📄Работа №11016
Тема: Исследование инвариантных корреляционных фильтров для задач распознания образов
Характеристики работы
Тип работы
Магистерская диссертация
Предмет
Информатика и вычислительная техника
Объем:
103 листов
Год:
2016
Просмотров:
620
5900
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 11
1. Исследования корреляционных фильтров 12
1.1. Понятие корреляции 12
1.2. Корреляционные фильтры 13
1.3. Фильтры без ограничений 16
1.4. Ограниченные корреляционные фильтры 18
1.5. Переограниченные фильтры 20
2. Расчеты 21
2.1. Базы для создания КФ 21
2.1.1. База MNIST 21
2.1.2. База FERET 22
2.2. MACE фильтр 23
2.2.1. Создание MACE фильтра на основе изображений из базы MNIST 24
2.2.2. Создание MACE фильтра на основе изображений из базы FERET 29
2.3. ASEF фильтр 30
2.3.1. Создание ASEF фильтра 30
2.4.1 Листинг функций 31
2.4.1.1 eyeExtractor, eyeSupressor 31
2.4.1.2 myImRead 32
2.4.1.3 buildTrainingData 32
2.4.1.4 getPsr 32
2.4.1.5 buildFilter 33
2.4.1.6 createOctaveData 33
4. Социальная ответственность 38
4.1 Требования предъявляемые к ПЭВМ 39
4.2 Требования к помещениям для работы с ПЭВМ 41
4.3 Требования к микроклимату, содержанию аэроионов и вредных химических
веществ в воздухе на рабочих местах, оборудованных ПЭВМ 42
4.4 Оптимальные параметры микроклимата во всех типах учебных и дошкольных
помещений с использованием ПЭВМ 43
4.5 Требования к уровням шума и вибрации на рабочих местах, оборудованных ПЭВМ 44
4.6 Требования к освещению на рабочих местах,оборудованных ПЭВМ 45
4.7 Требования к организации и оборудованию рабочих мест с ПЭВМ для взрослых
пользователей 47
5. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение 51
Предпроектный анализ 51
5.1 Потенциальные потребители результатов исследования 51
5.2 Анализ конкурентных технических решений с позиции ресурсоэффективности и
ресурсосбережения 52
5.4 Коммерциализация ИС 54
5.4.1 Оценка готовности проекта к коммерциализации 54
5.4.2Методы коммерциализации результатов научно-технического исследования ...56
5.5 Инициация проекта 56
5.6 Планирование управлением научно-техническим проектом 58
5.7 Бюджет научного исследования 61
5.7.1 Расчет заработной платы исполнителей проекта 62
5.8 Организационная структура проекта 66
5.9 Оценка сравнительной эффективности исследования 68
5.10 Оценка абсолютной эффективности проекта 71
Заключение 78
Список использованных источников 81
Приложения 83
Приложение А 83
Приложение Б.1 87
Приложение Б.2 88
Приложение В.1 89
Приложение В.2 90
Приложение Г 91
Приложение Е 93
Приложение Ж 102
1. Исследования корреляционных фильтров 12
1.1. Понятие корреляции 12
1.2. Корреляционные фильтры 13
1.3. Фильтры без ограничений 16
1.4. Ограниченные корреляционные фильтры 18
1.5. Переограниченные фильтры 20
2. Расчеты 21
2.1. Базы для создания КФ 21
2.1.1. База MNIST 21
2.1.2. База FERET 22
2.2. MACE фильтр 23
2.2.1. Создание MACE фильтра на основе изображений из базы MNIST 24
2.2.2. Создание MACE фильтра на основе изображений из базы FERET 29
2.3. ASEF фильтр 30
2.3.1. Создание ASEF фильтра 30
2.4.1 Листинг функций 31
2.4.1.1 eyeExtractor, eyeSupressor 31
2.4.1.2 myImRead 32
2.4.1.3 buildTrainingData 32
2.4.1.4 getPsr 32
2.4.1.5 buildFilter 33
2.4.1.6 createOctaveData 33
4. Социальная ответственность 38
4.1 Требования предъявляемые к ПЭВМ 39
4.2 Требования к помещениям для работы с ПЭВМ 41
4.3 Требования к микроклимату, содержанию аэроионов и вредных химических
веществ в воздухе на рабочих местах, оборудованных ПЭВМ 42
4.4 Оптимальные параметры микроклимата во всех типах учебных и дошкольных
помещений с использованием ПЭВМ 43
4.5 Требования к уровням шума и вибрации на рабочих местах, оборудованных ПЭВМ 44
4.6 Требования к освещению на рабочих местах,оборудованных ПЭВМ 45
4.7 Требования к организации и оборудованию рабочих мест с ПЭВМ для взрослых
пользователей 47
5. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение 51
Предпроектный анализ 51
5.1 Потенциальные потребители результатов исследования 51
5.2 Анализ конкурентных технических решений с позиции ресурсоэффективности и
ресурсосбережения 52
5.4 Коммерциализация ИС 54
5.4.1 Оценка готовности проекта к коммерциализации 54
5.4.2Методы коммерциализации результатов научно-технического исследования ...56
5.5 Инициация проекта 56
5.6 Планирование управлением научно-техническим проектом 58
5.7 Бюджет научного исследования 61
5.7.1 Расчет заработной платы исполнителей проекта 62
5.8 Организационная структура проекта 66
5.9 Оценка сравнительной эффективности исследования 68
5.10 Оценка абсолютной эффективности проекта 71
Заключение 78
Список использованных источников 81
Приложения 83
Приложение А 83
Приложение Б.1 87
Приложение Б.2 88
Приложение В.1 89
Приложение В.2 90
Приложение Г 91
Приложение Е 93
Приложение Ж 102
📖 Введение
Сегодня все больше и больше областей человеческой жизни подвергаются автоматизации и роботизации. Для того чтобы компьютеры могли производить манипуляции в окружающем их пространстве, необходимо преобразовывать аналоговый сигнал в цифровой и давать интерпретацию образам запечатлённым на изображениях. Таким образом область компьютерного зрения с каждым днем приобретает все большее значение. Корреляционные фильтры, отвечающие за распознавание образов, являются частью области компьютерного зрения, поэтому до сих пор не теряют актуальность.
Объектом исследования является задача детектирования объектов на изображениях.
Предметом исследования является распознавание цифр и детектирование зрачков на основе корреляционных фильтров MACE и ASEF.
В первом разделе данной работы проведен обзор литературы по данной тематике с выявлением аналогов.
Во втором разделе описаны алгоритмы построения и использования корреляционных фильтров на основе базы рукописных цифр и лиц.
В третьем разделе приведены результаты работы фильтров на базах рукописных цифр и лиц.
Работа выполнена в GNU Octave, язык программирования - Octave.
Объектом исследования является задача детектирования объектов на изображениях.
Предметом исследования является распознавание цифр и детектирование зрачков на основе корреляционных фильтров MACE и ASEF.
В первом разделе данной работы проведен обзор литературы по данной тематике с выявлением аналогов.
Во втором разделе описаны алгоритмы построения и использования корреляционных фильтров на основе базы рукописных цифр и лиц.
В третьем разделе приведены результаты работы фильтров на базах рукописных цифр и лиц.
Работа выполнена в GNU Octave, язык программирования - Octave.
✅ Заключение
В ходе работы над ВКР были созданы корреляционные фильтры ASEF и MACE для обработки баз MNIST и FERET. При обработке базы рукописных цифр MNIST КФ ASEF показал среднюю точность 47%, а КФ MACE - 18%, что значительно хуже, чем у ASEF фильтра и это соответствует теории изложенной в Г лаве 1 о том, что при тренировке ASEF фильтра, когда все точные фильтры усредняются, убирая индивидуальные особенности и оставляя общие признаки. Однако, трудность задачи обработки базы MNIST заключается в том, что КФ пришлось проводить классификацию по 10 разным классам, соответствующим номиналам цифр от «0» до «9». Если посмотреть точность распознавания КФ по каждому классу, то видно, что у ASEF фильтра точность распознавания по конкретным классам гораздо выше среднего значения и точность распознавания в большинстве классов превышает порог в 53%, а у таких классов как «0», «1», «7» составляет 75%, 85% и 63% соответственно. Сильно занижают средний процент распознавания такие классы как «2», «5» и «9» с процентом распознавания 17%, 20% и 9% соответственно. Скорее всего, такое распределение точности распознавания в классах говорит о наличии определенных признаков в фильтрах, которые помогают лучше распознать определенные классы цифр, такие как «0» и «1».
С задачей распознавания зрачка MACE и ASEF фильтры справились гораздо лучше, т.к. перед фильтрами стояла задача классификации лишь по двум классам: «зрачок», «не зрачок». Средний процент распознавания базы FERET для КФ ASEF составляет 76% против 47% для распознавания рукописных цифр. Фильтр MACE на базе лиц FERET показал средний процент распознавания равный 65%, что заметно лучше 18% для рукописных цифр. Если смотреть процент распознавания по классам, то фильтр ASEF распознал зрачок правильно в 90% случаев, MACE фильтр правильно распознает зрачок в 79% случаев. В целом, фильтр ASEF лучше справился с задачами распознавания. Стоит заметить, что в задаче распознавания зрачков результаты фильтра MACE близки к значениям фильтра ASEF, т.е. в подобных задачах можно использовать MACE фильтр, тем более, что он используется при построении оптических корреляторов, скорость работы которых значительно выше скорости работы компьютера. Так же стоит отметить, что на процент распознавания влияют тренировочные выборки. В базе FERET присутствуют фотографии, для которых есть координаты зрачков, но человек на фото с закрытыми глазами или координаты самого зрачка смещены, а т.к. для фильтра MACE требуется центрирование цели, такие неточности в базах значительно влияют на конечный процент распознавания.
Исследуемые корреляционные фильтры не показали выдающихся результатов в распознавании рукописных цифр и зрачков, однако, MACE и ASEF фильтры использовались без применения предварительной обработки и подготовки изображений и смогли показать достаточно высокий результат в задачах распознавания образов. Так как MACE фильтр относится к семейству корреляционных фильтров с ограничениями, в частности, с ограничением на корреляционный выход, он более требователен к обучающей выборке и для его успешной тренировки требуется с точным центрированием цели. ASEF фильтр относится к семейству фильтров без ограничений и не нуждается в центрировании, но нуждается в точных координатах корреляционного отклика. Это значит, что для использования подобных фильтров требуется очень хорошо подготовленная обучающая выборка.
С задачей распознавания зрачка MACE и ASEF фильтры справились гораздо лучше, т.к. перед фильтрами стояла задача классификации лишь по двум классам: «зрачок», «не зрачок». Средний процент распознавания базы FERET для КФ ASEF составляет 76% против 47% для распознавания рукописных цифр. Фильтр MACE на базе лиц FERET показал средний процент распознавания равный 65%, что заметно лучше 18% для рукописных цифр. Если смотреть процент распознавания по классам, то фильтр ASEF распознал зрачок правильно в 90% случаев, MACE фильтр правильно распознает зрачок в 79% случаев. В целом, фильтр ASEF лучше справился с задачами распознавания. Стоит заметить, что в задаче распознавания зрачков результаты фильтра MACE близки к значениям фильтра ASEF, т.е. в подобных задачах можно использовать MACE фильтр, тем более, что он используется при построении оптических корреляторов, скорость работы которых значительно выше скорости работы компьютера. Так же стоит отметить, что на процент распознавания влияют тренировочные выборки. В базе FERET присутствуют фотографии, для которых есть координаты зрачков, но человек на фото с закрытыми глазами или координаты самого зрачка смещены, а т.к. для фильтра MACE требуется центрирование цели, такие неточности в базах значительно влияют на конечный процент распознавания.
Исследуемые корреляционные фильтры не показали выдающихся результатов в распознавании рукописных цифр и зрачков, однако, MACE и ASEF фильтры использовались без применения предварительной обработки и подготовки изображений и смогли показать достаточно высокий результат в задачах распознавания образов. Так как MACE фильтр относится к семейству корреляционных фильтров с ограничениями, в частности, с ограничением на корреляционный выход, он более требователен к обучающей выборке и для его успешной тренировки требуется с точным центрированием цели. ASEF фильтр относится к семейству фильтров без ограничений и не нуждается в центрировании, но нуждается в точных координатах корреляционного отклика. Это значит, что для использования подобных фильтров требуется очень хорошо подготовленная обучающая выборка.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.