Исследование достоверности комбинаторно-метрического алгоритма распознавания N-мерных групповых точечных объектов в иерархическом пространстве признаков
Ключевые слова:
многоуровневый групповой точечный объект, распознавание образов, иерархия признаков, достоверность распознаванияАннотация
В работе представлены результаты исследований комбинаторно-метрического алгоритма распознавания многомерных групповых точечных объектов (ГТО) в пространстве признаков, имеющих иерархическую организацию. На примере многоуровневых описаний смоделированных и реальных объектов исследован характер изменения показателей достоверности в условиях, когда результаты распознавания, полученные на одном уровне иерархии, используются в качестве исходных данных на следующем. Рассмотрены предпосылки представления распознаваемых объектов или процессов в виде ГТО и источники иерархии. Так, результаты измерений n-мерного процесса в m временных сечениях или в одном сечении, но m независимыми наблюдателями представляются при распознавании n-мерным m-элементным ГТО. В случае распознавания протяженных в пространстве объектов — априорная неопределенность относительно ракурса представления, неполноты состава и координатных шумов элементов обуславливают комбинаторные процедуры количественной оценки меры близости многомерных ГТО, представляющих объект распознавания тому или иному классу. Устойчивость представленного комбинаторно-метрического алгоритма распознавания ГТО достигается возможностью смены стратегии принятия классификационного решения, использующей априорные показатели распознавания на низших уровнях иерархии. В численных экспериментах проводилась классификация геометрии ГТО, представляющего образец, по составу элементов образца или по комплексному априорному показателю достоверности. Для повышения вероятности правильного распознавания предложено использовать перебор результатов распознавания на нижних уровнях иерархии, характеризующихся более низкими априорными показателями достоверности распознавания по первичным признакам. Благодаря использованию процедур поиска комбинаций индексов в окрестности максимума апостериорной вероятности правильного распознавания на нижних уровнях доставляется экстремальное значение критерию качества функционирования системы распознавания на ее верхнем уровне иерархии. Приведены экспериментальные зависимости априорных и апостериорных показателей достоверности при различных условиях проведения измерений и состояний объектов распознавания.
Литература
2. Хафизов Р.Г., Роженцов А.А., Хафизов Д.Г., Охотников С.А. Основы тео-рии обработки непрерывных контуров изображений // Йошкар-Ола: ПГТУ. 2015. 172 с.
3. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recog-nition (CVPR). 2015. pp. 770–778.
4. Вениаминов С.С. Выявление скрытых структурных закономерностей в про-цессах и сигналах: От космических исследований до анализа трендов рын-ка // М.: Изд-во URSS. 2014. 216 с.
5. Анцев Г.В. Оптико-электронные системы самонаведения высокоточного оружия. Введение в теорию // Радиотехника. 2017. 720 с.
6. Тихонов Э.П. Разладка, гомеостазис, измерение в рамках компенсационного принципа равновесия в динамических системах. Часть 2: Исследование конкретного алгоритма // Информационно-управляющие системы. 2012. № 3(58). С. 77–83.
7. Хафизов Р.Г., Охотников С.А., Яранцева Т.В. Модели контуров изображе-ний объектов при наличии геометрических искажений // Компьютерная оп-тика. 2016. Т. 40. № 3. С. 404–409.
8. Хурдушов А.А., Марков В.Н. Спонтанное выделение иерархии двумерных признаков для классификации изображений // Научно-технические ведомо-сти Санкт-Петербургского государственного политехнического универси-тета. Информатика. Телекоммуникации. Управление. 2014. № 6(210). С. 58–69.
9. Beaudet P. Rationally Invariant Image Operations // International Joint Confer-ence on Pattern Recognition. 1978. pp. 579–583.
10. Förstner W. A feature based correspondence algorithm for image matching // ISPRS Commission III. 1986. pp. 150–166.
11. Rad A.A., Faez K., Qaragozlou N. Fast Circle Detection Using Gradient Pair Vectors // International Conference on Digital Image Computing (DICTA). 2003. pp. 879–887.
12. Baker S., Nayar S.K., Murase H. Parametric feature detection // International Journal of Computer Vision. 1998. vol. 27. no. 1. pp. 27–50.
13. Ecabert O., Thiran J. Adaptive Hough transform for the detection of natural shapes under weak affine transformation // Pattern Recognition Letters. 2004. vol. 25. no. 12. pp. 1411–1419.
14. Ткачев С.С. О перспективных задачах динамики космического полета // ИПМ им. М.В. Келдаша РАН. 2015. 40 p.
15. Тужилкин А.С. Разработка и исследование алгоритма поиска положения особых точек в системах технического зрения летательных аппаратов // Вестник Концерна ВКО «Алмаз-Антей». 2018. № 1. С. 86–92.
16. Rublee E., Rabaut V., Konolige K., Bradski G.R. ORB: an efficient alternative to SIFT or SURF // IEEE International Conference on Computer Vision (ICCV). 2011. pp. 2564–2571.
17. Галерея РСА изображений Sandia National Laboratories. URL: http://www.sandia.gov/RADAR/imagery.html (дата обращения: 06.05.2019).
18. Колесниченко Г.Н, Миронов А.В., Васютин А.А., Логунов С.В. Применение многоспектральных фотометрических данных в задаче распознавания кос-мических объектов // Информационно-измерительные и управляющие си-стемы. 2010. Т. 8. № 5. С. 86–91.
19. Novikov A.I., Sablina V.A., Efimov A.I. Image Superimposition and the Problem of Selecting the Set of Corresponding Point Pairs // 2015 4th Mediterranean Conference on Embedded Computing (MECO). 2015. pp. 139–142.
20. Lanczi E.R. Photometry of precessing torses // Journal of the Optical Society of America. 1966. vol. 56. no. 7. pp. 873–877.
21. Wang. L., Chen Y., Han Y. Impact of field of view configuration of Cross-track infrared Sounder on clear-sky observation // Applied Optics. 2016. vol. 55. no. 25. pp. 7113–7119.
22. Li Z. et al. Simple transfer calibration method for a Cimel Sun-Moon photome-ter: calculation lunar calibration coefficients from Sun calibration constans // Applied optics. 2016. vol. 55(27). pp. 7624–7630.
23. Catalano S., McCrosky R., Milani A., Nobili A.M. Optical tracking of synchro-nous Earth's satellites for geophysical purposes // Journal of Geophysycal Re-searh: Solid Earth. 1983. vol. 88. no. Bl. pp. 669–676.
24. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обра-ботка изображений: Учеб. пособие для вузов // Высшая школа. 1983. 295 с.
25. Михайленко К., Гришулин С. Американская широкополосная РЛС милли-метрового диапазона «MMW» // Зарубежное военное обозрение. 2017. № 4 С. 60–62.
26. Цветков О.В., Тананыкина Л.В. Метод предварительного кодирования изображений в корреляционно-экстремальных системах // Компьютерная оптика. 2015. Т. 39. № 5. С. 738–743.
27. База данных фотометрии искусственных спутников Земли многоканального мониторингового телескопа. URL: http://astroguard.ru/satellites (дата обра-щения: 08.05.2019).
28. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. Серия «Учебники экономико-аналитического института МИФИ» // М.: МИФИ. 1998. 224 с.
29. Каплин А.Ю., Коротин А.А., Назаров А.В., Якимов В.Л. Алгоритм класси-фикации и восстановления искаженных n-мерных групповых точечных объектов на основе комбинаторного поиска фрагментов // Труды СПИИРАН. 2016. Вып. 6(49). C. 167–189.
30. Колесник Д.Ю., Логунов СВ., Евенко А.В. Способ обработки и анализа ре-зультатов некоординатных измерений для распознавания вращающихся геостационарных спутников // НТЦ оборонного комплекса «Компас». 2018. № 3. С. 37–42.
31. Montenbruck O., Gill E. Satellite Orbits: Models, Methods and Applications // Springer Science & Business Media. 2012. 369 p.
32. Hernandez C., Jehn R. Classification of geostationary objects. 2000. URL: https://link.springer.com/article/10.1023/A:1013399804776 (дата обра-щения: 08.05.2019).
Опубликован
Как цитировать
Раздел
Copyright (c) 2019 Андрей Анатольевич Коротин
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).