Публикации Исследование систем технического зрения для обработки динамической информации

Всероссийский сборник статей и публикаций института развития образования, повышения квалификации и переподготовки.

Язык издания: русский
Периодичность: ежедневно
Вид издания: сборник
Версия издания: электронное сетевое
Публикация: Исследование систем технического зрения для обработки динамической информации
Автор: Бляшко Татьяна Валериевна

«Исследование систем технического зрения для обработки динамической информации.Выполнила: учитель информатикиГБОУ «Школа № 7 г.о. Енакиево»Бляшко Татьяна ВалериевнаВ настоящее время обработка динамической информации представляет собой один из важнейших компонентов автоматизированных систем и систем принятия решений. Задачи, связанные с классификацией объектов, возникают во многих прикладных задачах. Поскольку к системам компьютерного зрения предъявляются серьезные требования, такие как точность распознавания и производительность, анализ и тестирование алгоритмов распознавания являются необходимостью. Это делается с целью разработки практических рекомендаций по применению алгоритмов рассматриваемого семейства, что делает анализ алгоритмов распознавания динамической информации актуальной темой исследования.Объект исследования: системы компьютерного зрения, осуществляющие классификацию и идентификацию объектов на изображении. Предмет исследования: математические модели и характеристики алгоритмов обработка динамической информации.Цель работы: провести полно-факторный эксперимент и научно обосновать применимость алгоритмов распознавания образов в условиях ограниченности вычислительных ресурсов.Для достижения поставленной цели предполагается решение следующих задач: сделать обзор классических алгоритмов и методов распознавания образов, привести их математические модели; экспериментальным путем получить временные и качественные характеристики алгоритмов распознавания; разработать практические рекомендации по применимости опытных алгоритмов распознавания в условиях ограниченных вычислительных ресурсов.В качестве инструмента проведения эксперимента используется программа по распознаванию изображений с закрытым исходным кодом. На вход подаются изображения в формате JPEG с различной степенью компрессии и размеров. Программа классифицирует объекты, т.е. относит исходные данные к определенному классу с помощью выделения существенных признаков. Интерфейс позволяет вручную выбрать один из алгоритмов, запустить процесс распознавания. По завершении работы алгоритма выводится на экран общее затраченное время и процент ошибки распознавания Как варьируемые факторы выберем: размер изображения и степень компрессии. Эмпирическую зависимость будем искать в виде полинома первого порядка.Покажем поиск экстремума на примере алгоритма Template Matching. В соответствии с планом обработки результатов измерения общего времени работы алгоритма следует проверить гипотезу об однородности дисперсий. Для этого вычислим дисперсии каждого из опытов. На основании максимальной дисперсии вычислим значение критерия Кохрена. Сравним расчетное значение с табличным. Расчетное значение меньше табличного, следовательно, дисперсии опытов однородны, а сами опыты воспроизводимы. Рассчитаем коэффициенты модели. Вычислим среднеквадратическое отклонение, рассчитаем значение критерия Стьюдента для каждого из факторов и сравним с табличным. Видно, что все коэффициенты модели значимы. Проверим модель на адекватность. Для этого вычислим дисперсию адекватности. Тогда расчетное значение критерия Фишера будет меньше табличного. Следовательно, совместная значимость коэффициентов подтверждается и модель признается адекватной. Это означает, что свойства модели для исследования считаются существенными. Такая модель может быть использована для принятия решений и осуществления прогнозов. Уравнение регрессии приобретает следующий вид. Аналогичные расчёты проводились для методов Feature detection и Viola-Jones. Результаты расчетов представлены в пояснительной записке. Полученные модели признаны адекватными. Таким образом, область оптимума достигнута, экстремумы находятся в границах факторного пространства, значит, модели регрессии отображают зависимость между критериями и факторами эксперимента.Экспериментальные данные могут быть использованы разработчиками в процессе выбора наиболее подходящих алгоритмов как для проектирования коммерческих систем, так и при осуществлении исследовательской деятельности. Выбор метода распознавания в большей степени зависит от доступных вычислительных мощностей и целей применения технологии распознавания в проекте.