WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 | 2 ||

десяти персон, каждая из которых представлена в базе 10-ю Распознавание проводится в два этапа. Сначала предъявляемое для изображениями в различных ракурсах (n=100). При этом распознавания изображение классифицируется по геометрическим изображений каждой персоны в различных ракурсах выбирались для свойствам информативных фрагментов, затем вычисляется запоминания (эталонные изображения), а оставшиеся 5 использовались коэффициент близости признаковых векторов Kb (3), соответствующих для распознавания. Распознавание изображений проводилось с одноименным НИО. В качестве прототипа распознаваемого помощью сравнения признаковых векторов одноименных НИО по изображения выбирается то изображение из соответствующей формуле (3) с учетом ракурса лица на изображении. В проведенных подгруппы, сумма коэффициентов близости по всем НИО которого экспериментах точность распознавания составила около 90%.

является максимальной. По результатам предварительного В третьем разделе четвертой главы описаны модификации тестирования пороговое значение суммы коэффициентов выбиралось общей модели для распознавания изображений дорожных знаков с равным 25.

учетом относительной простоты данного типа изображений по сравнению с лицами и принятых стандартов при обработке дорожных знаков. При формировании базы эталонов изображения стандартных Kb = [Sg(Oib -Oirw)(1- ib - irw)] (3) знаков Великобритании разбивались на четыре подгруппы, в i=зависимости от цвета и формы внешнего контура, определяемых с 1, если x = 0;

помощью алгоритмов, описанных во втором разделе третьей главы.

где, Sg(x)= Формирование специфичного описания знака проводилось при 0, в противном случае однократном позицировании пространственно-неоднородного сенсора Oi - доминирующая ориентация перепада яркости в контекстной в центре информативной части знака (алгоритм нахождения центра области данного узла сенсора; индекс b присвоен изображениям из 17 детально описан во втором разделе третьей главы). Разработанная изображений в некотором диапазоне их преобразований модель тестировалась при распознавании дорожных знаков, (изменение масштаба – уменьшение и увеличение в 2 раза от полученных с помощью цифровой фотокамеры при различных исходного размера; поворот - в пределах 22°; ракурс - от 5° до 30°;

погодных условиях (дождь, солнечный день и т.д.) и с различных рядов уровень шума - до 50% при эмуляции функцией Гаусса) движения. Выделение знаков из фона проводилось с помощью 2. Разработан и исследован каскадный метод идентификации НИО, цветовой сегментации с использованием стандартной модели включающий комплекс последовательно реализуемых алгоритмов CIECAM97 [CIE TC1-34, 1998.]. Распознавание дорожных знаков и процедур, основанных на выделении специфических комбинаций проводилось по отдельным подгруппам, в зависимости от цвета и первичных признаков, характерных для этих областей. Метод формы внешнего контура, с помощью сопоставления признаковых обеспечивает идентификацию НИО с точностью 95%.

векторов, описывающих текущее изображение, с хранящимися в базе 3. Разработан и исследован алгоритм классификации изображений векторами-эталонами стандартных дорожных знаков. Результаты данного типа, базирующийся на геометрических свойствах НИО, компьютерных экспериментов показали, что модель обеспечивает таких как форма и пространственное расположение, и быстрое распознавание (время распознавания не превышает 2 сек. на обеспечивающий классификацию изображений на подгруппы с Pentium 166) дорожных знаков, изображения которых получены в высокой точностью (для изображений лиц – 96%, для изображений реальных условиях, инвариантно к погодным условиям, ракурсу и знаков – 98%).

расстоянию до знака с уровнем распознавания около 96%. 4. Разработана модель распознавания лиц (распознавание на уровне В заключении обобщаются полученные результаты, проводится 90%), основанная на идентификации НИО и их контекстном сравнение с известными алгоритмами и методами и рассматриваются описании с помощью пространственно-неоднородного сенсора, а перспективы применения разработанных алгоритмов, методов и также на классификации базы изображений в соответствии с программ. Описанные алгоритмы и методы дают возможность решать ракурсом.

некоторые проблемы специфичного и инвариантного представления 5. Разработана модель распознавания дорожных знаков фрагментов изображений. Представленная в данной работе модель (распознавание на уровне 96%), основанная на одной фиксации распознавания различных типов изображений обеспечивает высокий пространственно-неоднородного сенсора в центре информативной уровень распознавания инвариантно к изменению масштаба, ракурса и части знака и классификации по цвету и форме внешнего контура к зашумлению. Для практического применения разработанные алгоритмы и модели могут быть оптимизированы. В частности, РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В повышение эффективности распознавания без потери основного СЛЕДУЮЩИХ ОСНОВНЫХ РАБОТАХ:

свойства – инвариантности к трансформациям изображений – может быть достигнуто за счет увеличения специфичности описания 1. Шапошников Д.Г., Подладчикова Л.Н., Гао К. Классификация локальных признаков в информативных фрагментах, а также с изображений на основе свойств информативных областей. // 6-я помощью классификации изображений не только по геометрическим Межд. конф. Распознавание образов и анализ изображений: новые свойствам НИО, но и по их внутреннему содержанию. информационные технологии: Тез. док. – Великий Новгород, 2002.

– Т.2. – С.614-618.

ВЫВОДЫ 2. Шапошников Д.Г., Головань А.В., Подладчикова Л.Н., Шевцова Н.А., Гао К., Гусакова В.И., Гизатдинова Ю.Ф. Применение 1. Разработан и исследован алгоритм признакового описания, поведенческой модели зрения для инвариантного распознавания состоящий в представлении фрагмента изображения в виде вектора лиц и дорожных знаков. // Нейрокомпьютеры: разработка и локальных признаков, заполняемого с помощью пространственно- применение. – 2002. – 7-8. – С.21-33.

неоднородного сенсора с учетом свойств контекстной области 3. Shaposhnikov D.G., Podladchikova L.N., Golovan A.V., Shevtsova каждого его узла. Алгоритм обеспечивает одновременно N.A., Hong K., Gao X. Road Sign Recognition by Single Positioning of специфичность и инвариантность отображения фрагментов 19 Space-Variant Sensor Window. // Proc. of 15th Int. Conf. on Vision Interface. – 2002. – P.213-217.

4. Головань А.В., Шевцова Н.А., Подладчикова Л.Н., Маркин С.Н., Шапошников Д.Г. Детектирование информативных областей лиц с помощью локальных признаков. // Нейрокомпьютеры: разработка и применение. – 2001. – 1. – C.50-57.

5. Shaposhnikov D. G., Gizatdinova Yu. F., and Podladchikova L. N. The Peculiarities of the Visual Perception in the Peripheral Field of Vision.

// Pattern Recognition and Image Analysis. – 2001. – V.11. – 2. – P.376–378.

6. Шапошников Д.Г. Алгоритмы выделения информативных областей при обработке изображений лиц. // Труды аспирантов и соискателей Ростовского государственного университета. – Ростов-на-Дону: Изд. РГУ, 2001. – Т.VII. – С.69-71.

7. Podladchikova L.N., Gusakova V.I., Shaposhnikov D.G., Faure A., Golovan A.V. and Shevtsova N.A. MARR: Active vision model. // Intelligent Robots and Computer Vision XVI: Algorithms, Techniques, Active Vision, and Materials Handling: Proc. SPIE. – 1997. – V.3208. – P.418-425.

Выражаю признательность за интересную тему исследований и помощь в работе моему научному руководителю профессору Б.М.Владимирскому и куратору работы зав. лабораторией нейроинформатики НИИ НК РГУ Л.Н. Подладчиковой.

Pages:     | 1 | 2 ||






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»