Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. 144 · № 3 · 2026 вер 29, 2026 статті

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

СЛ
Степан Лис Відповідальний Національний університет "Львівська Політехніка", Інститут комп'ютерних наук та інформаційних технологій, Кафедра інформаційних систем та мереж, Львів, Україна Україна
ОО
Оксана Оборська Національний університет "Львівська Політехніка", Інститут комп'ютерних наук та інформаційних технологій, Кафедра інформаційних систем та мереж, Львів, Україна Україна
Опубліковановер 29, 2026
PDF
НВКПІ 3 ТОМ 144 · 3
ТОМ 144 · № 3 · 2026 Переглянути випуск

Анотація

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в умовах активних засобів протидії. Аналіз статичних термограм формує семантичний розрив, спираючись лише на ознаки форми та інтенсивності. Існуючі часові методи вирішують задачу сегментації руху, а не ідентифікації, та не забезпечують швидкої локалізації зони інтересу у великому кадрі. Мета дослідження. Розробка алгоритму Динамічного теплового портрета (ДТП) – двофакторного методу швидкої локалізації зони пошуку цілі у великих теплових кадрах як першого каскадного етапу перед ідентифікацією на основі аналізу мікрорухів і динаміки теплового поля. Методика реалізації. Алгоритм ДТП обробляє пари послідовних теплових кадрів (720×576 пкс), отриманих з дальності до 4000 м, з малим часовим зсувом (). Теплова маска () будується через гаусову фільтрацію та порогову сегментацію з морфологічною дилатацією; маска руху () – через аналіз абсолютної різниці кадрів з аналогічною постобробкою. Попіксельна логічна кон'юнкція з подальшим аналізом зв'язних компонент та фільтрацією за площею формує обмежувальний прямокутник, що швидко ізолює зону цілі в повному кадрі. Результати дослідження. Запропонований метод ДТП досягає близько 185 FPS на CPU-архітектурах – наближаючись до швидкості ViBe та перевищуючи YOLOv8n у 4-5 разів – працюючи з повнорозмірними кадрами без попереднього обрізання. Вихідний обмежувальний прямокутник забезпечує компактну зону інтересу для подальших етапів класифікації. Двофакторна верифікація підтвердила стійкість до статичних теплових пасток завдяки вимозі підтвердженого мікроруху та резистентність до завад динамічного фону через тепловий попередній фільтр. Висновки. Метод ДТП забезпечує швидку локалізацію зони цілі у великих кадрах, дозволяючи системам наступного рівня працювати з сфокусованою областю. Двофакторна верифікація надійно відрізняє реальні цілі від імітацій, формуючи основу для нового покоління каскадних систем моніторингу, стійких до засобів протидії та камуфляжу.

Ключові слова

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет #мікрорухи #різниця кадрів #інтеграція теплової маски та маски руху

Посилання

  1. A. Atrash, O. Moured, Y. Chen, J. Zhang, S. Ertekin, and O. Ugur, "TY-RIST: Tactical YOLO Tricks for Real-time Infrared Small Target Detection", arXiv, 2025. Available: https://arxiv.org/abs/2509.22909
  2. A. Jain, "Data Augmentation in Object Detection", Medium, 2025. Available: https://medium.com/@abhishekjainindore24/data-augmentation-in-object-detection-5c8ac110a9ba
  3. A. Mumuni, et al. "A Survey of Synthetic Data Augmentation Methods in Machine Vision. " Machine Intelligence Research, 20 Mar. 2024, https://doi.org/10.1007/s11633-022-1411-7 .
  4. A. Wilson, K. Gupta, A. Agrawal, S. Sharma, and L. R. Cenkeramaddi, "Recent Advances in Thermal Imaging and its Applications Using Machine Learning: A Review", IEEE Sensors Journal, 2023, vol. 23, no. 7, pp. 3395-3407. Available: https://doi.org/10.1109/JSEN.2023.3234335
  5. C. Shorten and T. M. Khoshgoftaar, "A survey on Image Data Augmentation for Deep Learning", Journal of Big Data, 2019, vol. 6, no. 1, pp. 1–48. Available: https://doi.org/10.1186/s40537-019-0197-0
  6. E. Simsek and B. Ozyer, "Selected Three Frame Difference Method for Moving Object Detection", International Journal of Intelligent Systems and Applications in Engineering, 2021, vol. 9, no. 2, pp. 48–54. Available: https://doi.org/10.18201/ijisae.2021.233
  7. G. Farnebäck, "Two-Frame Motion Estimation Based on Polynomial Expansion", Image Analysis, 2003, pp. 363–370. Available: https://doi.org/10.1007/3-540-45103-x_50
  8. J. R. Schott, Remote Sensing: The Image Chain Approach, 2nd ed. Oxford University Press, 2007. http://cursosihlla.bdh.org.ar/Sist.%20Cart.%20y%20Teledet./Bibliografia/RS_Schott.pdf
  9. N. Jegham, C. Y. Koh, M. Abdelatti, and A. Hendawi, "Evaluating the Evolution of YOLO (You Only Look Once) Models: A Comprehensive Benchmark Study of YOLO11 and Its Predecessors", arXiv, 2024. Available: https://doi.org/10.48550/arXiv.2411.00201
  10. S. J. Young, B. R. Johnson, and J. A. Hackwell, "An in-scene method for atmospheric compensation of thermal hyperspectral data", Journal of Geophysical Research: Atmospheres, 2002, vol. 107, no. D24, pp. ACH 16-1–ACH 16-14. Available: https://doi.org/10.1029/2001JD001266
  11. S. Suzuki and K. Abe, "Topological structural analysis of digitized binary images by border following", Computer Vision, Graphics, and Image Processing, 1985, vol. 30, no. 1, pp. 32–46. Available: https://doi.org/10.1016/0734-189X(85)90016-7
  12. T. Main, "M2A2-ODS Bradley and BMP-2: A Comparison of Cold War IFV Design Principles", RealClearDefense, 2023. Available: https://www.realcleardefense.com/articles/2023/04/26/m2a2-ods_bradley_and_bmp2__a_comparison_of_cold_war_ifv_design_principles_895970.html
  13. X. Bou, T. Ehret, G. Facciolo, J.-M. Morel, and R. Grompone von Gioi, "Reviewing ViBe, a Popular Background Subtraction Algorithm for Real-Time Applications", Image Processing on Line, 2022, vol. 12, pp. 527–549. Available: https://doi.org/10.5201/ipol.2022.434
  14. X. Dai, X. Yuan, and X. Wei, "Data augmentation for thermal infrared object detection with cascade pyramid generative adversarial network", Applied Intelligence, 2022, vol. 52, no. 1, pp. 967–981. Available: https://doi.org/10.1007/s10489-021-02445-9
  15. X. Zhu and P. Milanfar, "Automatic parameter selection for denoising algorithms using a no-reference measure of image content", IEEE Transactions on Image Processing, 2010, vol. 19, no. 12, pp. 3116–3132. Available: https://doi.org/10.1109/tip.2010.2052820
  16. Xie, H.-X., Lo, L., Hong-Han Shuai and Cheng, W.-H. (2020). AU-assisted Graph Attention Convolutional Network for Micro-Expression Recognition. Available: https://doi.org/10.1145/3394171.3414012
  17. Y. Oishi, N. Yoshida, and H. Oguma, "Detecting Moving Wildlife Using the Time Difference between Two Thermal Airborne Images", Remote Sensing, 2024, vol. 16, no. 8, Art. no. 1439. Available: https://doi.org/10.3390/rs16081439
  18. Y. Dai and L. Yang, "Background subtraction for video sequence using deep neural network", Multimedia Tools and Applications, 2024, vol. 83, no. 35, pp. 82281–82302. Available: https://doi.org/10.1007/s11042-024-18843-3
  19. Y. Dash, V. Gupta, A. Abraham, and Swati Chandna, "Improving Object Detection in High-Altitude Infrared Thermal Images Using Magnitude-Based Pruning and Non-Maximum Suppression", Journal of Imaging, 2025, vol. 11, no. 3, Art. no. 69. Available: https://doi.org/10.3390/jimaging11030069
  20. X. Luo, J. Li, X. A, and Y. Deng, "A Combined Frame Difference and Convolution Method for Moving Vehicle Detection in Satellite Videos", Sensors, 2025, vol. 25, no. 2, Art. no. 306. Available: https://doi.org/10.3390/s25020306
  21. Q. Wang, F. Liu, Y. Cao, F. Ullah, and M. Zhou, "LFIR-YOLO: Lightweight Model for Infrared Vehicle and Pedestrian Detection", Sensors, 2024, vol. 24, no. 20, Art. no. 6609. Available: https://doi.org/10.3390/s24206609
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі
10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS
10.20535/kpisn.2026.3.361520

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи
10.20535/kpisn.2026.3.351645

Схожі статті

1-10 з 118

Ви також можете розпочати розширений пошук схожих статей для цієї статті.