rằng, thời gian tìm người bị nạn tổ chức giải cứu quan trọng định đến thành công chiến dịch Trong thời gian gần đây, thiết bị ứng dụng rộng rãi quân dân thiết bị bay khơng người lái (UAV) [2], [3], thực nguồn lực lớn cho sứ mệnh tìm kiếm cứu nạn [4], [5] Bởi thiết bị mang cảm biến để thu thập hình ảnh có độ phân giải cao với phạm vi hoạt động rộng lớn, địa hình đa dạng mà khơng cần q nhiều nhân lực chi phí cho q trình tìm kiếm Tuy nhiên, cảm biến thu liệu phải quét khu vực rộng lớn dung lượng liệu lớn rào cản việc tìm kiếm thủ cơng mắt thường Đơi tìm kiếm thủ cơng khơng đảm bảo độ tin cậy, tốn nhiều thời gian dẫn đến làm giảm khả sống sót nạn nhân Các kỹ thuật tự động phát mục tiêu ảnh UAV [6]-[9] hỗ trợ đẩy nhanh trình Nhóm nhà nghiên cứu Đại học Boston, Mỹ năm 2012, 2013 2015 [6]-[8] tập trung nghiên cứu số kỹ thuật phát ngoại lai màu ảnh UAV ứng dụng cho công tác tìm kiếm cứu nạn Đầu tiên, kỹ thuật kiểm nghiệm giả thuyết nhị phân để phát điểm ảnh dị thường [6] Trong kỹ thuật này, tác giả áp dụng quy tắc Neyman – Pearson dựa việc tính tốn hàm mật độ xác suất (Probability Density Function - PDF) phi tham số liệu để đưa định Kỹ thuật thứ hai [7], M Ramachandran W Moik đề xuất sử dụng thuật toán K-Mean để phân điểm ảnh thành cụm Tất điểm ảnh cụm xác định bình thường số lượng tâm cụm lân cận bao quanh vùng xác định bán kính R (tính từ tâm cụm xét) lớn Ngược lại, tất điểm ảnh nằm cụm xét điểm ảnh dị thường Kỹ thuật thứ ba [8], khoảng trống phân tích thành phần Máy dò dị thường xác định khoảng trống cụm dọc theo vectơ có độ biến thiên lớn nhất, tìm kiếm vùng lớn dọc theo vectơ riêng để tách tập hợp điểm ảnh dị thường Kỹ thuật thứ tư [6]-[9], tác giả kiểm nghiệm khả phát dị thường ảnh UAV thuật toán RX [10] số biến thể RX như: Biến đổi phân tách eigen (được thiết kế để tối đa hóa việc tách liệu hai lớp khơng gian có số chiều liệu thấp [11]) dựa cửa sổ kép (DWEST), phát mục tiêu dựa cửa sổ không gian lồng (NSWTD) phát mục tiêu dựa cửa sổ lồng vào (MW-NSWTD) Kết nghiên cứu cho thấy ảnh chụp từ UAV đáp ứng cho cơng tác tìm kiếm cứu nạn Hiệu suất phát điểm ảnh ngoại lai (những điểm ảnh chứa thơng tin hữu ích hỗ trợ cho cơng tác tìm kiếm cứu nạn) thuật toán tập liệu mẫu lớn 95% (3)nhiễu, trích chọn điểm ảnh đặc trưng SIFT SUFT, nội dung cụ thể trình bày phần phần báo này, phần trình bày kết kiểm nghiệm thực tế ảnh chụp từ UAV 2 Chiến lược phát điểm ảnh dị thường Phát điểm ảnh dị thường ảnh UAV coi nhiệm vụ phân điểm ảnh vào hai lớp “bình thường (lớp C1) “dị thường” (lớp C2) Xét ảnh có L kênh ảnh, ảnh tạo thành từ tập hợp gồm n điểm ảnh Quan sát thứ i X , i=1,2, ,n, để phân vào lớp “bình thường” “dị thường” theo phương pháp thống kê giải vấn đề kiểm nghiệm giả thuyết nhị phân cách sử dụng quy tắc Neyman-Pearson dựa tỷ lệ khả (LR) hàm mật độ xác suất có điều kiện theo hai giả thuyết: ,i=1, 2, ,n (1) Theo quy tắc Neyman-Pearson, ta có: ,i=1, 2, ,n (2) Trong , j = 0, hàm mật độ xác suất có điều kiện, ngưỡng thích hợp để phân vào lớp “bình thường” lớp “dị thường” Tuy nhiên, thực tế tham số để tính tốn hàm mật độ xác suất có điều kiện cơng thức (2) thường khơng có sẵn thiếu kiến thức lớp “dị thường”, hồn tồn chưa có nghiên cứu thống kê nó, điểm ảnh dị thường có giá trị phổ bất kỳ, phụ thuộc vào cảnh ảnh, chúng điểm độc lập cụm điểm ảnh có kích thước nhỏ so với ảnh có mật độ thưa thớt Vì vậy, giả định số, cơng thức (2) rút ngắn thành: , i=1, 2, ,n (3) Do mật độ xác suất liệu chưa biết nên phải ước tính từ liệu có sẵn Với giả thuyết điểm ảnh dị thường ít, mật độ thưa nên tất điểm ảnh , i=1, 2, , n sử dụng cho ước tính Trong nghiên cứu [12]-[14], tác giả sử dụng phương pháp ước tính mật độ xác suất phi tham số để ước lượng , có ưu điểm khơng cần phải đưa giả định phân phối liệu Trong phương pháp này, công cụ ước lượng mật độ hạt nhân (Kernel Density Estimation – KDE) Rosenblatt công bố vào năm 1956 [15] sau Parzen phát triển, công bố vào năm 1962 [16] Công thức ước tính mật độ hạt nhân định nghĩa [17] là: (4) Trong đó, gọi PDF, K(u) gọi hàm hạt nhân, hệ số tỷ lệ định “khoảng rộng” hàm nhân hay cịn gọi băng thơng Thảo luận mở rộng thuộc tính thống kê tìm thấy trong [18], K(u) hàm nhân điển hình Hardle trình bày [17] thể bảng Bảng Một số hàm nhân điển hình [17] Tên nhân K(u) Điều kiện Uniform Hypercube Triangular Epanechnikov Gaussian Không làm tính tổng qt, chúng tơi cố định băng thơng, đặt , d=1, 2, ., k Thuật tốn (AL1) xây dựng để phân điểm ảnh vào hai lớp Thuật toán 1: phát điểm ảnh dị thường ảnh UAV (4)điểm ảnh, k: số kênh phổ, h: băng thông, : điều kiện để K(u) 0, : ngưỡng phát dị thường Output: : tập điểm ảnh “bình thường”, : tập điểm ảnh “dị thường” 1 2 for i to n 3 sum_ker 0; 4 for j to n 5 mul_ker 1; 6 for d to k 7 mul_ker mul_ker* K( ); 8 end 9 sum_ker sum_ker + mul_ker; 10 end 11 if then 12 ; 13 else 14 ; 15 end 16 end 3 Giải pháp tăng hiệu quả phát dị thường ảnh UAV Qua q trình nghiên cứu chúng tơi thấy rằng, ngun nhân dẫn đến hiệu suất phát điểm ảnh dị thường ảnh UAV AL1 giảm nhiễu gây Quá trình thu nhận hình ảnh cảm biến thường có nhiễu thêm vào (nhiễu ánh sáng, nhiễu khí quyển, nhiễu tín hiệu chuyển đổi cảm biến, ) Trong đó, AL1 hoạt động theo nguyên tắc dựa giá trị hàm mật độ xác suất để phân lớp Nếu điểm ảnh có mật độ xác suất thấp phân lớp “dị thường” ngược lại Trong đó, điểm ảnh nhiễu chiếm phần nhỏ ảnh nên phân vào lớp dị thường làm cho tỷ lệ dương tính giả cao, giảm hiệu suất phát dị thường thuật toán Trong nghiên cứu này, đề xuất phương pháp giảm tỷ lệ dương tính giả cách loại bỏ bớt nhiễu trước tính tốn theo AL1 Loại bỏ bớt nhiễu cách tích chập ảnh gốc với tốn tử Gaussian Blur , gọi bước làm mịn ảnh Dựa vào tính chất điểm ảnh dị thường có màu sắc bật có khác biệt lớn so với điểm ảnh xung quanh chúng thưa thớt, đại diện cho ảnh, sử dụng số cơng cụ để định vị Tập điểm ảnh định vị khơng chứa tất điểm ảnh dị thường có thêm điểm ảnh bình thường chúng điểm ảnh có màu sắc bật (có thể có giá trị lớn nhỏ nhất) vùng cục bộ, điểm ảnh gọi tập điểm đặc trưng Chúng ta tính PDF cho điểm xung quanh điểm ảnh đặc trưng phạm vi định để tìm điểm ảnh dị thường thực sự, điểm ảnh lại bỏ qua coi điểm ảnh bình thường Như vậy, thay phải tính PDF cho tồn điểm ảnh, tính PDF cho tập hợp nhỏ điểm ảnh xung quanh điểm đặc trưng, từ giảm nhiễu bị gán vào tập giá trị dị thường làm giảm tỷ lệ dương tính giả Ngồi ra, phương pháp cịn làm giảm thời gian tính tốn phải tính PDF cho số lượng điểm ảnh tổng số điểm ảnh ảnh xét (5)qua cửa sổ giới hạn gọi cửa sổ W, điểm ảnh nằm cửa sổ W gán ln cho lớp bình thường mà khơng phải tính tốn W có tâm điểm ảnh đặc trưng xét, W phải bao hết toàn điểm ảnh dị thường (nếu có) xung quanh điểm đặc trưng Nhưng W không lớn, lớn tương đương với việc tính PDF cho tồn điểm ảnh (Xem hình 1) Hình 1.Các chấm màu xanh điểm đặc trưng, điểm ảnh cửa sổ W tính toán phân loại Các bước để tăng hiệu phát dị thường AL1 thể hình 2 Đầu tiên, ảnh đầu vào trải qua bước làm mịn từ ảnh gốc dùng để trích rút điểm ảnh đặc trưng Ảnh sau làm mịn, kết hợp với tập điểm ảnh đặc trưng sử dụng để tính PDF phân loại Hình 2.Sơ đồ bước nhằm tăng hiệu suất phát hiện dị thường Thuật toán 4 Thực nghiệm phát dị thường ảnh UAV 4.1 Kịch thực nghiệm Dữ liệu ảnh UAV thu chụp tình tìm kiếm cứu nạn thực tế Việt Nam còn không phát hành công khai Để kiểm nghiệm kết nghiên cứu, tiếp cận theo hai cách: thứ nhất, sử dụng ba ảnh công bố nghiên cứu "Một số kỹ thuật phát dị thường ảnh UAV ứng dụng công tác tìm kiếm cứu nạn" [9] Ảnh thứ thể hình (a), chụp địa hình đồng bằng máy ảnh Canon IXUS 127 HS độ cao 190 m, độ phân giải mặt đất 63 mm/1 điểm ảnh; ảnh thứ hai ảnh thứ ba thể hình 3(b) hình 3(c), chụp địa hình rừng thưa địa hình vùng biển ven bờ máy ảnh Sony DSC-WX220 độ cao 200 m, độ phân giải mặt đất 64 mm/1 điểm ảnh Mỗi ảnh có kích thước 1000 1000 điểm ảnh cấy ba mẫu dị thường khác tùy theo địa hình khác Cảnh chụp địa hình đồng (chúng tơi gọi Ảnh 1) cảnh chụp địa hình rừng thưa (chúng tơi gọi Ảnh 2) cấy ba mẫu áo có màu sắc kích cỡ khác ảnh Cảnh chụp vùng biển ven bờ (chúng gọi Ảnh 3) cấy hai mẫu áo phao cứu sinh có màu sắc khác phao cứu sinh Thứ hai, khu vực Học viện Kỹ thuật Quân Láng - Hòa Lạc, Hà Nội, chúng tơi bố trí số quần, áo có màu sắc kích cỡ khác nhau; số miếng nhựa dẻo (mô số mảnh vỡ phương tiện); bố trí áo phao cứu sinh hồ nước Sử dụng thiết bị bay DJI Inspire gắn camera X3 model FC350, bay độ cao 254m có độ phân giải mặt đất 4cm/1 điểm ảnh Hình 4(a) hình ảnh chụp khu vực bố trí số quần, áo (chúng tơi gọi Ảnh 4), hình 4(b) hình ảnh chụp khu vực bố trí số mảnh nhựa dẻo xem mảnh vỡ phương tiện (chúng tơi gọi Ảnh 5) hình 4(c) hình ảnh chụp khu vực bố trí áo phao cứu sinh (chúng gọi Ảnh 6) Để kiểm tra khả chống lại nhiễu phương pháp đề xuất, thêm 2% 5% nhiễu Gaussian vào tất sáu ảnh nêu Ảnh gốc Làm mịn ảnh Trích chọn điểm ảnh đặc trưng Tính tốn PDF phân loại (6)Hình 3.Ba ảnh cơng bố nghiên cứu [9] Hình 4.Ba ảnh chụp khu vực Học viện Kỹ thuật Quân Láng - Hòa Lạc, Hà Nội. Như vậy, có tất mười tám ảnh để kiểm tra phương pháp đề xuất Tương ứng với ảnh vậy, chạy thuật tốn: AL1, thuật tốn chúng tơi đề xuất kết hợp làm mịn ảnh, SIFT sau tính PDF phân loại theo AL1 (SIFT-AL1) thuật toán đề xuất kết hợp làm mịn ảnh, SURF sau tính PDF phân loại theo AL1 (SURF-AL1) Hiệu suất phát dị thường thuật tốn tính diện tích đường cong ROC (Receiver Operating Characteristic) 4.2 Kết tính tốn Trường hợp tính tốn thuật tốn ảnh gốc, nhìn vào bảng thấy, hiệu suất phát điểm ảnh dị thường AL1 tương đối cao (trung bình chung 98,57%), khó khăn để xây dựng thuật toán vượt trội hẳn so với hiệu suất phát dị thường AL1 (do đạt gần đến giới hạn 100%) Tuy nhiên, phương pháp đề suất SIFT-AL1 SURF-AL1 vượt 0,41% so với AL1 hiệu suất phát điểm ảnh dị thường Bảng Hiệu suất phát dị thường thuật toán ảnh gốc (ảnh chưa thêm nhiễu) AL1 SIFT-AL1 (7)thường trung bình SIFT-AL1 SURF-AL1 vượt 1,62% so với SURF-AL1 Bảng Hiệu suất phát dị thường thuật toán ảnh gốc thêm 2% nhiễu Gausian AL1 SIFT-AL1 SURF-AL1 Ảnh + 2% nhiễu 0,9871 0,9937 0,9936 Ảnh + 2% nhiễu 0,9904 0,9976 0,9977 Ảnh + 2% nhiễu 0,9280 0,9829 0,9826 Ảnh + 2% nhiễu 0,9453 0,9544 0,9545 Ảnh + 2% nhiễu 0,9785 0,9956 0,9957 Ảnh + 2% nhiễu 0,9976 0,9999 0,9999 Trung bình 0,9712 0,9874 0,9873 Trường hợp tính tốn thuật toán ảnh gốc thêm vào 5% nhiễu Gaussian, nhìn vào bảng thấy, hiệu suất phát dị thường thuật toán AL1 giảm đáng kể so với tính tốn ảnh gốc (hiệu suất phát dị thường AL1 giảm trung bình 4,6%) Trong đó, SIFT-AL1 SURF-AL1 giảm trung bình 0,7% hiệu suất phát dị thường so với tính tốn ảnh gốc Phương pháp chúng tơi đề suất thực có khoảng cách rõ ràng hiệu suất phát dị thường so với AL1 Hiệu suất phát dị thường trung bình SIFT-AL1 SURF-AL1 tốt 4,32% so với AL1 Bảng Hiệu suất phát dị thường thuật toán ảnh gốc thêm 5% nhiễu Gausian AL1 SIFT-AL1 SURF-AL1 Ảnh + 5% nhiễu 0,9508 0,9834 0,9836 Ảnh + 5% nhiễu 0,9300 0,9956 0,9956 Ảnh + 5% nhiễu 0,8866 0,9727 0,9721 Ảnh + 5% nhiễu 0,9272 0,9532 0,9535 Ảnh + 5% nhiễu 0,9600 0,9922 0,9922 Ảnh + 5% nhiễu 0,9829 0,9994 0,9994 Trung bình 0,9396 0,9828 0,9827 Như vậy, từ kết kiểm nghiệm thấy rằng, phương pháp đề xuất cho hiệu suất phát dị thường ảnh UAV tốt AL1 Đặc biệt trường hợp ảnh có nhiễu, nhiễu thêm vào q trình thu nhận hình ảnh từ thiết bị Bảng Thời gian thực thi thuật toán (s) AL1 SIFT-AL1 SURF-AL1 Ảnh 11600 6595 9631 Ảnh 12600 10887 11300 Ảnh 9500 2364 7749 Ảnh 13700 12473 11301 Ảnh 9200 8847 7443 Ảnh 24400 20072 20222 Trung bình 13500 10206 11274 Xét thời gian tính tốn, nhìn vào bảng thấy, AL1 có thời gian tính tốn chậm Thời gian tính tốn SIFT-AL1 giảm trung bình 29,4% so với AL1, thời gian tính tốn SURF-AL1 giảm trung bình 16,5% so với AL1 Lý giảm thời gian tính tốn SIFT-AL1 SURF-AL1 bỏ qua q trình tính PDF cho số điểm ảnh (những điểm ảnh mặc định điểm ảnh bình thường) Như vậy, phương pháp đề xuất vừa tăng hiệu suất phát điểm ảnh dị thường vừa giảm thời gian tính tốn 5 Kết luận Trong cơng tác tìm kiếm cứu nạn, việc nâng cao hiệu suất phát đối tượng cần tìm kiếm dấu hiệu chứa đựng thông tin đối tượng cần tìm kiếm mang ý nghĩa quan trọng Việc rút ngắn thời gian, làm giảm phí tổn tài chính, sức lực, tinh thần, đồng thời nâng cao hội cứu nạn Kết khảo sát đánh giá kỹ thuật phát dị thường ảnh UAV thực nghiên cứu tiếp cận khoa học dựa quy tắc kiểm tra tỷ lệ khả sử dụng mơ hình phi tham số để ước tính hàm mật độ xác suất liệu Bằng cách kết hợp kỹ thuật với phương pháp trích rút đặc trưng SIFT SURF mang lại hiệu cao (8)phương pháp đề xuất có hiệu suất phát dị thường tốt AL1 bị ảnh hưởng nhiễu Ngồi ra, thời gian tính tốn nhanh AL1 TÀI LIỆU THAM KHẢO/ REFERENCES [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, https://vatm.vn/tau-bay-khong- nguoi-lai-va-mot-so-khai-niem-co-ban-n5358.html.
- Xem thêm -

Xem thêm: TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN, TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN

Hình ảnh liên quan

thường của AL1 được thể hiện trên hình - TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH  UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN

th.

ường của AL1 được thể hiện trên hình Xem tại trang 5 của tài liệu.
Hình 1. Các chấm màu xanh là các điểm đặc trưng, các điểm ảnh trong cửa sổ W sẽ được tính  - TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH  UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN

Hình 1..

Các chấm màu xanh là các điểm đặc trưng, các điểm ảnh trong cửa sổ W sẽ được tính Xem tại trang 5 của tài liệu.
Hình 3. Ba ảnh đã được công bố trong nghiên cứu [9] - TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH  UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN

Hình 3..

Ba ảnh đã được công bố trong nghiên cứu [9] Xem tại trang 6 của tài liệu.
Hình 4. Ba ảnh được chụp trong khu vực của Học viện Kỹ thuật Quân sự tại Láng - Hòa Lạc, Hà Nội. - TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH  UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN

Hình 4..

Ba ảnh được chụp trong khu vực của Học viện Kỹ thuật Quân sự tại Láng - Hòa Lạc, Hà Nội Xem tại trang 6 của tài liệu.