Математические модели нейроноподобных сред для разработки систем обнаружения и распознавания объектов заданных классов

• Автор: Тельных, Александр Александрович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Нижний Новгород
• Количество страниц: 131 с. : ил.

ВВЕДЕНИЕ.
ГЛАВА 1. МОДЕЛИ РАСПРЕДЕЛЕННЫХ ДВУМЕРНЫХ НЕЙРОНОПОДОБНЫХ СРЕД ДЛЯ ОБРАБОТКИ ИНФОРМАЦИОННЫХ СИГНАЛОВ.
1.1 История проблемы исследования нейрофизиологических процессов в одном нейроне и в сети

ИЗ ВОЗБУЖДАЮЩИХ И ТОРМОЗНЫХ ЭЛЕМЕНТОВ

1.2 Биологоправдоподобная модель.

Упрощенные варианты общей модели.

1.3 МЕТОДЫ ИССЛЕДОВАНИЯ СТРУКТУР КОЛЛЕКТИВНОЙ АКТИВНОСТИ В РАСПРЕДЕЛЕННЫХ ОДНОРОДНЫХ НЕЙРОНОПОДОБНЫХ СИСТЕМАХ

1.4 РЕЦЕПТИВНЫЕ ПОЛЯ. КАРШ РЕЦЕПТИВНЫХ ПОЛЕЙ.

1.5 ВИДЫ ИСПОЛЬЗУЕМЫХ РЕЦЕПТИВНЫХ ПОЛЕЙ. ФУНКЦИИ СВЯЗИ МЕЖДУ ЭЛЕМЕНТАМИ НЕЙРОНОПОДОБМОЙ СИСТЕМЫ.

Фильтры Габора.

Лапласиан гауссиана. Латеральное торможение

Двумерные рецептивные поля Хаара. Вычисления с использованием интегрального изображения
1.6 Обработка неподвижных изображений в однородных, распределенных нейроноподобных системах с использованием функций латерального торможения, функций Хаара и функций Габора.
Получение простейших препаратов неподвижного изображения контраст, контур заданной толщины, линии заданных направлений, объекты заданных масштабов.
ГЛАВА 2. ИСПОЛЬЗОВАНИЕ МОДЕЛИ ОДНОРОДНОЙ РАСПРЕДЕЛЕННОЙ ДВУМЕРНОЙ НЕЙРОНОПОДОБНОЙ СРЕДЫ ДЛЯ ПРЕДВАРИТЕЛЬНОГО ЦЕЛЕУКАЗАНИЯ. НА ПРИМЕРЕ СИСТЕМЫ ПОИСКА ЛИЦ
2.1 МЕСТОПОЛОЖЕНИЕ ОБЪЕКТА. АНАЛИЗИРУЕМАЯ ОБЛАСТЬ. ЭФФЕКТИВНОСТЬ АЛГОРИТМА ПРЕДВАРИТЕЛЬНОГО целеуказания.
2.2 СИНТЕЗ МАССИВА КАНДИДАТОВ ДЛЯ ДАЛЬНЕЙШЕГО АНАЛИЗА
Формирование карты активности рецептивных полей
Выделение горизонтальных штрихов.
Пространственная кластеризация штрихов.
Математическая модель
Вычислительный эксперимент.
Детектор движения
2.3 Исключение из предварительно заданного массива.
Регулярные сетки.
Математическая модель
Вычислительный эксперимент.
ГЛАВА 3. ИСПОЛЬЗОВАНИЕ МОДЕЛИ ОДНОРОДНОЙ РАСПРЕДЕЛЕННОЙ ДВУМЕРНОЙ НЕЙРОНОПОДОННОЙ СРЕДЫ ОБНАРУЖЕНИЯ МЕСТОПОЛОЖЕНИЯ ОБЪЕКТОВ НА СЛОЖНОМ ФОНЕ
3.1 МОДЕЛЬ ПРЕОБРАЗОВАНИЯ ИНФОРМАЦИИ С ИСПОЛЬЗОВАНИЕМ СРЕДЫ СОСТОЯЩЕЙ ИЗ НЕЙРОНОПОДОБНЫХ ЭЛЕМЕНТОВ.
3.2 Математическая модель системы обнаружения объектов, состоящая из нейроноподобных элементов и пространство ее параметров
Целевая функция для системы обнаружения объектов на сложном фоне.
Целевая функция для сильного классификатора И
Ассоциативная машина. Формирование сильного классификатора Н. Процедура .
Формирование функции активации рецептивного поля. Слабая модель обучения.
Рецептивное поле на основе МСТ ii и его функция активации.
3.3 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ
3.4 Параллельное соединение каскадов
ГЛАВА 4. КЛАССИФИКАЦИЯ НАЙДЕННОГО ОБЪЕКТА
4.1 Задача распознавания
4.2 Переход к двухклассовой схеме распознавания.
4.3 Формирование пространства признаков
4.4 Результаты вычислительного эксперимента.
4.5 Примеры практической реализации систем обнаружения и классификации найденных объектов
Основные характеристики интегральной биометрической системы распознавания человека.
Система распознавания музыкальных сигналов.
Демонстрационная система видеонаблюдения с детектированием лиц и распознаванием по ним
Разработка версии электронного фотоархива с индексацией по лицам людей.
Демонстрационная программа, позволяющая производить поиск специальных изображений по контексту.
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Из всего массива анализируемых областей, которые могут покрывать изображение, оставить для дальнейшего анализа только те, в которых возможно наличие искомого объекта и указать местоположения этих объектов. Также введено понятие эффективности работы системы целеуказания. Ошибки первого и второго родов. Далее в главе рассмотрены два подхода к решению задачи предварительного целеуказания. Синтез массива областей кандидатов для дальнейшего анализа. Синтез производится по изображению, сегментированному некоторым алгоритмом. В этом случае анализ производится на изображении сегментированном некоторым алгоритмом. Показано, что для решения задачи обнаружения объектов в реальном времени, где основным критерием качества является скорость выполнения операции при фиксированной ошибке, предпочтительным является второй подход. Исключение из заданного массива областей позволяет проводить операцию предварительного целеуказания исходного изображения за фиксированное время. Для системы синтеза анализируемых областей представлена блоксхема преобразования входного сигнала в массив местоположений, включающая следующие этапы преобразование изображения в полутоновое, фильтрация с использованием модели распределенной однородной среды, состоящей из нейроноподобных элементов, выделение горизонтальных штриховых линий, пространственная кластеризация штриховых линий, фильтрация найденных кластеров по некоторому правилу, формирование массива анализируемых областей. Так же предложена математическая модель процесса фиксации взгляда в случае системы поиска лиц на изображении на основании описанных выше процедур и описано пространство ее параметров. Предложен алгоритм оптимизации параметров этой модели относительно целевой функции, которая введена в 2. Его математическая модель и пространство ее параметров. Следующая часть второй главы посвящена алгоритмам исключения кандидатов из предварительного заданного массива возможных местоположений. Описана, регулярная сетка, на которую разбивается изображения и приведены результаты исследований, но оптимальным параметрам разбиения изображения на перекрывающиеся фрагменты. Показано, как с использованием интегрального изображения и карты активности рецептивных полей принимается решение об исключении исследуемого фрагмента изображения из массива предложенных кандидатов. Как и в случае синтеза областей для фиксации взгляда, предложена математическую модель в виде цепочки преобразования исходного изображения. Описано пространство се параметров и целевая функция для поиска максимума эффективности работы системы предварительного целеуказания в заданном пространстве параметров. Также описана модель детектора движения для рассматриваемого случая. В заключение этой главы описан вычислительный эксперимент и приведены его результаты. Анализируя результаты сравнения двух алгоритмов предварительного разбиения на тестовой базе данных размеченных изображений объемом штук, мы получили, что алгоритм синтеза областей фиксации взгляда при максимально допустимом уровне ошибки локализации объекта имеет ненулевую ошибку потери объекта. При этом требует значительных вычислительных затрат. С другой стороны разбиение изображения с помощью регулярной сетки не дает ошибки локализации объекта и не требует времени для организации массива фрагментов, но предъявляет жесткие требования к временным параметрам срабатывания блока принятия решения. Компромисс между вычислительными затратами и точностью можно достичь, объединяя алгоритм разбиения входного изображения методом регулярной сетки, и последующего анализа наличия в каждом фрагменте изменений, генерируемых детектором движения. В третьей главе диссертации рассмотрены вопросы построения функции обнаружения искомого объекта. Данная функция ищется как бинарный классификатор образцов фона и образцов полезного сигнала. Введено понятия области фиксации взгляда и предположение о том, что анализ изображения происходит именно в области фиксации взгляда путем формирования множества карт активности рецептивных полей различного типа. Другими словами, рецептивных полей с различными видами функции связи.