РАЗРАБОТКА И РЕАЛИЗАЦИЯ ИМИТАЦИОННОЙ МОДЕЛИ ФАСЕТОЧНОГО ЗРЕНИЯ

ВВЕДЕНИЕ 4
1. АНАЛИЗ ЛИТЕРАТУРЫ И СУЩЕСТВУЮЩИХ РЕШЕНИЙ 7
1.1. Известные подходы в моделировании зрения 7
1.2. Применение машинного зрения в задачах распознавания образов и
анализа изображений 8
2. ПРОЕКТИРОВАНИЕ 13
2.1. Строение фасеточного глаза 13
2.2. Плоскостная модель фасеточного глаза 16
2.3. Проектирование программной системы 21
3. РЕАЛИЗАЦИЯ 24
3.1. Реализация модели двумерного фасеточного глаза 24
3.2. Разработка и обучение нейронной сети на основе модели 28
4. ТЕСТИРОВАНИЕ 30
4.1. Описание экспериментов 30
4.2. Результаты экспериментов 30
ЗАКЛЮЧЕНИЕ 34
СПИСОК ЛИТЕРАТУРЫ 35
Купить

Машинное зрение в настоящее время является активно развивающейся областью прикладной математики. Искусственная нейронная сеть - математическая модель, построенная по принципу организации и функционирования сетей нервных клеток живых организмов. В качестве нейронной сети можно рассматривать любую модель, содержащую узлы и связи между ними. Распознавание визуальных образов представляет собой один из важнейших компонентов систем управления и обработки информации, автоматизированных систем и систем принятия решений. Задачи, связанные с классификацией и идентификацией предметов, явлений и сигналов, характеризующихся конечным набором некоторых свойств и признаков, возникают в таких отраслях как робототехника, информационный поиск, мониторинг и анализ визуальных данных, исследования искусственного интеллекта. Алгоритмическая обработка и классификация изображений применяются в системах безопасности, контроля и управления доступом, в системах видеонаблюдения, системах виртуальной реальности и информационных поисковых системах [1]. В настоящий момент в производстве широко используются системы распознавания рукописного текста, государственных регистрационных автомобильных номеров, отпечатков пальцев или человеческих лиц, находящие применение в интерфейсах программных продуктов, системах безопасности и идентификации личности, автоматическом управлении движения автомобилей [2], а также в других прикладных целях.
За последнее время был достигнут существенный прогресс в распознавании визуальных образов. Однако, несмотря на достигнутые успехи, современные исследования подтверждают тот факт, что алгоритмы распознавания изображений до сих пор не обладают полноценными способностями биологических зрительных систем, такими как способность функционировать на широком, не ограниченном сверху множестве классов распознавания, устойчивость к инвариантным преобразованиям и вариативности объектов в пределах категорий.
Существует множество методов распознавания объектов на изображении. Выбор конкретных методов обусловлен особенностями объекта, который требуется распознать. Часто бывает, что задача распознавания ставится неформальным образом - свойства искомого объекта задаются без строгих математических параметров. Для решения такой задачи необходимо сформулировать свойства нужного объекта и создать устойчивый метод для обнаружения объектов, соответствующих заданным параметрам.
Для решения поставленной задачи необходимо найти, обобщить и сформулировать в математических терминах эмпирические наблюдения, то есть формализовать параметры искомого объекта. Главная трудность состоит в том, что описать все свойства практически невозможно, т.к. эти свойства могут соответствовать не всем объектам. Поэтому, в процессе математической формализации допускаются упрощения, которые в результате, снижают качество алгоритма и понижают точность. В итоге можно сказать, что при решении задачи распознавания необходимо найти оптимальное соотношение сложности вычислений и желаемой точности.
Так, актуальной проблемой, признанной научным сообществом, остается распознавание изображенных объектов под действием аффинных трансформаций, способных значительным образом изменить форму изображения, не влияя при этом на принадлежность объекта к категории распознавания. В связи с этим, актуальной является задача использования подхода по обнаружению, распознаванию и удерживанию в фокусе определенных типов объектов на основе фасеточного зрения.
Цель и задачи исследования
Основной целью работы является разработка и реализация имитационной модели фасеточного зрения, на основе которой можно обучить нейронную сеть.
Для достижения поставленной цели необходимо решить следующие задачи:
1) изучить строение фасеточного глаза насекомого;
2) описать и параметризовать модель плоскостного фасеточного глаза;
3) реализовать спроектированную модель фасеточного глаза;
4) провести вычислительные эксперименты, позволяющие оценить эффективность реализованной модели.
Структура и объем работы
Данная работа состоит из введения, четырех глав, заключения и списка литературы. Объем работы составляет 36 страниц, объем библиографии - 21 источника.
Содержание работы
В первой главе проведен полный анализ литературы и существующих решений в области моделирования глаз и применения машинного зрения в задачах распознавания образов и анализа изображений.
Во второй главе проведено исследование суперпозиционного фасеточного глаза насекомого, перечислены требования и предложена математическая модель плоскостного фасеточного глаза, имеющего суперпозиционное строение.
В третьей главе описана разработка плоскостного фасеточного зрения на основе предложенной модели, а также на основе нее обучена нейронная сеть.
Четвертая глава посвящена вычислительным экспериментам, направленным на выявление точности полученной нейронной сети.
Купить