Метод распознавания сверхбольших выборок изображений

• Автор: Пименов, Виталий Юрьевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Санкт-Петербург
• Количество страниц: 110 с. : ил.

Оглавление
Введение

1 Анализ методов распознавания

сверхбольших выборок изображений

1.1 Анализ современного состояния в области распознавания

сверхбольших выборок изображений .

1.2 Методы сопоставления изображений в контексте сверхбольших выборок .

1.3 Способы оценки методов распознавания изображений .

1.4 Программное обеспечение распознавания изображений . .

1.5 Цель и задачи исследования

2 Синтез метода распознавания изображения

2.1 Модель выборки изображений
2.2 Модель изображения .
2.3 Метод поиска контрольных точек
2.4 Метод вычисления признакового описания контрольных
2.5 Метод оценки информативности признаков
2.6 Выводы
3 Алгоритмы и программное обеспечение
распознавания изображений
3.1 Алгоритмы распознавания изображений.
3.2 Программный комплекс распознавания изображений .
3.3 Выводы . .
4 Результаты экспериментальной оценки
метода распознавания изображений
4.1 Постановка экспериментов
4.2 Результаты экспериментов
4.3 Выводы и рекомендации.
Заключение
Литература


Оптико-электронные системы обработки изображений, предназначенные для решения задач распознавания сверхбольших выборок изображений. Предмет исследования. Математическое и программное обеспечение систем распознавания изображений на основе сопоставления контрольных точек: математические модели изображения; методы поиска контрольных точек изображения; методы вычисления признаковые описаний контрольных точек. Методы исследования. Методы системного анализа, математического моделирования, обработки изображений, распознавания образов, теории графов, комбинаторного анализа, информационного поиска. Научная новизна. Разработана математическая модель сверхбольшой выборки изображений, в соответствии с которой выборка моделируется множеством кластеров значений локальных признаков, вычисленных для изображений, входящих в выборку. Разработаны алгоритмы сопоставления изображений, кластеризации выборки изображений и поиска изображений выборки по эталону, вычислительная сложность которых не зависит от свойств изображений. Модифицирован метод быстрых устойчивых признаков^ применяемый для вычисления значений локальных признаков: метод дополнен процедурой, обеспечивающей инвариантность значений признаков относительно аффинных преобразований плоскости изображения. Практическая значимость исследования. Использование разработанной модели изображения позволяет синтезировать методы распознавания изображений, вычислительная сложность которых не зависит от свойств изображений. Разработанный метод кластеризации выборки изображений обеспечивает -кратное повышение скорости распознавания изображений сверхбольших выборок при изменении показателей точности и полноты кластеризации в пределах 5%. В результате использования нового метода сопоставления изображений в системе технического зрения мобильного робота, осуществляющего автономную навигацию в неизвестной заранее среде, достигается сокращение ошибок распознавания на % при одновременном повышении средней скорости обработки кадра в 4. Личный’вклад-автора Все результаты диссертационного исследования получены автором лично. Апробация результатов исследования. Основные результаты диссертации были представлены на следующих научно-технических конференциях и семинарах: th International Conference On Computer Graphics and Vision, GraphiGon (Москва, ); 9th International Conference on Epigenetic Robotics (Venice, Italy, ); «Актуальные проблемы информационно-компьютерных технологий, мехатроники и робототехники» в рамках конференции «Экстремальная Робототехника » и школы-семинара «Адаптивные и интеллектуальные роботы» (пос. ПМ-ПУ СПбГУ, на семинаре «Нейроинформатика» математико-механического факультета СПбГУ, на семинаре Центрального научно-исследовательского и опытно-конструкторского института робототехники и технической кибернетики, на семинаре «Искусственный интеллект: от методологии к инновациям» Санкт-Петербургского государственного университета информационных технологий, механики и оптики. Публикации. Материалы диссертации опубликованы в 8 статьях, из которых одна в журнале, входящем в список ВАК ведущих рецензируемых изданий. Структура и объем диссертации. Диссертация состоит из введения, четырех глав, общих выводов, списка литературы из 3 наименований. Работа изложена на 0 страницах машинописного текста, содержит рисунков, 4 таблицы и одно приложение. В первой главе проведен критический анализ современных методов распознавания сверхбольших выборок изображений, сформулированы цель и задачи исследования. Во второй главе разработана модель сверхбольшой выборки изображений, синтезирована модель изображения, являющегося элементом сверхбольшой выборки. В третьей главе разработаны усовершенствованные алгоритмы сопоставления изображений, кластеризации выборки изображений и поиска изображений выборки по содержанию, охарактеризовано программное обеспечение распознавания изображений, созданное в рамках исследования. В четвертой главе представлены и проанализированы результаты апробации алгоритмов распознавания сверхбольших выборок изображений. В заключении сформулированы общие выводы, рекомендации и основные результаты, выносимые на защиту.