Алгоритмы распознавания подвижных объектов для интеллектуальных систем охранного видеонаблюдения

• Автор: Иванов, Юрий Сергеевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Комсомольск-на-Амуре
• Количество страниц: 167 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1 СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ
1.1 Роль методов распознавания и классификации образов в системах
охранного телевидения
1.2 Классическая постановка задачи распознавания образов
1.3 Анализ методов распознавания образов
1.3.1 Методы, основанные на шаблонах
1.3.2 Методы с использованием контурных моделей
1.3.3 Нейросетевые методы
1.3.4 Метод В иолы-Джонса
1.3.5 Метод опорных векторов
1.4 Нерешенные задачи для СОТ
Выводы по первой главе
ГЛАВА 2 СИНТЕЗ АЛГОРИТМА ЛОКАЛИЗАЦИИ И РАГЮЗНАВАНИЯ НОМЕРНЫХ ЗНАКОВ ТРАНСПОРТНЫХ СРЕДСТВ НА ОСНОВЕ МЕТОДА ВИОЛЫ-ДЖОНСА И КАСКАДА НЕЙРОННЫХ СЕТЕЙ
2.1 Аналитический обзор методов локализации номерных знаков
2.2 Постановка задачи локализации НЗ ТС
2.3 Модифицированный алгоритм локализации НЗ
2.3.1 Локализация 113 на основе метода Виолы-Джонса
2.3.2 Адаптивна предобработка
2.3.3 Модификация алгоритма локализации НЗ ТС добавлением адаптивной
предобработки
2.3.3.1 Обучение классификатора для локализации номерных знаков
2.3.4 Модификация алгоритма локализации НЗ добавлением второго
классификатора
2.3.5 Результаты эксперимента по локализации НЗ
2.3.6 Анализ результатов моделирования алгоритма локализации НЗ и
выработка рекомендаций
2.4 Модифицированный алгоритм оптического распознавания символов НЗ
2.4.1 Сегментация символов
2.4.2 Использование нейронных сетей в задачах оптического распознавания текста
2.4.3 Формирование обучающего множества
2.4.4 Сравнение методов распознавания символов
2.4.5 Формирование каскадной модели нейронных сетей для распознавания символов НЗ
2.4.6 Результаты эксперимента
Выводы по второй главе
ГЛАВА 3 СИНТЕЗ АЛГОРИТМА ЛОКАЛИЗАЦИИ И РАГЮЗНАВАНИЯ ЛИЦ С ПРИМЕНЕНИЕМ МЕТОДОВ ОНЛАЙН ОБУЧЕНИЯ
3.1 Задача детекции лица на изображении
3.2 Постановка и решение задачи детекции лица в кадре видеопотока традиционным методом
3.3 Недостатки классического алгоритма детекции лиц
3.4 Постановка и решение задачи детекции лица в кадре видеопотока с использованием модифицированного алгоритма
3.4.1 Формирование обучающей выборки с учетом условий съемки
3.4.2 Способы определения условий съемки
3.4.3 Последовательное обучение
3.4.4 Синтезированный алгоритм детекции объектов с использованием метода Виолы-Джонса и последовательного обучения БУМ
3.4.5 Результаты эксперимента
3.4.6 Обсуждение результатов моделирования
Выводы по третьей главе
ГЛАВА4 РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ И УЧЕТА РАБОЧЕГО ВРЕМЕНИ
4.1 Существующие решения на рынке интеллектуальной видеоаналитики.
4.2 Технические требования к системе
4.3 Разработка интеллектуальной системы СагтVI
4.3.1 Выбор средств разработки
4.3.2 Архитектура системы ОаппУЩ
4.3.2.1 Платформа
4.3.2.2 Модуль распознавания автомобильных номеров
4.3.2.3 Модуль распознавания лиц
4.3.2.4 Модуль управления энергосбережением
4.3.3 Принципы работы системы ОагпТУ
4.4 Показатели эффективности разработки
4.5 Практическое применение предложенных алгоритмов в других приложениях оптического распознавания образов
Выводы по четвертой главе
ЗАКЛЮЧЕНИЕ
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ
ПРИЛОЖЕНИЕ Г. ОХРАННЫЕ ДОКУМЕНТЫ НА РЕЗУЛЬТАТЫ ИНТЕЛЛЕКТУАЛЬНОЙ ДЕЯТЕЛЬНОСТИ

риском). В отличие от них, с помощью метода опорных векторов, можно построить классификатор, минимизирующий верхнюю оценку ожидаемой ошибки классификации (в том числе и для неизвестных объектов, не входивших в тренировочный набор). Применение метода опорных векторов к задаче обнаружения лица заключается в поиске гиперплоскости в признаковом пространстве, отделяющей класс изображений «лиц» от изображений «не-лиц».
Основная идея метода опорных векторов [5, 104] — перевод исходных векторов в пространство более высокой размерности и поиск разделяющей гиперплоскости с максимальным зазором в этом пространстве. Две параллельных гиперплоскости строятся по обеим сторонам гиперплоскости, разделяющей наши классы. Разделяющей гиперплоскостью будет гиперплоскость, максимизирующая расстояние до двух параллельных гиперплоскостей (Рисунок 1.5). Алгоритм работает в предположении, что чем больше разница или расстояние между этими параллельными гиперплоскостями, тем меньше будет средняя ошибка классификатора. Это будет соответствовать наилучшей классификации.
Рисунок 1.5 - Геометрическая интерпретация метода опорных векторов
Рассмотрим задачу классификации на два непересекающихся класса, в которой объекты описываются и-мерными вещественными векторами: пусть — пространство объектов, У = {-1;1} — множество классов. Дана обучающая выборка: