<div>
	МЕТОДЫ РАСПОЗНАВАНИЯ ОБРАЗОВ ПРИ НАРУШЕНИЯХ СЕМАНТИЧЕСКОЙ ЦЕЛОСТНОСТИ ВИЗУАЛЬНОЙ ИНФОРМАЦИИ</div>

Ким Юлия Вячеславовна, Матвеева Анастасия Андреевна, Викснин  Илья  Игоревич

doi:10.17586/2226-1494-2018-18-5-809-816

2018 , ТОМ 18, НОМЕР 5 ( сентябрь-октябрь )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2018-18-5-809-816

УДК 004.932.1

МЕТОДЫ РАСПОЗНАВАНИЯ ОБРАЗОВ ПРИ НАРУШЕНИЯХ СЕМАНТИЧЕСКОЙ ЦЕЛОСТНОСТИ ВИЗУАЛЬНОЙ ИНФОРМАЦИИ

Ким Ю.В., Матвеева А.А., Викснин И.И.

Читать статью полностью

Язык статьи - русский

Ссылка для цитирования:

Ким Ю.В., Матвеева А.А., Викснин И.И. Методы распознавания образов при нарушениях семантической целостности визуальной информации // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18. № 5. С. 809–816. doi: 10.17586/2226-1494-2018-18-5-809-816

Аннотация

Рассмотрены вопросы компьютерного зрения с целью последующего внедрения его в управление транспортными средствами и автоматизации движения. Предложены методы распознавания объектов и участников дороги. Выделены три основных этапа распознавания образов на изображении: подготовка изображения к анализу, анализ, классификация объектов. Для каждого этапа проведен поиск путей повышения качества распознавания образов и сохранения семантической целостности визуальной информации. На первом этапе предложено использование нормирования, позволяющее сделать объекты изображения нечувствительными к изменениям освещенности. Для решения задачи анализа разработан метод кластеризации на основе k-средних и роя частиц, обеспечивающий автоматическую настройку параметров кластеризации. На этапе классификации объектов предложено использовать каскады Хаара с нормированной обучающей выборкой. Это обеспечивает унификацию изображений и позволяет использовать обучающую выборку меньшего объема. Для обучения и тестирования использованы изображения автомобилей, предоставленные лабораторией Стэнфордского университета и находящиеся в открытом доступе. С целью проверки эффективности разработанного алгоритма распознавания образов были размыты 300 тестовых изображений. Выполнено сравнение результатов работы предложенного алгоритма с результатами работы каскадов Хаара без нормированной обучающей выборки и без дополнительной подготовки изображения к классификации. Каскады Хаара с ненормированной обучающей выборкой обеспечили корректное распознавание автомобиля в 8% случаев, в то время как предложенный алгоритм приводил к распознаванию в 72% случаев, включая эти 8% изображений. Сохранение семантической целостности визуальной информации является важным аспектом в контексте дорожного движения, так как неверное детектирование объектов дороги может привести к непоправимым последствиям. Предложенный алгоритм анализа изображений позволяет уменьшить вероятность возникновения ошибок в распознавании образов.

Ключевые слова: компьютерное зрение, семантическая целостность, информационная безопасность, визуальная информация, распознавание образов

Список литературы

Dunjko V., Briegel H.J. Machine learning & artificial intelligence in the quantum domain: a review of recent progress // Reports on Progress in Physics. 2018. V. 81. N 7. Art. 074001. doi: 10.1088/1361-6633/aab406
Forsyth D.A., Ponce J. Computer Vision: A Modern Approach. Prentice Hall, 2003.
Neto U.B., Dougherty E.R. Error Estimation for Pattern Recognition. NY: Wiley, 2015. 321 p.
Akinin M.V., Akinina A.V., Sokolov A.V., Tarasov A.S. Application of EM algorithm in problems of pattern recognition on satellite images // Proc. 6^th Mediterranean Conference on Embedded Computing. Bar, Montenegro, 2017. 4 p. doi: 10.1109/meco.2017.7977190
Jovanov I., Pajic M. Sporadic data integrity for secure state estimation // Proc. IEEE 56^th Annual Conference on Decision and Control. Melbourne, Australia, 2017. P. 163–169. doi: 10.1109/cdc.2017.8263660
Santra P., Roy A., Majumder K. A Comparative analysis of cloud forensic techniques in IaaS // Advances in Intelligent Systems and Computing. 2017. V. 554. P. 207–215. doi: 10.1007/978-981-10-3773-3_20
Singh S., Sinha M. Pattern recognition based on specific weights // International Journal of Applied Pattern Recognition. 2018. V. 5. P. 1–10.doi: 10.1504/ijapr.2018.090518
Исрафилов Х.С. Исследование методов бинаризации изображений // Вестник науки и образования. 2017. Т. 2. № 6. С. 43–50.
Цветков В.Я. Семантика сообщений в телекоммуникационных системах [Электронный ресурс]. – Режим доступа: http://window.edu.ru/catalog/pdf2txt/178/56178/27141?p_page=2, свободный. Яз. рус. (дата обращения 03.09.2018).
Aly A.A., Deris S.B., Zaki N.Research review for digital image segmentation techniques // International // Journal of Computer Science & Information Technology. 2011. V. 3. N 5. P. 99–105. doi: 10.5121/ijcsit.2011.3509
Li N., Liu M., Li Y. Image segmentation algorithm using watershed transform and level set method // Proc. IEEE Int. Conf. on Acoustics, Speech and Signal Processing. Honolulu, 2007. P. 613–616. doi: 10.1109/icassp.2007.365982
Guo Y., Liu Y., Georgiou T., Lew M.S. A review of semantic segmentation using deep neural networks // International Journal of Multimedia Information Retrieval. 2017. V. 7. N 2. P. 87–93. doi: 10.1007/s13735-017-0141-z
Fachrurrozi E.M., Fiqih A., Saputra B.R., Algani R., Primanita A. Content based image retrieval for multi-objects fruits recognition using k-means and k-nearest neighbor // Proc. Int. Conf. on Data and Software Engineering (ICoDSE). Palembang, Indonesia, 2017. doi: 10.1109/icodse.2017.8285855
Карпенко А.П., Селиверстов Е.Ю. Обзор методов роя частиц дял задачи глобальной оптимизации (particleswarmoptimization) // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2009. № 3. С. 2.
Viksnin I.I., Drannik A.L., Iureva R.A., Komarov I.I. Flocking factors' assessment in case of destructive impact on swarm robotic systems // Proc. 18^th Conference of Open Innovations Association and Seminar on Information Security and Protection of Information Technology (FRUCT-ISPIT). St. Petersburg, Russia, 2016. P. 357–363. doi: 10.1109/fruct-ispit.2016.7561550
Leng K. An improved non-local means algorithm for image denoising // Proc. IEEE 2^nd Int. Conf. on Signal and Image Processing (ICSIP). 2017. P. 149–153. doi: 10.1109/siprocess.2017.8124523
Cars Data set [Электронный ресурс]. URL: https://ai.stanford.edu/~jkrause/cars/car_dataset.html (дата обращения: 15.02.2018).
Ke R., Li Z., Tang J., Pan Z., Wang Y. Real-time traffic flow parameter estimation from UAV video based on ensemble classifier and optical flow // IEEE Transactions on Intelligent Transportation Systems. 2018. P. 1–11. doi: 10.1109/tits.2018.2797697

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License