Алгоритмы распознавания трехмерных объектов по эталонным двумерным проекциям

• Автор: Тант Зин Пьо
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Москва
• Количество страниц: 121 с. : ил.

ВВЕДЕНИЕ
ГЛАВА 1. ИССЛЕДОВАНИЕ НАПРАВЛЕНИЙ РАЗВИТИЯ СИСТЕМ ТЕХНИЧЕСКОГО ЗРЕНИЯ РОБОТИЗИРОВАННЫХ КОМПЛЕКСОВ

1.1. Обзор состояния разработок роботизированных комплексов..

1.2. Особенности построения системы управления роботизированных комплексов нового поколения
1.3. Этапы обработки изображений в системах технического зрения роботизированных комплексов
1.4. Особенности идентификации объектов в системах технического зрения роботизированных комплексов

Выводы по главе

ГЛАВА 2. СОВЕРШЕНСТВОВАНИЕ СТАТИСТИЧЕСКИХ МЕТОДОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ТРЕХМЕРНЫХ ОБЪЕКТОВ ДЛЯ СИСТЕМ ТЕХНИЧЕСКОГО ЗРЕНИЯ

2.1. Моделирование цифровых изображений окружающей среды в виде случайных полей

2.2. Построение упрощенных статистических моделей цифровых изображений для идентификации окружающей среды
2.3. Математические модели преобразования изображений для систем технического зрения
2.4. Формализация задачи и методы распознавания изображений трехмерных объектов
2.5. Метод статистического обучения для идентификации объектов окружающей среды
Выводы по главе

ГЛАВА 3. ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ ВНЕШНЕЙ СРЕДЫ И РАСПОЗНАВАНИЕ ТРЕХМЕРНЫХ ОБЪЕКТОВ ПО ЭТАЛОННЫМ ДВУМЕРНЫМ ПРОЕКЦИЯМ
3.1. Использование методов математической статистики для оценки параметров распределений случайных величин, характеризующих окружающую среду
3.2. Преобразование изображений в форму, удобную для статистического анализа
3.3. Методы организации обучения и тестирования системы распознавания объектов окружающей срезы
3.4. Алгоритм распознавания трехмерных объектов по эталонным двумерным проекциям
Выводы по главе
ГЛАВА 4. ПОДГОТОВКА И ПРОВЕДЕНИЕ КОМПЬЮТЕРНОГО ЭКСПЕРИМЕНТА ПО ИСПОЛЬЗОВАНИЮ РАЗРАБОТАННЫХ АЛГОРИТМОВ ИДЕНТИФИКАЦИИ ПАРАМЕТРОВ
ОКРУЖАЮЩЕЙ СРЕДЫ И РАСПОЗНАВАНИЯ ТРЕХМЕРНЫХ ОБЪЕКТОВ
4.1. Основные требования к компьютерной модели системы распознавания и исходные положения, используемые при ее проектировании
4.2. Методика организации обучения модели системы распознавания СТЗРК
4.3. Моделирование процессов распознавания объектов СТЗ РК
Выводы по главе
Заключение
Список использованных источников
Приложение 1. Акт внедрения

ВВЕДЕНИЕ
Актуальность темы исследования. В США, Японии и странах Западной Европы развернуты и интенсивно ведутся исследования по разработке систем технического зрения (СТЗ) робототехнических комплексов (РК), которые могут использоваться для ликвидации последствий экологических и техногенных катастроф, обезвреживания подозрительных предметов в местах массового скопления людей, а также для других ситуаций, представляющих угрозу для здоровья и жизни человека [1-3]. Существующие в РФ и за рубежом РК в основном предназначены для выполнения работы в достаточно ограниченных условиях внешней среды. Во многих ситуациях применение РК отличается большой неопределенностью окружающей среды.
Для повышения эффективности перспективных РК необходимо увеличивать их автономности. Проблема состоит в оперативной идентификации окружающей среды для обеспечения устойчивого функционирования РК при возникновении нештатных ситуаций и нарушениях связи с диспетчерским пунктом. В связи с этим разработка новых методов и алгоритмов обработки информации для СТЗ РК представляется актуальной научно- технической проблемой [4-7].
Степень разработанности темы. Первые работы исследователей из США и Японии по обработке изображений и распознаванию объектов были опубликованы в конце 70-х годов прошлого века. Позже аналогичные работы стали появляться и в России: в Москве (МГУ, МФТИ), С-Петербурге (СПбГУ, ГУ АП), Самаре (СГАУ), Рязани (РГРУ), Новосибирске (ЛГУ), Томске (ТГГГУ) и других городах. Особый вклад принадлежит выдающимся российским ученым: Ю.И. Журавлеву, В.А. Сойферу, Н.Г. Загоруйко, Л.М. Местецкому, Б.А. Алпатову и другим. Широко известны работы таких зарубежных учёных, как Rosenfeld A., Roberts L.G., Winston Р.Н., Waltz D., Hunt E.B., Hueckel M.H., Lloyd J.M. и других.

\f2~flK = л/Л/2(*)-Л(*)|2^-
Использование этой нормы ведет к широко распространенным корреляционным методам, в которых степень сходства двух изображений определяется как корреляция. При разных взаимных сдвигах изображений взаимную корреляционную функцию удобно вычислять через обратное дискретное преобразование Фурье (ДПФ) произведения Фурье-спектров.
Продуктивной концепцией является представление изображений в виде реализаций случайных полей. Изображение в этом случае рассматривается как случайная функция пространственных координат (х,у) и времени /. Такие модели являются более общими, чем функциональные, так как детерминированные функции являются их частным подклассом.
Модели на основе случайных полей описывают статистические свойства изображений и часто не отражают их пространственной структуры. Стремление включить в стохастическую модель информацию о пространственных положениях элементов изображения приводит, как правило, к необходимости использования нескольких различных моделей случайных полей, что усложняет их обработку.
Задачу распознавание образов часто определяют как отнесение исходных данных к определенному классу посредством выделения их существенных признаков. Признаковый подход наиболее часто используется в распознавании изображений, так как позволяет использовать хорошо разработанные методы дискриминантного анализа [60,61].
Признаки изображений подразделяются на общие и предметнозависимые. Общие признаки (цвет, текстура, форма) не зависят от приложения. В свою очередь они подразделяются на следующие группы:
- признаки пиксельного уровня: признаки, вычисляемые в каждом пикселе, такие как цвет, положение;
- локальные признаки: признаки, вычисляемые в некотором окне или ограниченной области изображения;