Модели распознаваемых объектов в системе компьютерного стереозрения реального времени

• Автор: Матвеев, Иван Алексеевич
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 1999
• Место защиты: Москва
• Количество страниц: 122 с.

Общая характеристика работы
Краткое содержание диссертации
ГЛАВА 1. СОСТОЯНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ СИСТЕМ ТРЕХМЕРНОГО МАШИННОГО ЗРЕНИЯ
1.1 Задачи систем машинного зрения
1.1.1 Распознавание изображений лиц
1.2 Геометрия сцен и регистрирующих установок
1.3 Системы признаков, в зрении нижнего уровня
1.4 Методы стереореконструкции
1.4.1 Алгоритмы, основанные на локальной корреляции участков изображений
1.4.2 Алгоритмы, основанные на совмещения точечных признаков
1.4.3 Алгоритмы, основанные на совмещении границ
1.4.4 Коррекция недостоверно распознанной диспаратности
ГЛАВА 2 - МЕТОД СТЕРЕОРЕКОНСТРУКЦИИ РЕАЛЬНОГО ВРЕМЕНИ
2.1 Постановка задачи
2.2 корреляционный алгоритм
2.2.1 Предобработка изображения
2.2.2 Базовый алгоритм стереопсиса
2.2.3 Корреляционный поиск соответственных точек
2.2.4 Корреляционная функция
2.2.5 Сверхразрешение
2.2.6 Обратный проход
2.2.7 Пирамидалъностъ
2.3 Коррекция недостоверной информации
2.3.1 Алгоритм коррекции недостоверной информации
Выводы к главе
ГЛАВА 3 - ПОСТРОЕНИЕ МОДЕЛЕЙ И РАСПОЗНАВАНИЕ
3.1 Метод главных компонент
3.1.1 Разложение Карунена-Лоэва
3.1.2 Метод ГК в задаче распознавания
3.1.3 Уменьшение размерности пространства изображений
3.2 Частные признаки
3.2.1 Метод деформируемых шаблонов
3.2.2 Метод интегральных проекций
3.2.3 Вычисление характеристик по карте диспаратности
3.3 Комбинированные пространства признаков
Выводы к главе
ГЛАВА 4 - СИСТЕМА АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЯМ ЛИЦА
4.1 Л/ЛОРАТОРНАЯ МОДЕЛЬ СИСТЕМЫ
4.1.1 Структура системы распознавания личности
4.1.2 Состав системы
4.1.3 Сценарий работы системы
4.1.4 Роль стереореконструкции в общей работе системы
4.2 РЕЗУЛЬТАТЫ РАБОТЫ СИСТЕМЫ И ОТДЕЛЬНЫХ АЛГОРИТМОВ
4.2.1 Стереореконструщия лица человека
4.2.2 Стереореконструщия по данным аэрофотосъемки
4.2.3 Иллюстрации к работе метода главных компонент
4.2.4 Распознавание по частным признакам
4.3 ВЫЧИСЛИТЕЛЬНЫЕ РЕСУРСЫ
ВЫВОДЫ К ДИССЕРТАЦИИ

3. поиск в предварительно определенном окне соответствующих сегментов с аналогичными свойствами. Для анализа идентичности сегментов используются ориентация, расположение и интенсивность.
4. Нахождение правильности совмещений с применением некоторой общей меры связности.
Список кандидатов на соответствия устанавливается обычно путем просмотра всех сегментов в смысле их идентичности. Далее кандидаты оцениваются итеративно до тех пор, пока не останется “наилучший” кандидат. Нахождение наилучшего кандидата в этом алгоритме проводится статистическим способом. Ниже будут приведены алгоритмы, где эта задача решается, например, с помощью динамического программирования. Мерой связности в большинстве систем служит некоторая форма дискретной релаксации.
Те же авторы и Mohan [146] предложили интересный алгоритм, который исправляет ошибки стереосовмещения, основанного на отождествлении границ. Основываясь на принципе непрерывности вдоль контура, ошибки, возникающие при совмещении границ, классифицируются на два типа. В первом случае большинство точек, например, левого граничного участка отождествились с точками на правильном правом граничном участке, и лишь некоторые, выпавшие, нашли свое соответствие на других границах. Во втором случае большинство точек левой границы нашли неверное отождествление на ложном участке границы, и лишь немногие совместились правильно. Очевидно, что ошибка во втором случае не может быть найдена и исправлена на основе принципа фигуральной непрерывности. Авторы показывают, что изменение диспаратности вдоль граничного сегмента должно носить линейный характер и быть прямо пропорционально длине граничного сегмента. Следовательно, если уже имеется рассчитанная на основе границ карта диспаратности и карта собственно границ, то можно проанализировать характер изменения диспаратности вдоль границ. Авторы предлагают для каждой границы построить функцию изменения диспаратности в зависимости от длины границы. Точки такой функции должны приблизительно группироваться вдоль некоторой прямой. Таким образом, найдя эту прямую, методом наименьших квадратов можно не только отбросить неправильно отождествленные точки (те, что лежат за пределами узкой полосы), но и аппроксимировать в них правильные значения