Алгоритмы обработки и анализа изображений иерархической временной сетью

• Автор: Болотова, Юлия Александровна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Томск
• Количество страниц: 162 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
1 АНАЛИЗ СУЩЕСТВУЮЩИХ БИОЛОГИЧЕСКИ ПОДОБНЫХ МОДЕЛЕЙ ЗРИТЕЛЬНОГО ВОСПРИЯТИЯ
1.1 Особенности биологической зрительной системы
1.2 Отображение биологических особенностей неокортекса в моделях распознавания объектов на изображениях
1.3 Модель иерархической временной памяти
1.4 Преимущества и недостатки модели
1.5 Цель и задачи исследования
1.6 Основные результаты и выводы по главе
2 МОДИФИКАЦИЯ МОДЕЛИ ИВП ДЛЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ
2.1 Применение генетического алгоритма для подбора настроечных
параметров сети
2.2 Выбор наилучшей структуры сети
2.3 Обучение сети
2.4 Распознавание в сети
2.5 Предобработка изображений
2.6 Моделирование саккадных движений
2.7 Основные результаты и выводы по главе
3 ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ИЕРАРХИЧЕСКОЙ ВРЕМЕННОЙ СЕТЬЮ
3.1 Разработка ПО для задачи распознавания объектов на
изображениях
3.2 Приложение, реализующее генетический алгоритм
3.3 Библиотека фильтров Габора
3.4 Библиотека сети ИВП
3.5 Распараллеливание отдельных частей программы
3.6 Программа распознавания статических изображений
3.7 Программа распознавания объектов в видеопоследовательности GestureRecognition
3.8 Основные результаты и выводы по главе
4 ТЕСТИРОВАНИЕ И ПРИМЕНЕНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ И ПРОГРАММНЫХ СРЕДСТВ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ
4.1 Описание тестируемых выборок
4.2 Параметры сети
4.3 Параметры для фильтра Габора
4.4 Тестирование сети
4.5 Основные результаты и выводы по главе
ЗАКЛЮЧЕНИЕ
ОБОЗНАЧЕНИЯ
СПИСОК СОКРАЩЕНИЙ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ

ВВЕДЕНИЕ
Актуальность работы. Распознавание объектов на изображениях является одной из важнейших задач человеческой деятельности. Исследования в этой области ведутся с середины 20 века. С тех пор значительно пополнились знания нейрофизиологии, появились автоматические системы распознавания изображений, применяемые в повседневной жизни. Однако до сих пор решение этой задачи лишь в малой степени приблизилось к человеческим возможностям.
Задача распознавания объектов на изображениях является одной из востребованных в современной информационной науке и инженерии [72, 73, 84, 88, 116]. Ее решение требуется для обеспечения общественной безопасности (системы видеонаблюдения), улучшения качества медицинского обслуживания (анализ медицинских снимков), для исследования труднодоступных объектов и территорий (анализ космических снимков) и окружающей среды (распознавание лесных пожаров), а также для помощи людям с ограниченными возможностями (распознавание жестов). На сегодняшний день создано много алгоритмов распознавания. Постепенно они находят свое применение в системах, используемых в производственной и социальной сфере, однако достигнутые результаты все еще далеки от возможностей зрительной системы человека и требуют доработки и улучшения [126, 129, 130].
Первые алгоритмы распознавания разрабатывались на основе принципов сопоставления, формальной логики и математической статистики [13]. Для их успешной работы необходимо, чтобы исследуемые входные характеристики изображения были инвариантны к различным аффинным преобразованиям. Достичь этого достаточно сложно, так как изображения, представленные в памяти компьютера, сложно формализуемы. Даже небольшая смена освещения или поворот, не искажающие изображение в восприятии человека, значительно изменяют его цифровое представление. Таким образом, алгоритмы, основанные

Ключевым элементом в работе сети, объединяющим этапы пространственного и временного анализа, является матрица РС(/(С|С), столбцы которой соответствуют пространственным центрам, а строки - временным группам. Если какой-либо из центров не содержится в определенной временной группе, то на пересечении соответствующего столбца и строки матрицы РСО(с,) стоит «О», иначе этот элемент матрицы содержит относительную нормированную вероятность, рассчитываемую по формуле:
5еен(с.- I еЛ РСС(с,!?;)= № '' 7
I яееп(ск | к
где яееп(с, | gJ) - число появлений центра с, во входном сигнале, при условии, что он входит в группу gJ [66]. Формирование матрицы РСС(СС) является заключительным этапом обучения узла. В дальнейшем матрица РСС(СС) понадобится, когда вся сеть будет переключена в режим распознавания.
После того, как все узлы текущего уровня были обучены, уровень переходит в режим распознавания. На этот раз в каждом узле первого уровня входному вектору ставится в соответствие наиболее коррелирующий с ним пространственный центр с„ а затем выбирается временная группа, которой принадлежит центр - победитель gr Выходной информацией из узла будет бинарный вектор Х+, его размерность равна количеству временных групп в узле. На месте выбранной временной группы - победителя Л.+(§)) ставится «1», а на месте остальных групп - «О». После этого выходные векторы из нескольких соседних узлов конкатенируются и отправляются на вход узлу - родителю следующего уровня (рисунок 1.8)
Обучение узла верхнего уровня сети частично производится с учителем. Сохранение пространственных центров осуществляется аналогично узлам промежуточных уровней [49, 100], а при объединении их в группы, каждому входному вектору ставится в соответствие заранее определенная категория изображения. В этом случае каждая группа верхнего узла однозначно