Магистерская диссертация на тему: Анализ алгоритмов автоматического детектирования

Введение

Актуальность изучения проблем алгоритмизации автоматического детектирования и распознавания объектов на изображении является сложной и ресурсоемкой вычислительной задачей. Сегодня элементы искусственного интеллекта и, в частности, методы теории распознавания образов широко используются в автоматизированных системах во многих предметных областях.

В связи с этим в настоящее время активно внедряются новые способы и методы детектирования и распознавания объектов на изображении с целью увеличения скорости, качества получения данных.

Целью работы является обоснование принципов построения алгоритмов автоматического детектирования и распознавания объектов на изображении.

К основным задачам исследования следует отнести:

- описать теоретико-методологическое построение алгоритмов автоматического детектирования;

- классифицировать алгоритмы автоматического детектирования по уровням визуализации и критериям распознавания;

- обосновать наиболее универсальные и оптимальные алгоритмизации автоматического детектирования;

- провести анализ научных разработок алгоритмов автоматического детектирования;

- перечислить проблемы и способы визуального автоматического детектирования и распознавания объектов

Объектом исследования является алгоритм как функционал выполнения распознавания и детектирования объекта. Предметом исследования выступает комплексная система автоматического детектирования и распознавания объектов на изображениях.

Основными методами проведения исследования являются графо-аналитический, сравнительный, математический, а также лингвистический метод программирования.

В ходе написания отчетной работы проанализирована монографическая, учебная, периодическая литература по исследуемой теме за последние годы.

Для решения современных проблем и трудностей автоматического детектирования, распознавания объектов и изображений применены различные стохастические данные математического анализа и сопоставления данных в пространственном выражении.

Именно на основе внедрения способов двух- и трехмерной визуализации объекта, поэлементного анализа его свойств и характеристик с дальнейшим сочленением и набором параметров преобразований повсеместно используются современные алгоритмы автоматического детектирования и распознавания объектов.

Оглавление

- Введение 3

- Теоретико-методологические основы алгоритмизации автоматического детектирования

- Общее описание построения алгоритмов автоматического детектирования

- Классификация алгоритмов автоматического детектирования

- Выбор и обоснование способов алгоритмизации автоматического детектирования

- Анализ научных разработок алгоритмов автоматического детектирования

- Проблемы и способы визуального автоматического детектирования и распознавания объектов

- Заключение 21

- Список литературы 22

Заключение

Подводя итоги работы, отметим, что вышеописанные задачи и цели достигнуты в полном объеме. На основе аналитических данных способов и методов сформулированы оптимальные условия и принцип построения системы алгоритмизации автоматического детектирования и распознавания объектов

Вышеописанные проблемы, пути их решения на основе проанализированных способов автоматического детектирования объектов и изображении, позволяют оптимально подобрать необходимый алгоритм.

Основой построения является определение первоначальных признаков объектов на изображении (цвет, текстура, форма, пространственные положения объекта), их сравнение, сопоставление и подтверждение соответствия конечного изображения с первоначальным образцом.

Наиболее важными элементами системы алгоритмизации автоматического детектирования и распознавания объектов являются борьба с оверсегментацией изображения и ложными срабатываниями классификатора.

Список литературы

1. Завалишин Н. В., Мучник И. Б.. Модели зрительного восприятия и алгоритмы анализа изображений - 2-е изд, дораб.- М.: Наука, 2017 - 354 с.

2. Зотин А. Г. . Методы и алгоритмы обнаружения наложенных текстовых символов в системах распознавания изображений со сложной фоновой структурой, Дис... кан. тех. наук, ГОУ ВПО Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева, Красноярск, 2015.

3. Прэтт, У. Цифровая обработка изображений. В 2 кн. Кн. 2. / Прэтт У. - 4-е изд., дораб.- М.: Мир, 2014 - 480 с.

4. Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер. с англ. Гуревич И.Б. - М.: "Мир", 1978

5. Форсайт, Д.А. Компьютерное зрение. Современный подход: пер. с англ. / Д.АФорсайт, Ж. Понс. - М.: Издательский дом "Вильямс", 2018. - 928с.

6. Хохлов, В. К. Обнаружение, распознавание и пеленгация объектов в ближней локации: учеб. пособие / В. К. Хохлов. - М. : Изд-во МГТУ им. Н. Э. Баумана, 2005. - 333 с.

7. 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 01.10.2020).

8. Абрамов Н. С., Хачумов В. М. Распознавание на основе инвариантных моментов // Вестник РУДН. Серия Математика. Информатика. Физика, 2014- № 4 - С. 142-149.

9. Болонкин, А. В. Преобразование растр-вектор изображений сосудов / Сборник материалов X Международной конференции "Системы проектирования, технологической подготовки производства и управления - 30с.

10. Зенов, А. Ю. Времяимпульсная модуляция для решения задач вычисления спектральных характеристик сигнала / А. Ю. Зенов, Н. В. Мясникова // Современные проблемы фундаментальных и прикладных наук : тр. 53-й науч. конф. МФТИ. Часть I. Радиотехника и кибернетика. - М. : МФТИ, 2010. - Т. 1. - С. 10-12.

11. Исрафилов Х.С. Исследование методов бинаризации изображений // Вестник науки и образования. 2017. Т. 2. № 6. С. 43-50.

12. Погодин С. В. Выделение и анализ скелетов объектов на цветных снимках // Программные продукты и системы, 2017 -№ 5 -С. 42-45.

13. Поршнев С. В., Левашкина А. О. Универсальная классификация алгоритмов сегментации изображений // Журнал научных публикаций аспирантов и докторантов, 2008. Т. 3, с. 163-172

14. Талалаев А. А., Тищенко И. П., Хачумов М. В. Выделение и кластеризация текстовых и графических элементов на полутоновых снимках // Искусственный интеллект и принятие решений, 2016 -№5- С. 72-84.