Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения


Контакты

Подписка

Карта сайта





Журнал с 19.02.2010 входит в новый «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук»
АЛГОРИТМ РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ОСНОВЕ КЛАСТЕРИЗАЦИИ ВЕКТОРОВ В ПРОСТРАНСТВЕ КОЭФФИЦИЕНТОВ АФФИННЫХ ПРЕОБРАЗОВАНИЙ

 

© 2017 г.       М. А. Пантюхин, адъюнкт; Е. А. Самойлин, доктор техн. наук

Военно-воздушная академия им. проф. Н.Е. Жуковского и Ю.А. Гагарина, Воронеж

E-mail: ol-max@mail.ru, es977@mail.ru

УДК 004.932.4

Поступила в редакцию 11.08.2016

Предложен алгоритм распознавания объектов, основанный на кластеризации векторов в пространстве коэффициентов аффинных преобразований, получаемых в результате формирования гипотез о соответствии аппроксимированных линейными сегментами участков контуров эталона и входного изображения. Результаты численных исследований с использованием коллекции изображений Нью-Йоркского университета показывают более высокую эффективность предложенного алгоритма по сравнению с алгоритмом на основе инвариантных моментов и алгоритмом инвариантного к масштабу сопоставления особых точек.

Ключевые слова: распознавание образов, эталоны, контурный анализ, аффинные преобразования, кластеризация.

Коды OCIS: 150.1135, 330.5000

 

Литература

1.         Форсайт Д., Понс Д. Компьютерное зрение. Современный подход. М.: Вильямс, 2004. 923 с.

2.         Bose S.K., Biswas K.K., Gupta S.K. Model based object recognition — the role of affine invariants // Artificial Intelligence in Engineering. 1996. V. 10. № 3. P. 227–234.

3.         Pontil M., Verri A. Support vector machines for 3D object recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. V. 20. № 6. P. 637–646.

4.        Болотова Ю.А., Спицын В.Г., Рудометкина М.Н. Распознавание автомобильных номеров на основе метода связных компонент и иерархической временной сети // Компьютерная оптика. 2015. Т. 39. № 2. С. 275–280.

5.         LeCun Y., Huang F.-J., Bottou L. Learning methods for generic objects recognition with invariance to pose and lighting // Proc. Computer Vision and Pattern Recognition Conf. (CVPR’04). Los Alamitos, CA, USA: IEEE Computer Society, 2004. V. 2. P. 97–104.

6.        Chikkerur S., Serre T., Tan C., Poggio T. What and where: A Bayesian inference theory of attention // Vision Research. 2010. V. 50. P. 2233–2247.

7.         Михайлов Б.Б. Техническое зрение мобильных роботов // Техническое зрение в системах управления мобильными объектами-2010: Тр. научно-техн. конф.-семинара. Вып. 4 / Под ред. Назирова Р.Р. М.: КДУ, 2011. С. 191–201.

8.        Васильев Д.В. Фрагменты прикладной теории систем технического зрения для беспилотных летательных аппаратов // Техническое зрение в системах управления мобильными объектами-2010: Тр. научно-техн. конф.-семинара. Вып. 4 / Под ред. Назирова Р.Р. М.: КДУ, 2011. С. 109–131.

9.        Титов И.О., Емельянов Г.М. Система компьютерного зрения движущегося воздушного объекта // Компьютерная оптика. 2011. Т. 35. № 4. С. 491–494.

10.       Нгуен К.М., Колючкин В.Я. Алгоритмы контурной сегментации и распознавания образов объектов систем технического зрения // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2013. № 4. С. 187–200.

11.       Местецкий Л.М., Рейер И.А. Распознавание формы растровых бинарных изображений плоских фигур с использованием морфинга контуров границы // Искусственный интеллект. Журнал НАН Украины. 2000. № 2. С. 401–406.

12.       Lowe D. Distinctive image features from scale-invariant keypoints // Intern. J. Computer Vision. 2004. V. 60. № 2. P. 91–110.

13.       Stein F., Medioni G. Structural indexing: Efficient 2-D object recognition // IEEE Trans. Pattern Analysis and Machine Intelligence. 1992. V. 14. № 12. P. 1198–1204.

14.       Пантюхин М.А., Самойлин Е.А. Правило выбора пороговых параметров контурного оператора Канни при обработке изображений в оптико-электронных системах / Сб. науч. cт. по мат. докл. III Всерос. НПК «АВИАТОР» (11–12 февраля 2016 г.): В 2-х т. Т. 1. Воронеж: ВУНЦ ВВС ВВА, 2016. С. 89–94.

15.       Андреев А.Ю., Бобков С.П. Сегментация символов в изображении модифицированным методов жука // Современные наукоемкие технологии. Региональное приложение. 2014. № 1(37). С. 85–88.

16.       Аршинов М.Н., Садовский Л.Е. Коды и математика. М.: Наука, Главная редакция физ.-мат. литературы, 1983. 144 с.

17.       Яглом И.М., Ашкинузе В. Г. Идеи и методы аффинной и проективной геометрии. I часть. Аффинная геометрия. М.: Учпедгиз, 1962. 248 с.

18.       Prince S. Computer vision: Models, learning and inference. Cambridge: Cambridge University Press, 2012. 667 p.

19.       Постников М.М. Аналитическая геометрия. М.: Наука, 1973. 754 с.

 

 

Полный текст