УДК: 004.932.4

Алгоритм распознавания объектов на основе кластеризации векторов в пространстве коэффициентов аффинных преобразований

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Пантюхин М.А., Самойлин Е.А. Алгоритм распознавания объектов на основе кластеризации векторов в пространстве коэффициентов аффинных преобразований // Оптический журнал. 2017. Т. 84. № 5. С. 29–37.

Pantyukhin M.A., Samoylin E.A. Algorithm for recognizing objects based on clustering vectors in the space of coefficients of affine transformations [in Russian] // Opticheskii Zhurnal. 2017. V. 84. № 5. P. 29–37.

Ссылка на англоязычную версию:

M. A. Pantyukhin and E. A. Samoylin, "Algorithm for recognizing objects based on clustering vectors in the space of coefficients of affine transformations," Journal of Optical Technology. 84(5), 308-315 (2017). https://doi.org/10.1364/JOT.84.000308

Аннотация:

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

Список источников:

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.