Сегментирование данных в задачах распознавания объектов

Цель исследования - исследование возможности ускорения процессов распознавания объектов на изображениях при помощи алгоритмов сегментирования данных по заданным параметрам с помощью устройства упрощённого аппаратного распознавания образов.

Методы: используется метод деления кадра при помощи устройства упрощённого аппаратного распознавания образов на наиболее подходящие под описание искомых объектов контуры. Сегментирование данных производится устройством, способным формировать массив координат, которые определяют области, отвечающие заданным параметрам. Устройство принимает ряд параметров, таких как: цветовой диапазон; форма контура; размер; допустимые отклонения формы и размера контура. Привычная схема процесса распознавания объектов модифицируется предварительной обработкой вне конечной системы, за счёт чего исчезает необходимость в таких этапах, как «Первичная обработка» и «Формирование признаков».

Результаты: сегментирование данных ускоряет процесс распознавания объектов на кадре конечной системой ввиду уменьшения области поиска. Результат скорости распознавания зависит от количества найденных объектов и их размеров. В приведенном примере результат увеличения скорости может достигать 8 раз.

Заключение: алгоритмы распознавания позволяют производить обработку значительно быстрее за счёт значительного сокращения рабочей области относительно исходного кадра. Для получения хорошего результата необходимо тщательно подбирать сам алгоритм распознавания для конечной системы либо закрашивать область кадра, которая не была определена устройством, как искомая. Это необходимо, так как большинство алгоритмов распознавания не предназначено для работы с подобным подходом.

1. Дегтярёв С. В., Лысенко Я. А., Иванова Е. Н. Синтез структур устройств контроля показаний панелей приборов // Информационно-измерительные и управляющие системы. 2015. Т. 13, № 6. С. 20-25.

2. Оптико-электронное устройство параллельного контроля показаний панели приборов / С. В. Дегтярев, Я. А. Лысенко, Е. Н. Иванова [и др.] // Информационно-измерительные и управляющие системы. 2016. Т. 14, № 10. С. 31-33.

3. Криушин Е. А. Аппаратный ускоритель обработки изображения для систем распознавания образов // Глобализация науки и техники в условиях кризиса: материалы XXIX Всероссийской научно-практической конференции (15 марта 2021г.): в 2 ч. Ростов н/Д: Изд-во Южного университета ИУБиП, 2021. Ч. 1. 314 с.

4. Труды ИСА РАН: Системное моделирование. Наукометрия и управление наукой. Распознавание образов / под ред. С. В. Емельянова. М.: Ленанд, 2015. 104 с.

5. Информационные технологии и вычислительные системы: Обработка информации и анализ данных. Программная инженерия. Математическое моделирование. Прикладные аспекты информатики / под ред. С. В. Емельянова. М.: Ленанд, 2015. 104 с.

6. Информационные технологии и вычислительные системы. Вычислительные системы. Компьютерная графика. Распознавание образов. Математическое моделирование / под ред. С. В. Емельянова. М.: Ленанд, 2015. 100 с.

7. Труды ИСА РАН: Математические модели социально-экономических процессов. Моделирование характеристик деятельности отраслевых и региональных подсистем. Динамические системы. Математические проблемы динамики неоднородных систем: Информационные технологии / под ред. С. В. Емельянова. М.: Ленанд, 2015. 112 с.

8. Дударев В. А. Методы распознавания образов в компьютерном конструировании неорганических соединений. М.: Синергия, 2014. 325 с.

9. Автоматическое управление и вычислительная техника: сборник. М.: Машиностроение, 2016. Вып. 10. 256 с.

10. Астахова И., Мищенко В., Краснояров А. Модели распознавания образов на основе нечетких нейронных сетей. М.: Palmarium Academic Publishing, 2013. 104 с.

11. Капитонова Т. А. Нейросетевое моделирование в распознавании образов. Философско-методические аспекты. М.: Мир, 2019. 549 с.

12. Гендерная классификация по изображению лица / Л. А. Шмаглит, М. Н. Голубев, А. Н. Ганин, В. В. Хрящев // Цифровая обработка сигналов и ее применение: доклады XIV Международной конференции (DSPA-2012). М., 2012. Т. 2. 425 с.

13. Миленький А. В. Классификация сигналов в условиях неопределенности. Статистические методы самообучения в распознавании образов. М.: Советское радио, 2017. 328 c.

14. Алгоритмы распознавания объектов / А. А. Цветков, Д. К. Шорох, М. Г. Зубарева [и др.] // Технические науки: проблемы и перспективы: материалы IV Международной научной конференции (г. Санкт-Петербург, июль 2016 г.). СПб.: Свое издательство, 2016. С. 20-28.

15. Автоматическое управление и вычислительная техника: сборник. М.: Машиностроение, 2015. Вып. 10. 256 с.

16. Локтев А. А., Алфимцев А. Н., Локтев Д. А. Алгоритм распознавания объектов // Вестник МГСУ. 2012. № 5. С. 194-201.

17. Елисеева И. И., Рукавишников В. О. Группировка, корреляция, распознавание образов (статистические методы классификации и измерения связей). М.: Огни, 2016. 144 с.

18. Бойко И. А., Гурьянов Р. А. Распознавание объектов на основе видеосигнала, полученного с камеры, установленной на подвижной платформе // Молодой ученый. 2013. № 6 (53). С. 34-36.

19. Работягов А. Основы распознавания образов. М.: LAP Lambert Academic Publishing, 2014. 273 с.

20. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 2013. 368 с.