Система неадаптивного распознавания образов в условиях ограниченного количества информации

• Автор: Рожков, Максим Михайлович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Владимир
• Количество страниц: 173 с. : ил.

ОГЛАВЛЕНИЕ

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ЗАДАЧИ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ЛИЦ

1.1 Актуальность разработки системы.

1.2 Решаемая задача и исходные данные.

1.3 Обзор методов распознавания.

1.3.1 Общие методы.

1.3.2 Специализированные методы

1.4 Оценка рассмотренных методов распознавания

1.5 Выводы ПО ГЛАВЕ.

ГЛАВА 2. ОПИСАНИЕ ПРЕДЛАГАЕМОЙ СИСТЕМЫ.
2.1 ОБЩАЯ СХЕМА ПРЕДЛАГАЕМОЙ СИСТЕМЫ
2.1.1 Подсистема нижнего уровня
2.1.2 Подсистема верхнего уровня.
2.1.3 Ошибки распознавания I и II рода.
2.1.4 Требования к подсистемам нижнего уровня
2.1.5 Функциональные элементы подсистем нижнего уровня.
2.1.6 Сегментация изображений
2.1.7 Схема модели системы распознавания.
2.1.8 Структура изображения
2.2 Подсистемы распознавания, базирующиеся на преобразовании Фурье
2.2.1 Подсистема, использующая дискретное косинусное преобразование
2.3 Подсистемы распознавания, инвариантные к аффинным преобразованиям.
2.3.1 Подсистема, использующая моменты Лежандра
2.3.2 Подсистема, использующая инварианты Цернике
2.4 Текстурные подсистемы распознавания.
2.4.1 Подсистема, основанная на энергетических Картах Лаоса.
2.4.2 Подсистема, основанная на порядковых гистограммах.
2.4.3 Подсистема, использующая детектор краев на масках Собеля.
2.5 Сходство и различие в алгоритмах построения векторов признаков
2.6 ВЫВОДЫ ПО ГЛАВЕ.
ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ПОДСИСТЕМ РАСПОЗНАВАНИЯ
3.1 Постановка эксперимента.
3.1.1 Экспериментальная база изображений.
3.1.2 Описание эксперимента
3.2 Эксперименты и выявление наилучших режимов работы подсистем.
3.2.1 Предварительная обработка фотографий.
3.2.2 Эксперимент с подсистемой на базе ДКП.
3.2.3 Эксперимент с подсистемой на базе моментов Лежандра.
3.2.4 Эксперимент с подсистемой на базе инвариантов Цернике
3.2.5 Эксперимент с подсистемой, использующей карты Лавса
3.2.6 Эксперимент с подсистемой, использующей порядковые гистограммы.
3.2.7 Эксперимент с подсистемой, использующей маски Собеля.
3.3 ВЫВОДЫ ПО ГЛАВЕ.
ГЛАВА 4. ПРОЕКТИРОВАНИЕ И ИСПЫТАНИЕ СИСТЕМЫ РАСПОЗНАВАНИЯ
4.1 Цели и задачи проектирования
4.2 Анализ совместного функционирования подсистем.
4.2.1 Описание экспериментов.
4.2.2 Представление результатов экспериментов
4.2.3 Проведение анализа.
4.2.4 Соображения о предельном случае ошибок
4.3 Предлагаемая конфигурация системы как результат анализа совместной работы подсистем.
4.3.1 Вырожденная подсистема верхнего уровня
4.3.2 Состав системы и результаты ее работы.
4.3.3 Сравнение с аналогичными системами
4.4 Испытание устойчивости системы распознавания.
4.4.1 Набор помех.
4.4.2 Результаты системы с помехами.
4.4.3 Сравнение ошибок системы, без помех и ошибок возникающих в результате действия помех.
4.4.4 выводы об устойчивости системы к различным помехам
4.5 Эксперименты по распознаванию промышленных изделий.
4.5.1 Постановка экспериментов
4.5.2 Сравнение результатов распознавания системой промышленных изделий и лиц.
4.6 Выводы по главе
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


Во-первых, потому что распознаваемый, объект может иметь различную природу: человек,, животное, машина, механизм, строение и т. Во-вторых, потому что область применения1 этой задачи весьма обширна: военное дело, кибернетика, работа спецслужб, автоматизированная обработка информации и т. И, в-третьих, потому что у человека алгоритм распознавания объектов универсален. В рамках настоящей работы разрабатываются методы и модели автоматизированного распознавания образов исследуемые и проверяемые в частной задаче: распознавание лиц людей для их идентификации. В связи с актуальностью проблемы в настоящее время ВлГУ по заказу Федерального агентства по науке и инновациям проводит исследования в рамках опытно-конструкторской работы по теме «Разработка технических средств распознавания образов по анализу видеоизображения для автоматизации работы оператора» (Государственный контракт №. Разрабатывается опытный образец и технологическая документация для промышленного производства программно-аппаратного комплекса обнаружения, слежения и распознавания людей [, ]. Задача распознавания лиц распадается на великое множество, по сути, непохожих задач. Выделим, на наш взгляд, два принципиальных момента, с позиции которых, в первую очередь, следует рассматривать каждую из них. БО). Под характером информации понимаются различные варианты отражения распознаваемого объекта, которые обрабатывает система. Например, это могут быть фотографии, трехмерные модели поверхности лиц, и проч. Количество информации- может также- различаться. БО может . И для распознавания могут использоваться несколько фотографий объекта снятых в различных ракурсах. Эти изображения называются эталонными [2, С. Данная задача является весьма-проблемной среди задач распознавания. Так как предоставляет малое количество информации для идентификации. За рубежом данное направление называют «One Sample Problem - OSP» -проблемой одного эталона (ПОЭ) [, , ]. В отечественных работах данный тип задач называется «распознаванием при малом числе обучающих прецедентов» [, с. Отметим, что данная задача весьма актуальна, так как в ряде случаев фотография, террориста, к примеру, является единственной имеющейся информацией о нем. Как показывают эксперименты, качество алгоритмов распознавания снижается при уменьшении количества изображений человека в базе. К примеру, для одного из самых распространенных и наилучшим образом исследованного алгоритма собственных лиц точность распознавания при использовании единственного ракурса надает ниже % []. Рисунок 1. Зависимость корректности распознавания от количества ракурсов. Актуальность и сложность задачи заставляет исследователей искать различные варианты ее разрешения. Разрабатываются алгоритмы, оптимизированные именно для решения проблемы одного изображения. Сравнительный анализ таких алгоритмов представлен ниже (Таблица 1) []. Рассмотренные алгоритмы тестировались на разных базах изображений (FERET [], ORL [], AR []). И сами авторы обзора отмечают, что цифры в таблице недостаточно полно характеризуют рассмотренные алгоритмы. Авторы затрудняются выбрать лучший алгоритм. Наилучшие показатели в обзоре получил метод эластичных графов (Elastic Bunch Graph Matching). Во-вторых, для распознавания используются только ключевые точки, что делает метод крайне неустойчивым к некоторым изменениям лица (мимике, очкам, и т. Также отличные результаты показал метод локальных бинарных образов (Local Binary Pattern). В нем изображение рассматривается на трех уровнях сегментации: точечная сегментация, частичная сегментация, целое изображение. Частичная сегментация производится путем разделения изображения на небольшие прямоугольные блоки. Для каждого уровня сегментации строятся гистограммы, с помощью которых происходит распознавание. Метод показал хорошие результаты, однако, как ни странно, для обучения были использованы по пять фотографий для каждого лица. Таблица 1. Сравнение точности распознавания различными алгоритмами, решающими проблему одного изображения. Взято из []. AR 0 .