Алгоритм пространственной линейной фильтрации изображений на основе сепарабельного биномиального ядра для потоковой реализации в программируемой логике

В работе исследовано влияние размера ядра гауссова фильтра на характеристики обнаружения объектов облегченным сверточным нейросетевым детектором в видеосцене с пониженной освещенностью. Рассмотрена сепарабельная модель фильтра, ориентированная на потоковую реализацию в программируемой логике, и выполнено сравнение вариантов ее аппаратного исполнения по числу операций на пиксель. Целью работы является экспериментальная оценка влияния размера ядра на латентность и устойчивость обнаружения, а также проверка сохранения характеристик детекции при переходе к реализации без аппаратных умножителей. Обработка выполнялась покадрово для видеопоследовательности длиной 1351 кадр при двух значениях порога уверенности детектора. Установлено, что воздействие гауссовой фильтрации проявляется преимущественно в повышении устойчивости детекции, а не в улучшении раннего обнаружения: число кадров с обнаружением возрастает на 6,7 % при базовом пороге уверенности и на 25 % при строгом, тогда как момент первого обнаружения практически не смещается. При строгом пороге и размере ядра, превышающем три отсчета, обнаружена деградация раннего обнаружения, вызванная избыточным сглаживанием объекта малого углового размера; это задает верхнюю границу допустимой области параметра. Показано, что близость биномиальной аппроксимации к точному гауссову фильтру сохраняется и на уровне откликов нелинейного детектора: расхождение по моменту обнаружения не превышает одного кадра, по числу кадров с обнаружением – 0,7 %. Задача выбора параметра формализована как максимизация устойчивости детекции при ограничении на латентность обнаружения. Оптимальным оказалось ядро из трех отсчетов с коэффициентами один, два, один и нормировкой сдвигом на два разряда, требующее четырех сумматоров и двух буферов строк при нулевом расходе блоков цифровой обработки сигналов.

1. Медведева Е.В., Перевощикова А.А. Исследование нейросетевых алгоритмов распознавания объектов железнодорожной инфраструктуры на видеоизображениях. Компьютерная оптика. 2025;49(3):443–450. https://doi.org/10.18287/2412-6179-CO-1563

2. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. arXiv. URL: https://arxiv.org/abs/1804.02767 [Accessed 15th May 2026].

3. Araki Y., Matsuda M., Manabe T., Ishizuka Y., Shibata Y. FPGA Implementation of an Object Recognition System with Low Power Consumption Using a YOLOv3-tiny-based CNN. In: Complex, Intelligent and Software Intensive Systems: Proceedings of the 16th International Conference on Complex, Intelligent and Software Intensive Systems (CISIS-2022), 29 June – 01 July 2022, Virtual Event. Cham: Springer; 2022. P. 223–233. https://doi.org/10.1007/978-3-031-08812-4_22

4. Gonzalez R.C., Woods R.E. Digital Image Processing. New York: Pearson; 2018. 1022 p.

5. Mostafa Sh.Sh., Sousa L.N., Ferreira N.F., et al. Full image-processing pipeline in field-programmable gate array for a small endoscopic camera. Journal of Electronic Imaging. 2017;26(1):013005. https://doi.org/10.1117/1.JEI.26.1.013005

6. Север К.О., Алексеев К.Н., Турулин И.И. Реализация эффективного разделимого двумерного цифрового фильтра на ПЛИС. Известия ЮФУ. Технические науки. 2024;(3):158–168. https://doi.org/10.18522/2311-3103-2024-3-158-168

7. Aubury M., Luk W. Binomial filters. Journal of VLSI Signal Processing Systems for Signal, Image, and Video Technology. 1996;12(1):35–50. https://doi.org/10.1007/BF00936945

8. Zhao M., Shi P., Xu X., Xu X., Liu W., Yang H. Improving the accuracy of an R-CNN-based crack identification system using different preprocessing algorithms. Sensors. 2022;22(18):7089. https://doi.org/10.3390/s22187089

9. Gholinavaz S., Saeedi N., Samadi Gharehveran S. Robustness analysis of YOLO and faster R-CNN for object detection in realistic weather scenarios with noise augmentation. Scientific Reports. 2025;15(1):44888. https://doi.org/10.1038/s41598-025-28737-5

10. Yano T., Kuroki Y. Fast implementation of Gaussian filter by parallel processing of binominal filter. In: 2016 International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS), 24–27 October 2016, Phuket, Thailand. IEEE; 2016. https://doi.org/10.1109/ISPACS.2016.7824738

11. Cambuim L., Barros E. FPGA-based pedestrian detection for collision prediction system. Sensors. 2022;22(12):4421. https://doi.org/10.3390/s22124421

12. Мурсаев А.Х. Аппаратная реализация медианного фильтра. Научное приборостроение. 2013;23(3):114–119.

13. Rodríguez-Andina J.J., Moure M.J., Valdés M.D. Features, design tools, and application domains of FPGAs. IEEE Transactions on Industrial Electronics. 2007;54(4):1810–1823. https://doi.org/10.1109/TIE.2007.898279

14. Wang J., Yang P., Liu Y., et al. Research on improved YOLOv5 for low-light environment object detection. Electronics. 2023;12(14):3089. https://doi.org/10.3390/electronics12143089

15. Гладков Л.А., Гладкова Н.В. Алгоритм синтеза комбинационных логических схем на основе эволюционного подхода. Известия ЮФУ. Технические науки. 2023;(6):24–34. https://doi.org/10.18522/2311-3103-2023-6-24-34

16. Li X., Li Z., Zhou L., Huang Zh. FOLD: Low-level image enhancement for low-light object detection based on FPGA MPSoC. Electronics. 2024;13(1):230. https://doi.org/10.3390/electronics13010230