ОЦЕНКА ЭФФЕКТИВНОСТИ ПРОСТРАНСТВЕННО-ЧАСТОТНОГО КОВАРИАЦИОННОГО ДЕСКРИПТОРА МАЛОРАЗМЕРНЫХ ОБЪЕКТОВ НА АЭРОИЗОБРАЖЕНИЯХ

Дана оценка эффективности пространственно-частотного ковариационного дескриптора малоразмерных объектов на аэроизображениях в понятиях вычислительной сложности, объема используемой памяти, значений расстояния Римана между матрицами коэффициентов ковариации, ROC- и DET-кривых, построенных для реальных видеопоследовательностей. Предложен критерий выбора количества шагов QR-алгоритма для вычисления обобщенных собственных значений матриц коэффициентов ковариации, основанный на анализе гистограмм обобщенных собственных значений матриц коэффициентов ковариации, вероятности правильного обнаружения объекта на аэроизображении, влияния коэффициента масштабирования и угла вращения объекта на расстояние Римана. Дана оценка дискриминационной способности пространственно-частотного ковариационного дескриптора малоразмерных объектов с использованием характеристики AUC ROC-кривой. Определены показатели выбора оптимального порогового значения для принятия решения об обнаружении объекта, основанные на индексе Йодена и уровне равной вероятности. Анализ ROC- и DET-кривых, построенных для реальных видеопоследовательностей, позволил определить интервал значений порога для принятия решения об обнаружении объекта на аэроизображении, обеспечивающий высокую вероятность правильного обнаружения объекта при заданной вероятности его ложного обнаружения и оптимальное соотношение между вероятностью ошибки первого рода и вероятностью ошибки второго рода.

1. Single and multiple object tracking using Log-Euclidean Riemannian subspace and block-division appearance model / W. Hu [et al.] // IEEE Trans. on Pattern Analysis and Machine Intelligence. – 2012. – Vol. 34, N 12. – P. 2420–2440.

2. Yang, C. Efficient Mean-Shift tracking via a new similarity measure / C. Yang, R. Duraiswami, L. Davis // IEEE International Conference on Computer Vision and Pattern Recognition. – 2005. – P. 176–183.

3. Борискевич, И. А. Пространственно-частотный ковариационный поиск малоразмерных целей на основе непрореженного дискретного лифтинг вейвлет-преобразования Хаара / И. А. Борискевич, В. Ю. Цветков // Докл. Нац. акад. наук Беларуси. – 2014. – Т. 58, № 3. – С. 16–21.

4. Борискевич, И. А. Cтабилизация видеопоследовательности с борта легкого БЛА на основе ковариационного поиска реперов и предсказания / И. А. Борискевич, В. Ю. Цветков // Вес. Нац. акад. навук Беларусі. Сер. фіз.-тэхн. навук. – 2015. – № 1. – С. 106–111.

5. Integral images: Efficient algorithms for their computation and storage in resource-constrained embedded vision systems / S. Ehsan [et al.] // Sensors. – 2015. – Vol. 15, N 7. – P. 16804–16830.

6. Golub, G. H. Matrix Computations / G. H. Golub, C. F. Van Loan. – London: The Johns Hopkins Univ. Press, 1996. – 694 p.

7. Fawcett, T. An introduction to ROC analysis // Pattern Recognition Lett. – 2006. – Vol. 27, N 8. – P. 861–874.

8. Optimal cut-point and its corresponding Youden index to discriminate individuals using pooled blood samples / E. Schisterman [et al.] // Epidemiology. – 2005. – Vol. 16, N 1. – P. 73–81.

9. Šimundić A.-M. Measures of diagnostic accuracy: basic definitions / A. Simundic // Med. Biol. Sci. – 2008. – Vol. 22. – P. 61–65.