WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 22 | 23 || 25 | 26 |   ...   | 58 |

7. McCulloch W.S., Pitts W.H. 1943. A logical на нейрон. При моделировании работы calculus of the ideas immanent in nervous activity.

целостного нейрона, в отличие от аксона, Bulletin of Mathematical Biophysics 5: 115-33.

необходимо учитывать метаболическую 8. Hodgkin A.L., Huxley A.F. 1952. A quantitative роль медиаторов.

description of membrane current and its application to Исследование выполнено при conduction and excitation in nerve. Journal of Physiology. 116, 500-544.

поддержке гранта РГНФ № 11-06-00482а и 9. Riera J.J., Schousboe A., Waagepetersen H.S., гранта Президента РФ для поддержки Howarth C., Hyder F. 2008. The micro-architecture of ведущих научных школ НШ-3010.2012.6.

the cerebral cortex: Functional neuroimaging models and metabolism. Neuroimage. 40:1436-1459.

Список литературы 10. Загускин С.Л. Ритмы клетки и здоровье человека. Ростов-на-Дону, Изд-во ЮФУ, 2010.-296с.

1. Павлов И.П. Избранные произведения. М.: Изд.

АНСССР, 1949.

Материалы XVI Международной конференции по нейрокибернетике РАСПОЗНОВАНИЕ ДЕЙСТВИЙ ОБЪЕКТА НА ВИДЕОПОТОКЕ.

АЛГОРИТМ А.О. Кутергин Санкт-Петербургский Государственный Политехнический Университет tezqatlipoca@gmail.com This article devoted to the problem of object activities Получение пространственно-временных recognition. The article presents a recognition характеристик перемещений algorithm using the methods of optical flow detection наблюдаемого объекта and classification by neogonitron.

Пусть существует некоторая область Введение пространства, в данном пространстве существуют объекты, совершающие Исследования в области распознавания перемещения в пространстве. Некоторую действий объектов на современном этапе конечную последовательность данных развития компьютерного зрения остаются перемещений, будем называть действием актуальным направлением, так как объекта.

существующие методы и алгоритмы Кадром будем называть проекцию решают узкоспециализированный класс анализируемой сцены на фокальную прикладных задач и используют плоскость регистрирующего прибора вспомогательные методики такие, как (видеокамеры) в момент времени.

цветовые маркеры на точках интереса, Видеопотоком будем называть выделение ключевых точек исходя из последовательность кадров, особенностей объекта, а так же большая зарегистрированных через равные часть алгоритмов разрабатывалась для промежутки времени. На данной распознавания жестов [1]. Представленный плоскости определена непрерывная в данной работе алгоритм классификации функция интенсивности для каждой точки действий объекта по данным видеопотока с координатами, которая определяет при помощи неокогнитрона позволяет решать более широкий класс подобных значение интенсивности светового потока в задач, независим от формы и класса данной точке:

объекта и не требует ручного определения точек интереса. Решение данной проблемы Для вычисления пространственносвязано с выделением пространственно- временных характеристик перемещений временных характеристик действий объекта будем использовать оптический объекта и классификация действий по поток [2]. Оптический поток есть данным характеристикам.

векторное поле двумерных векторов, Данную задачу можно разделить на три соответствующее смещению пикселей логических этапа:

изображений объектов, вызванное сменой 1. Получение пространственно- кадра, т.е. характеризует траекторию и временных характеристик перемещений скорость движения пикселей при смене наблюдаемого объекта кадров. На текущий момент разработано 2. Приведение полученных большое количество методов вычисления характеристик к виду удовлетворяющему оптического потока, но исходя из [3] требованиям к входным данным наиболее подходящим для решения неокогнитрона поставленной задачи является метод 3. Классификация преобразованных Лукаса-Канада [4], т.к. он обладает рядом входных данных при помощи преимуществ относительно других: малая неокогнитрона вычислительная сложность, устойчивость к шумам на входном изображении.

Уравнение оптического потока по ЛукасуКанада имеет следующий вид:

4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» стандартного видеопотока есть величина постоянная, то полученное векторное поле характеризует скорость и ускорение перемещения объекта. Усредненная интегральная кривая совокупного поля векторов смещения описывает траекторию движения объекта. Ротор полученного поля есть вихревая характеристика совокупного поля векторов смещения, то есть, по сути, является угловой скоростью объекта. Как известно из кинематики твёрдого тела: для задания где, - вектор оптического потока в движения твердого тела нужно определить точке, - пиксели окрестности положение только трех его точек, не лежащих на одной прямой, а точки, - частные кинематической моделью твердого тела производные изображения по будет треугольник, построенный по трем координатам и времени, вычисленные этим точкам. Следовательно, для точного в точке, - веса, которые будут описания движения тела для каждого присвоены пикселям окрестности точки момента времени достаточно трёх, в качестве весов будем использовать векторов из поля, где нормальное Гауссовское распределение и начала векторов не лежат расстояния между и.

на одной прямой. Т.е. для кадров, Графическое представление оптического полученных в момент времени, потока для данных двух кадров приведено требуется решать уравнение оптического на рисунке 1. Для данного примера потока не для всех пикселей кадра, а решением уравнения оптического потока только для выбранных на предыдущей будет являться совокупность векторов итерации трёх, что существенно понижает смещения наблюдаемого объекта вычислительную сложность.

представленного алгоритма.

Приведение полученных характеристик к виду удовлетворяющему требованиям к входным данным неокогнитрона Как уже было отмечено, для полной характеристики движения твёрдого тела достаточно всего трёх его точек. Выберем три точки такие, что для момента времени :

Рис. Движение по своей природе имеет следующие характеристики, которые (3) однозначно позволяют классифицировать данное движение: скорость, траектория, ускорение, угловая скорость. Так как полученные поля векторов есть множество т.е. выбранные точки являются векторов смещения точек наблюдаемого максимально удалёнными друг от друга объекта в моменты времени. – для (рис. 2).

Материалы XVI Международной конференции по нейрокибернетике Из кинематики твёрдого тела известно, что точкой характеризующей движение системы частиц как целого является центр масс. Найдём центр масс системы :

Вычислим вектор скорости для найденного центра масс :

Рис. Так как в общем случае движение объекта характеризуется двумя составляющими, а Возьмём точки такие, что именно поступательным и вращательным координатами точки являются движением требуется учитывать координаты точки центра масс объекта, вращательную характеристику. Введём координатами точки являются вращательную характеристику.

Рассмотрим движение центра масс как координаты конца вектора скорости вращение относительно точки. вращения центра масс относительно точки, а координатами точки являются Воспользуемся уравнением Эйлера для связи скоростей двух точек. Скорость координаты конца вектора скорости точки вращения центра масс относительно точки центра масс. Найдём кривую Безье для находится следующим образом: данных трёх точек:

На рисунке 3 приведено графическое известно, так как входит в найденное представление данного преобразования:

векторное поле смещений точек объекта, вычисляется по соотношению (5).

Вектор угловой скорости равен для всех точек объекта. Отсюда следует, что зная значения вектора скорости центра масс и вектора скорости вращения центра масс относительно какой-либо точки объекта можно найти вектора скоростей для любой точки объекта. Т.е. движение объекта однозначно характеризуется двумя вектор-функциями и.

Функция входных данных Рис. неокогнитрона должна однозначно характеризовать движения объекта в Как видно из графика вектора и целом, следовательно, значения функции являются касательными к должны зависеть от положения точки кривой Безье. Очевидно, что по центра масс, вектора скорости точки полученной кривой можно восстановить центра масс и вектора скорости значения векторов скоростей и, в вращения точки центра масс относительно то же время исходя из (6) можно любой другой точки.

восстановить вектор скорости для любой точки данного тела.

4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» Для каждой пары кадров и производить при помощи нейронной сети типа «неокогнитрон» [5]. Использование находится кривая Безье, нейронной сети данного типа обусловлено множество найденных точек всех кривых тем, что согласно [5] данный тип Безье за промежуток времени нейронной сети при распознавании образов будет являться областью обладает следующими преимуществами:

определения функции входных данных инвариантность к позиционным сдвигам, неокогнитрона. Для учёта направления инвариантность к аффинным движения требуется ввести временную преобразованиям, составляющую, тогда пусть значение инвариантность к масштабированию, инвариантность к частичному растёт с течением времени, т.е.

перекрытию и потерям изображения.

производная функции по x и y будет Так как входом неокогнитрона является являться характеристикой направления двумерная плоскость нейронов, так же движения. Тогда функция принимает называемая сетчаткой, то требуется следующий вид:

преобразовать полученное векторное поле смещений пикселей объекта в вид функции Следовательно, область определения определённой на конечном дискретном функции, матрица входных значений пространстве размерности 2 для подачи на для подачи на сетчатку неокогнитрона, вход неокогнитрона, причём при данном будет такой что:

преобразовании не должны происходить потери информации о характере движения объекта.

Полученная функция F полностью удовлетворяет предъявленным требованиям. Область определения данной Для рассмотренного выше на рисунке функции уточняется после каждого примера графическое представление обработанного кадра. В случае успешной функции будет выглядеть следующим классификации действия объекта область образом:

определения функции обнуляется, в обратном случае расширяется на.

Заключение Ввиду использования для классификации нейронной сети типа «неокогнитрон», данный алгоритм обладает высокой устойчивостью к шумам на входном видеопотоке, ориентации объекта в пространстве, частичному перекрытию наблюдаемого объекта другими объектами сцены в процессе совершения объектом действий. Так же данный алгоритм обладает небольшой вычислительной сложностью, так как для вычисления пространственно-временных Рис.характеристик движения наблюдаемого Классификация преобразованных объекта используются только три точки входных данных при помощи данного объекта, т.е. скорость выполнения неокогнитрона алгоритма не зависит от разрешения входного видеопотока и может Классификацию действий объекта по выполняться в реальном времени.

полученным характеристикам будем Материалы XVI Международной конференции по нейрокибернетике 4. B. D. Lucas, T. Kanade An iterative image Список литературы registration technique with an application to stereo vision // Proceedings of Imaging Understanding 1. Linda G. Shapiro; George C. Stockman, Computer Workshop. 1981. С. 121-130.

Vision, Prentice Hall, 5. Fukushima К., Miyake S., Takayuki I.

2. Prazdny, K. The information in optical flows.

Neocognitron: A neural network model for a Computer Science Department. University of Essex, mechanism of visual pattern recognition. IEEE Colcheste, Transaction on Systems, Man and Cybernetics SMC– 3. J. L. Barron, S. S. Beauchemin The computation of 13(5):826–34. — 1983”.

optical flow // ACM Computing Surveys. 1995. №27.

С. 433 - 466.

4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» МУРАВЬИНАЯ СИСТЕМА ОПТИМИЗАЦИИ ЗАДАЧ, ПРЕДСТАВЛЯЕМЫХ ДРЕВОВИДНЫМИ СТРУКТУРАМИ ДАННЫХ Б.К.Лебедев, О.Б.Лебедев Технологический институт Южного федерального университета lbk@tsure.ru The new paradigm of combinatory optimization trees ACO. Первым методом был метод ant colony optimization (T-ACO), based on ideas of an муравьиных систем (Ant System – AS) [1,2].

ant colony and first of all on idea of an indirect Позже были разработаны расширения exchange - stigmergy is offered, allowing to carry out метода муравьиных систем. К ним tree synthesis. Such approach is effective way of search of rational decisions for the problems of optimization относятся: метод муравьиных систем, supposing graph interpretation in the form of trees.

основанный на элитной стратегии (Elitist Ant System); метод муравьиных систем, Введение основанный на ранжировании (ASrank) [1.2]; метод системы муравьиных колоний Идея муравьиного алгоритма (Ant colony system (ACS)) [1,2]; максимоделирование поведения муравьёв, минный метод муравьиных систем (MAXсвязанного с их способностью быстро MIN AS– MMAS) [1,2].

находить кратчайший путь от муравейника В работе [3] предлагается при поиске к источнику пищи [1]. Особенностями решений использование шаблонов, что являются наличие непрямого обмена, позволяет снизить вычислительную который и используется в муравьиных сложность и использовать накопленный алгоритмах. Непрямой обмен – стигмержи опыт. Выполняется коррекция отдельных (stigmergy), представляет собой участков маршрута.

разнесённое во времени взаимодействие, В отличие от канонической парадигмы при котором одна особь изменяет муравьиного алгоритма в задаче разбиения некоторую область окружающей среды, а [4] муравьем на графе поиска решений другие используют эту информацию позже, R(X,E) строится не маршрут, а формируется когда в неё попадают. При своём движении подграф R1кR. Агент на графе решений муравей метит путь феромоном, и эта R(X,E) совершает перемещение не от информация используется другими вершины к вершине, а от группы вершин к муравьями для выбора пути.

вершине. Для усиления сходимости В основе муравьиного алгоритма лежит выполняется двойное отложение феромона.

моделирование передвижения муравьёв по Предложены способы декомпозиции графу решений [1,2]. Такой подход структуры данных, используемой в является эффективным способом поиска процессах формирования подграфа.

Pages:     | 1 |   ...   | 22 | 23 || 25 | 26 |   ...   | 58 |



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

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.