Разработка теории, методов и алгоритмов машинного зрения в задачах обнаружения объектов

Разработка теории, методов и алгоритмов машинного зрения в задачах обнаружения объектов

Автор: Желтов, Сергей Юрьевич

Шифр специальности: 05.13.01

Научная степень: Докторская

Год защиты: 2002

Место защиты: Москва

Количество страниц: 338 с. ил

Артикул: 2313399

Автор: Желтов, Сергей Юрьевич

Стоимость: 250 руб.

Разработка теории, методов и алгоритмов машинного зрения в задачах обнаружения объектов  Разработка теории, методов и алгоритмов машинного зрения в задачах обнаружения объектов 

Оглавление
Введение
Глава 1. Анализ и классификация основных подходов к проблеме обнаружения объектов на изображениях.
1.1.Предмет дисциплины машинное зрение.
1.2.Основные требования к алгоритмам обнаружения.
1.2.1. Робастность.
1.2.2. Локализация.
1.2.3.Вычислительная реализуемость.
1.3.Обнаружение объектов, заданных эталонными изображениями
1.3.1.Обнаружение объектов на основе яркостной сегментации и признаковых описаний.
1.3.2.Корреляционное обнаружение.
1.3.3.Морфологический подход Ю.П. Пытьева
1.4.0бнаружение малоразмерных объектов на изображениях по методу
нормализации фона
1.5.Основные понятия математической морфологии по Серра, свойства морфологических операторов.
1.5.1 .Морфологические операции на бинарных изображениях
1.5.2.Расширение морфологических операций на случай полутонового изображения
1.5.3.Применсние морфологических операторов для выделения черт и объектов на изображениях.
1 .б.Основные понятия преобразования , обобщенное преобразование , свойства НТ и
1.6.1 .Преобразование
1.6.2.0бобщенное преобразование
Тб.З.Обнаружение черт и объектов в пространстве параметров
Выводы по первой главе.
Глава 2. Исследование различных аспектов классических методов обнаружения
2.1.Связь между нормированными обычным и морфологическим коэффициентами корреляции
2.2.Исследование вероятностных характеристик аномальных ошибок обнаружения для корреляционного обнаружителя.
2.3.Анализ свойств метода нормализации фона
2.3.1.Задача обнаружения малоразмерных объектов
2.3.2.Результаты моделирования.
2.4.Анализ двумерного поля на наличие характерных черт.
2.4.1 .Выделение характерных точек.
2.4.2.Выделение характерных линий
2.4.3.Выделение характерных областей
2.4.4.Выделение характерных структур
2.5.Выводы по второй главе
Глава 3. Метод обнаружения объектов, основанный на объединении свидетельств и исследование его различных приложений
3.1 .Постановка задачи
3.2.Обобщенный подход к детектированию, основанный на анализе
свидетельств
3.3.Способы повышения вычислительной эффективности алгоритмов детектирования и распознавания.
3.2.1.Аккумулирование свидетельств.
3.3.2.Принцип разделения. Декомпозиция и редукция вектора
параметров.
З.З.З.Загрубление модели объекта
3.3.4.Использование структурных иерархических моделей
3.4.Обобщенная структура алгоритма детектирования.
3.5. Алгоритмическое обеспечение для устойчивого считывания штрихкодовой информации в условиях помех и искажений
3.5.1.Постановка задачи, характеристика тестовых изображений
3.5.2.Анализ возможных методов решения задачи детектирования штриховых кодов на изображении
3.5.3.Модульный алгоритм обнаружения штриховых кодов
3.5.3.1.Общая характеристика алгоритма
3.5.3.2.0писание алгоритма
3.5.3.3.0собенности модифицированного преобразования .
3.5.3.4.Результаты тестирования модульного алгоритма
3.6.Измерение угловых объектов
3.6.1.Постановка задачи измерения угла схождения сварных швов.,
3.6.2.Натуральная параметризация пространства .
3.6.3.Поиск сопряженной пары прямых.
3.6.4.Измерение угла с субпиксельной точностью
3.7.Выводы по третьей главе.
Глава 4. Разработка методов эффективного стерсоотождествления .
4.1.Основные проблемы, возникающие при стереоотождествлении
4.1.1 .Область поиска
4.1.2.Уникальность эталона
4.1.3.Начальные приближения.
4.1.4.Геометрические искажения образов
4.1.5.Яркостиые различия образов
4.1.6.Ложное отождествление.
4.2.Выбор метода решения задачи стереоотождествления
4.3.Определение наиболее устойчивых информативных участков изображения путем локального статистического анализа.
4.3.1.Показатели информативности фрагмента изображения.
4.3.2.Анализ наличия сигнала на фрагменте изображения
4.4.Корреляционное стереоотождествление с использованием пирамиды
стереопар
4.5.Обобщенная форма корреляционного стереоотождествления
4.6.Выводы по четвертой главе
Глава 5. Метод субпиксельной корреляции в задаче высокоточного отовдествлсния соответствующих точек.
5.1.Анализ существующих методов субпиксельного корреляционного стереотождествления
5.2.Линеаризация задачи
5.3.Решение задачи на обобщенные собственные значения
5.3.1 .Решение методом Холецкого.
5.3.2.Рсшенис методом ортогонализации
5.4.Решение задачи максимизации корреляционной функции.
5.5.Эквивалентность субпиксельной корреляции и корреляции методом
наименьших квадратов.
5.6.Экспериментальное исследование метода субпиксельной корреляции .
5.6.3.Временные характеристики.
5.6.3.Описание вычислительного эксперимента
5.6.3.Сходимость параметров и коэффициента корреляции
5.6.4.0ценка точности
5.6.5.Точность отождествления контрольных точек стереопары
5.7.Метод субпиксельной корреляции с учетом предварительной сегментации изображений
5.7.1 .Использование результата сегментации в модели стереоотождествления
5.7.2.Линеаризация задачи
5.7.3.Преобразование коэффициента кросскорреляции.
5.7.4.Преобразование морфологического коэффициента корреляции
5.7.5.Максимизация коэффициента корреляции.
5.8.Применение методов автоматизированной стереообработки изображений космической и авиационной съемки в современных компьютерных технологиях визуализации
5.9.Выводы по пятой главе
Глава 6. Метод обнаружения трехмерных объектов, основанный на анализе дифференциальных ортофотоизображений.
6.1.Исследование стереофотограмметрических возможностей метода
6.2,Описанис алгоритма обнаружения.
б.З.Выводы по шестой главе.
Глава 7. Разработка алгоритмов обнаружения препятствий в системе управления транспортным средством
7.1.Постановка задачи, технические требования к системе обнаружения
7.2.Алгоритм обнаружения продольных линий дорожной разметки
7.2.1 .Общая характеристика алгоритма
7.2.2.Алгоритм первичного выделения сегментов разметки.
7.2.3. Алгоритм монокулярного обнаружения продольных линий разметки.
7.2.4. Алгоритм стереоотождествления и локализации положения линий разметки.
7.2.5.Алгоритм прослеживания линий разметки
7.2.6.Алгоритм формирования списка соответствующих сегментов.
7.2.7.Результаты тестирования алгоритма
7.3.Алгоритмы обнаружения препятствий
7.3.1 .Логика работы алгоритма обнаружения препятствий.
7.3.2.Предварительные шаги блока обнаружения препятствий
7.3.3.Построение ортофото
7.3.4.Построение локальных признаков препятствий.
7.3.5.Корреляционнопризнаковое сравнение ортофото.
7.3.6.0бнаружение элементов препятствий
7.3.7.Работа системы в режиме сопровождения препятствий
7.4.Примеры работы системы.
7.5.Вы воды по седьмой главе.
Глава 8. Создание средств разработки специализированного программного обеспечения для анализа изображений.
8.1.Требования к средствам разработки систем анализа изображений
Программная среда i
8.2.Этапы развития и состав пакета i
8.3.Фреймовая архитектура пакета i
8.4.Результаты применения пакета i
8.5.Выводы по восьмой главе
Заключение.
Литература


Оценивая размер изображения, предназначенного для обработки, например, как на элементов, что не является чемто необычным для современных видеодатчиков можно вспомнить, что бытовые цифровые фотоаппараты к году давно перешли отметку 2 мегапиксела в ПЗС матрице, получим оценку количества потребных вычислений порядка нескольких гигабайтов операций на кадр. Для приложений же реального времени необходимо выполнять эти вычисления в темпе кадровой развертки, что приводит к оценке быстродействия около ОАорБес. Сами по себе все эти оценки не являются запредельными для супермощных ЭВМ последнего поколения, однако следует учесть, что основные приложения машинного зрения и, в частности, обсуждаемой в диссертации задачи обнаружения объектов, находятся в областях, где массогабаритные и стоимостные характеристики конструируемых устройств должны быть весьма невелики. Таким образом, вычислительная реализуемость алгоритмов все еще относится к числу важнейших факторов их разработки. В следующих подразделах данной главы будут рассмотрены основные группы алгоритмов, используемых в настоящее время для решения задачи обнаружения объектов на изображениях. Обнаружение объектов, заданных эталонными изображениями. В этой группе методов предполагается, что для каждого класса объектов известно одно или несколько эталонных изображений. Традиционные схемы обнаружения в литературе годов это часто называлось распознаванием простых объектов заключались в проведении первоначальной яркостной сегментации анализируемого с целью установления области, ограничивающей объект изображения, а затем использовании различных признаковых описаний формы объекта для соотнесения найденных значений признаков с их эталонными значениями 9, , , . МИ хручх,у. Имеются также многочисленные исследования различных топологических признаковмер типа компактность, круговидность, отношение аспекта, прямоугольность и многих других , , 5, особенно для бинаризованных или скелетизированных объектов. Все эти признаки обладают свойствами характеризовать форму простых объектов, обычно односвязных, но как правило характеризуют ее не уникально. Практическая полезность таких методов была не раз доказана в несложных задачах инспекционного контроля, например за формой изделий промышленности, но при усложнении условий наблюдения, но мере увеличения шумовой компоненты, происходит рост аномальных ошибок обнаружения. Особенно это относится к простым схемам яркостной сегментации по порогу, которые обычно использовались при обнаружении носителяобласти существования объекта. Корреляционное обнаружение. Традиционная техника сравнения изображения с эталоном основывается на рассмотрении изображений как двумерных функций яркости дискретных двумерных матриц интенсивности. При этом измеряется либо расстояние между изображениями, либо мера их близости. Куех. Их,у, х,у функции интенсивности X апертуры зоны поиска величина ае1,оо определяет характеристики используемой метрики. Очевидно, что при а2, это выражение описывает обычное евклидово расстояние между изображениями, понимаемыми как векторы, принадлежащие пространству Ь2х. X функций с интегрируемым квадратом . Пусть дано п эталонных изображений , 1 1,,п, каждое из которых соответствует 1му классу. С,,. Критерий обнаружения зависит от линейных размеров этшюна и изображения. Критерий обнаружения не инвариантен даже к простейшим фотографическим преобразованиям яркости вида Г аГ Ь. Более приемлемым поэтому является использование корреляционной метрики, а именно нормированного коэффициента корреляции , . Нормированный коэффициент корреляции обладает следующими хорошо известными свойствами. Последний случай, как правило, называют обратным контрастом. Пусть, как и ранее, дано п эталонных изображений , 1 1,,п, каждое из которых соответствует му классу. После этого, на основании полученного значения максимальной корреляции, может проверяться достоверность детектирования. Если кктП , то обнаружение признается достоверным. В противном случае, объект считается нераспознанным. Теоретическим обоснованием применения корреляционного метода обнаружения является его строгая оптимальность для обнаружения детерминированного сигнала в белом шуме с гауссовым распределением яркостей III. ВД е а Ь а0, V Ь.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.336, запросов: 244