Разработка и исследование модели знакового представления данных в задачах распознавания образов

• Автор: Гончаров, Александр Владимирович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Таганрог
• Количество страниц: 184 с. : ил.

Содержание
Введение

1. Знаковое представление изображений и его свойства

1.1. Введение знакового представления изображений.

1.2. Исследование свойств знакового представления изображений

1.2.1. Восстановление множества изображений по знаковому представлению

1.2.2. Информативность и неопределенность знакового представления

1.2.3. Структура множества инвариантных преобразований изображений.

1.3. Устойчивость знаковых представлений .

1.3.1. Определение устойчивости знакового представления изображений.

1.3.2. Выражения для вычисления устойчивости полного знакового представления.

1.3.3. Гауссовская устойчивость полных знаковых представлений изображений
1.3.4. Устойчивость оконного знакового представления .
1.3.5. Численная оценка устойчивости знакового представления
1.4. Выводы.
2. Методы классификации знаковых представлений изображений
2.1. Неметрические методы классификации
2.1.1. Байесовский классификатор
2.1.2. Деревья решений
2.2. Метрические методы классификации .
2.2.1. Введение метрики на знаковых представлениях .
2.2.2. Классификация знаковых представлений на основе функций расстояния
2.2.3. Оценка ошибок классификации знаковых представлений изображений.
2.3. Выводы.
3. Применение знакового представления изображений в задачах распознавания образов
3.1. Алгоритмы классификации знаковых представлений
3.1.1. Построение знакового представления по изображению
и вычисление расстояния
3.1.2. Алгоритм классификации знаковых представлений на основе функции правдоподобия .
3.1.3. Алгоритм классификации знаковых представлений на основе функций расстояния.
3.2. Детекция лиц.
3.2.1. Обзор современных методов детекции лиц.
3.2.2. Детекция лиц на основе знакового представления . .
3.3. Идентификация лиц.
3.3.1. Обзор современных методов идентификации лиц . .
3.3.2. Распознавание лиц на основе алгоритмов классификации знаковых представлений.
3.3.3. Стратегии идентификации лиц
3.4. Обнаружение нечетких дубликатов в больших коллекциях изображений.
3.4.1. Обзор современных методов поиска нечетких дубликатов изображений
3.4.2. Алгоритмы обнаружения нечетких дубликатов изображений на основе знакового представления . . .
3.5. Выводы
4. Реализация и оценка качества алгоритмов распознавания, основанных на знаковом представлении изображений
4.1. Оценка качества алгоритмов и результаты экспериментов .
4.1.1. Методы статистической оценки показателей качества алгоритмов распознавания образов
4.1.2. Оценка показателей качества детекции лиц.
4.1.3. Оценка показателей качества распознавания лиц . .
4.1.4. Оценка качества поиска нечетких дубликатов
4.2. Экспериментальный комплекс программ
4.3. Заключение и выводы.
Заключение
Литература


Но своей сути знаковое представление изображения является отношением квазипорядка на множестве пикселей изображения, которое напрямую нельзя представить в виде вектора в некотором линейном пространстве признаков, и, как следствие, невозможно напрямую применить большинство существующих методов машинного обучения и распознавания образов. Таким образом возникает необходимость в разработке специальных методов классификации знаковых представлений, не требующих наличия линейной структуры. Кроме того, актуальным является введении специальных мер близости на знаковых представлениях, и разработка основанных на них методов классификации знаковых представлений для задач распознавания образов. Введение нового представления изображения и разработка основанных на нем методов и алгоритмов распознавания образов целесообразны лишь в том случае, если по определенным критериям качества новый подход позволяет решать актуальные с практической точки зрения задачи лучше, чем современные аналоги. Оценка качества алгоритмов распознавания в указанном смысле представляет собой сложную задачу, которая, как правило, заключается в статистической оценке рассматриваемых показателей по тестовым коллекциям. С научно-исследовательской точки зрения результаты оценки качества представляют ценность лишь в том случае, если они могут быть воспроизведены другими исследователями с целью сравнения вновь разрабатываемых алгоритмов с уже существующими. Следовательно, оценка алгоритмов должна проводиться на общедоступных тестовых коллекциях изображений. Для того чтобы полученные результаты оценки представляли также практическую ценность, используемые для оценки выборки должны быть репрезентати вны м и. Вопрос репрезентативности выборки является чрезвычайно сложным и зачастую остается незатронутым. Для задач распознавания лиц мерой репрезентативности может выступать, например, количество персон, фотографии которых представлены в выборке, или количество характерных сценариев съемки, при которых получены изображения. Отметим также, что для того, чтобы тестовая коллекция изображений была пригодна для автоматической статистической оценки качества алгоритмов, необходимо, чтобы изображения данной коллекции были оснащены метаданными, описывающими объекты заданного класса на изображении. Примерами таких метаданных могут служить пол, возраст, идентификатор персоны, координаты центров зрачков, информация об относительном положении источника света и ракурсе съемки. При этом необходимо обеспечить возможность быстрого с точки зрения программной реализации добавления новых алгоритмов в тестовый стенд, а также новых коллекций изображений и новых форматов метаданных. Предложенный в рамках диссертационного исследования подход рассмотрен не только для задач распознавания лиц, но и применительно к другим задачам анализа изображений. В частности, рассмотрена задача обнаружения нечетких дубликатов в больших коллекциях изображений. Под нечеткими дубликатами понимаются изображения одной и той же сцены, полученные при сходных условиях. Так, например, несколько последовательных кадров видео последовательности можно считать нечеткими дубликатами. Сложность задачи обусловлена несколькими причинами. Во-первых, само понятие “нечеткий дубликат” является нестрогим, и в различных ситуациях может трактоваться по-разному. Во-вторых, несмотря на то, что пара-тройка последовательных кадров видео ряда являются нечеткими дубликатами, очевидно, что кадры отстоящие друг от друга на значительный интервал времени, нечеткими дубликатами скорее всего не будут. Другими словами, решение задачи обнаружения нечетких дубликатов представляет собой отношение толерантности на множестве изображений (в отличие от отношения эквивалентности, неї' транзитивности). И, наконец, основная проблема связана с большими объемами современных коллекций изображений. Например, индексы современных поисковых интернет-машин содержат в себе порядка й изображений, таким образом, простое попарное сравнение всех изображений друг с другом требует неприемлемо больших вычислительных ресурсов.