Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
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
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
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
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. 6th 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 56th 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. 18th 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 2nd 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