🔍 Поиск готовых работ

🔍 Поиск работ

ИССЛЕДОВАНИЕ МЕТОДОВ И АЛГОРИТМОВ РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ВИДЕО-ДАННЫХ

Работа №75968

Тип работы

Главы к дипломным работам

Предмет

информационные системы

Объем работы64
Год сдачи2016
Стоимость4750 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
579
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 4
1. ОБЗОР МЕТОДОВ И АЛГОРИТМОВ РАСПОЗНАВАНИЯ ОБЪЕКТОВ 8
1.1 Распознавание объектов с помощью нейронных сетей 8
1.2 Методы сравнения по эталону на основе корреляции 12
1.3 Распознавание объектов на основе вычисления их признаков 16
2. МЕТОДЫ ПОСТРОЕНИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБЪЕКТОВ 20
2.1 Предварительная обработка перед распознаванием 25
2.2 Детектирование объектов 26
3. ИССЛЕДОВАНИЕ МЕТОДОВ НА ПРИМЕРЕ НОМЕРНОГО ЗНАКА 31
3.1 Обработка снимка месторасположения номерного знака 33
3.2 Распознавание символов 38
3.3 Распознавание объектов по признакам 41
3.4 Исследование влияния шума на распознавание символов признаков 47
4. ЭКОНОМИЧЕСКАЯ ОЦЕНКА РЕЗУЛЬТАТОВ 51
4.1 Планирование работ по исследованию 51
4.2 Расчет расходов на оплату труда на исследование 53
4.3 Расчет продолжительности исследования 54
4.4 Расчет стоимости расходных материалов 55
4.5 Расчет сметы расходов на исследование 55
ЗАКЛЮЧЕНИЕ 59
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 61
ПРИЛОЖЕНИЯ 65


В современном обществе широкое распространение получили системы видеофиксации, позволяющие распознавать объекты, их отсутствие и изменение положения. В значительном большинстве интеллектуальных систем видеомониторинга и определения предметов через их изображение принимаются на рассмотрение такие объекты, как человеческие лица, печатные издания, государственные регистрационные номера. При этом обстоятельства принятия изображения довольно строги, так как существует лимит на освещенность, фон, месторасположение касательно объектива и прочее. Это все существенного облегчает совместную работу человека с ЭВМ, порождает предпосылки для использования всевозможных систем искусственного происхождения разума.
Первостепенной целью при разработке метода и программного обеспечения автоматического проектирования системы видеонаблюдения считается предназначение распознавания объекта, изображение которого передается через камеру. Так как изображение всякого объекта находится в зависимости от множества моментов его направленности по отношению к видеокамере, подсветке, характеристик регистратора, статических и динамических характеристик предмета, то снимок довольно непросто оформить и представить в обличии конкретной математической модели. В следствии этого, способы осуществления компьютерного представления значимо находятся в зависимости от решаемых целей и изредка уступают генерализации. В итоге, основная масса данных способов считается нелинейной. Собственно, это и воздействует на потребность накопления расчета мощности ЭВМ и затруднение алгоритмов работы, приобретенной по техническим каналам получаемого изображения.
Дополнением к технологическим показателям, которые искажают качество цифрового изображения, считается ряд наружных моментов, а это: освещение находящейся вокруг сцены, перемещение объектов в ее пределах и т.д. В следствии, чтобы получилась наилучшая точность распознавания символов, которые имеются, к примеру, на государственном регистрационном номере, требуется развитие методов, которые позволяют решить цели детектирования и определения в пребывании шумов, при невысокой резкости и контрастности изображения, неверном балансе помех, которые учитываются в рамках области цифровой обработки изображений (ЦОИ).
Существуют успешные продвижения при выстраивании видео фиксации и комплексе выявления любого рода объектов. Впрочем, есть невыполненные затруднения при перемещении к наибольшему позволению вводной в видеоряде по причине использования закрепленных характеристик объема и позиционирования субъекта в снимке. Есть некоторый тип целей, где особенную значимость обретает облегчение критериев функционирования комплекса определения объектов, например, это государственный регистрационный номер автомобиля, и, соответственно, в такой комплекс будут входить слежение и регулирование перемещения автотранспорта.
Анализ прогрессивных научно-технических источников демонстрирует, собственно то, что некими из многообещающих способов детектирования словесных знаков на оцифрованном снимке считаются способы, которые базируются на:
- выявлении главных индивидуальностей или же особенных точек на оцифрованном снимке;
- расчета описаний зоны заинтересованности;
- сочетании в применении пары обозначенных способов.
В настоящее время существует множество задач, в которых требуется принять некоторое решение в зависимости от присутствия на изображении объекта или классифицировать его. Это связанно с массовым внедрением информационных технологий в различные области человеческой жизни. Обычно они представляют собой набор взаимосвязанных функциональных систем, таких как системы сбора информации с детекторов транспорта и телекамер. Вследствие многообразия внешних условий, в которых приходится работать указанным друга. Однако большинство существующих на сегодняшний день систем имеет в своем составе два основных блока: получения изображения (видеокамера) и системы его последующего анализа.
При этом под анализом изображений в таких системах зачастую понимают распознавание объектов, представленных на этих изображениях. Для решения задачи распознавания объектов разработано множество различных методов, в связи с чем требуется проведение исследования по оценке их применимости и характеристик обнаружения.
Для решения поставленной цели определения предметов, важным фактором является поиск алгоритмов, которые не только определяют данные об особенностях какой-либо определенной области, а также позволяют распознавать любой символ при присутствии влияния шума на изображения.
Предоставленная работа приурочена к изучению визуального определения объектов и осуществлению приобретенных методов в качестве программного приложения, которые функционируют в эксплуатационном режиме настоящего момента времени.
Основной целью работы является исследование алгоритмов распознавания объектов для решения задачи автоматического государственного регистрационного номера автомобиля.
Объектом исследования являются видео-данные, применяемые для распознавания объектов.
Предметом исследования являются методы и алгоритмы распознавания объектов на видео-данных с задачей улучшения систем их видеофиксации и контроля.
Задачи дипломной работы:
- выполнить анализ существующих методов распознавания;
- реализовать метод детектирования объектов и распознавания объектов с использованием особых признаков;
- разработать алгоритмы и программную реализую выбранных методов;
- произвести экспериментальные исследования, на основе сравнения методов детектирования объектов, распознавания объектов с использованием особых признаков.



Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В ходе выпускной квалификационной работы было проведено библиографическое исследование по методам распознавания объектов на видео-данных. Проведены описания методов распознавания. Обращено внимание на положительные и отрицательные стороны методов распознавания с применением нейронных сетей, корреляционного метода распознавания объектов по шаблону, детектирование объектов, распознавание объектов на основании их признаков. Было акцентирование внимание на детектирование распознавания автомобильного государственного регистрационного номера и распознавание на основании их признаков.
На базе проведенных исследований разработан алгоритм, который базируется на распознавании особенностей изображений из видео-данных и разрешающий результативно детектировать государственные регистрационные номера автомобилей.
Осуществлена настройка опций предлагаемого алгоритма детектирования на базе наглядных и числовых оценок вероятности правильного выделения регистрационного номера автомобиля из оцифрованного изображения. Алгоритм детектирования государственного регистрационного номера на базе точечных характерных особенностей изображения дает возможность достигнуть вероятности правильного распознавания это говорит о том, что данный метод достаточно эффективен по сравнению с точно такими же алгоритмами. Но факт в том, что применение такого метода обработки информации влечет к росту вычислительной затруднительности алгоритма.
В результате исследования были решены следующие задачи:
- выполнен анализ существующих методов распознавания;
- реализован метод детектирования объектов и распознавания объектов с использованием особых признаков;
разработаны алгоритмы и программная реализация выбранных
методов;
- произведены экспериментальные исследования, на основе сравнения методов детектирования объектов, распознавания объектов с использованием особых признаков.
В ходе исследования было проведено сопоставление алгоритмов детектирования объектов и распознавания на основании их признаков в приложении к заданию для текстовых символов на пластине государственного регистрационного номера с товарным эквивалентом.
Выяснилось, что алгоритм распознавания объектов на основании их признаков наиболее эффективен по сравнению с детектированием объектов, так как с применением первого метода на изображении удается более точно распознать символы на государственном регистрационном номере автомобиля.



1. Edwards G. Interpreting face images using active appearance models / G. J. Edwards, C. J. Taylor, T. F. Cootes // Proc. Intnl. Conf, on Automatic Face and Gesture Recognition - 1998. - P. 300-305.
2. Matthews I. 2D vs. 3D Deformable Face Models: Representational Power, Construction and Real-Time Fitting / I. Matthew, J. Xiao, S. Baker // Intnl. Journal of Comp. Vision - Springer, 2007. - Vol. 75, No. 1. - P. 93-113.
3. Matthews I. Active Appearance Models Revisited / I. Matthews, S. Baker // Intnl. Journal of Computer Vision - Hingham, MA: Kluwer Academic Publishers. - 2004. - Vol. 60, No. 2. - P. 135-164.
4. Golomb L. A., Lawrence D. T. and Sejnowski T. J. SexNet: A neural network identifies sex from human faces// Advances in Neural Information Processing Systems, Morgan Kaufmann Publishers. San Mateo. USA. 1991. P. 77-83.
5. Takas B. and Wechsler H. Locating features using SOFM// Proceedings of IAPR. 1994. Vol. 2. P. 55-60.
6. Feraud R., Bernier O. J., Viallet J-E., Collobert M A fast and accurate face detector based on neural networks// IEEE Trans. on Pattern Analysis and Machine Intel. 2001. Vol. 23. № .1. P.42-52.
7. Kruger N. An algorithm for the learning of weights in discrimination functions using a priori constrains// IEEE Trans. on Pattern Analysis and Machine Intel. 1997. Vol. 19. № .7. P.764-768.
8. Lades M., Vorbruggen J., Buhmann J., Lange J., Masburg C. and Wurtz R. Distortion invariant object recognition in the dynamic link architecture// IEEE Trans. on Computers. — 1993. Vol. 42. P. 300-311.
9. Valentin D. and Abdi H. Can linear autoassociator recognize faces from new orientations?// Journal Opt. Soc. Am. A.. 1996. Vol. 13. P. 522-530.
10. Wiskott L. Phantom faces for analysis // Pattern Recognition. 1997. Vol. 30. № .6. P. 837-846.
11. Department of Electrical and Computer Web Pages. License Plate
Recognition Final Report.
http://www.ece.cmu.edu/~ee551/Final Reports/Gr18.551.S00.pdf Обращение к
документу 30.04.2016 г.
12. Kim K.I., Kim K.K., Park S.H., Jung K., Park M.H., Kim H.J. VE-GA VISION: A Vision System For Recognizing License Plates // IEEE Intern. Symp. on Consumer Electronics (ISCE 99). - 1999. - V. 2. - P. 176-181.
13. Википедия - свободная энциклопедия [Электронный ресурс] //
ru.wikipedia.org; URL:https://ru.wikipedia.org/wiki/Робастное управление
Обращение к документу 04.05.2016 г.
14. Shapiro L. G., Stockman G. Computer vision. Prentice-Hall, 2001.
15. Szeliski R. Computer vision: algorithms and applications. Springer, 2010.
16. Martinsky O. Algorithmic and mathematical principles of automatic number plate recognition systems, B. Sc. Thesis, Brno University of Technology, 2007.
17. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. - М.: Издательский дом «Вильямс», 2004.
18. Петров В. А., Волохов В.А. Распознавание регистрационных номеров
транспортных средств с использованием комитета классификаторов // Молодёжь и наука: модернизация и инновационное развитие страны. Материалы
международной научно-практической конференции часть 2, 2011 г. Стр. 332-334.
20. Bishop C. M. Pattern recognition and machine learning. Springer, 2006.
21. Курсы лаборатории компьютерной графики и мультимедиа при ВМК МГУ им. М.В. Ломоносова http://courses.graphicon.ru/main/vision/lections. Обращение к документу 06.05.2016 г.
22. Avidan S., Shamir A.. Seam Carving for Content-Aware Image Resizing,
2007.
23. Грузман И.С., Киричук В.С. Цифровая обработка изображений в информационных системах: Учебное пособие. - Новосибисрк: Изд-во НГТУ, 2002. - 352 c.
24. Shi and C. Tomasi. Good Features to Track. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 593-600, June 1994.
25. Понс Ж, Форсайт Д. Компьютерное зрение. Современный подход. М.: Изд. д. Вильямс, 2004. - 465с.
26. Локтев А.А., Алфимцев А.Н., Локтев Д.А. Алгоритм распознавания объектов // Вестник МГСУ. 2012. № 5. С. 194—201.
27. Арлазаров В.Л., Троянкер В.В., Котович Н.В. Адаптивное
распознавание символов. [Электронный ресурс]. —
http://www.ocrai.narod.ru/adaptive.html. Обращение к документу 02.06.2016 г.
28. Путятина В.М. Распознавание изображений на основе вычисления их признаков корреляции между ними // Известия Южного федерального университета. Технические науки. Выпуск №2/том 79/2008.
29. Давыдов А.В. Распознавание объектов изображений: Конспект лекций.
2008. [Электронный ресурс] — http://refdb.ru/look/1526317.html. Обращение к документу 04.06.2016 г.
30. Журавлев Ю.И., Гуревич И. Б. Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. Математические методы и их применение. - Вып. 1. - М.: Наука. - 1989. - С. 5 - 72.
31. Журавель И.М. Краткий курс теории обработки изображений. Распознавание объектов на основе вычисления их признаков. [Электронный ресурс] - http: //matlab.exponenta.ru/imageprocess/book2/5 8 .php Обращение к документу 04.06.2016 г.
32. Журавель И.М. Краткий курс теории обработки изображений. Анализ
признаков объектов. [Электронный ресурс] -
http://matlab.exponenta.ru/imageprocess/book2/60.php Обращение к документу 05.05.2016 г.
33. Википедия - свободная энциклопедия [Электронный ресурс] //
ru.wikipedia.org; ййрз://ги^1к1реб1а.огд^1к1Эксцентриситет Обращение к документу 06.06.2016 г.
34. Прэтт У. Цифровая обработка изображений: В 2 т. М.: Мир, 1982.
35. Писаревский А. Н., и др. Системы технического зрения: (Принципиальные основы, аппаратное и математическое обеспечение). Л.: Машиностроение, 1988.
36. Halarick R. M., Shapiro L. G. Computer and Robot Vision // V. I. Addison- Wesley, 1992.

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.