ЗАДАЧА БИНАРНОЙ КЛАССИФИКАЦИИ С ПРИЛОЖЕНИЕМ К АНАЛИЗУ ИЗОБРАЖЕНИЙ

ВВЕДЕНИЕ 3
1. ФОРМУЛИРОВКА И МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ БИНАРНОЙ
КЛАССИФИКАЦИИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ 6
1.1. Методы решения задачи бинарной классификации 7
1.2. Извлечения векторов характеристик 11
1.3. Метод скользящего окна для нахождения объектов на изображении 17
2. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ 21
2.1. Обучение классификатора 21
2.2. Детали реализации и результаты исследований 24
2.3. Пользовательский интерфейс 26
2.4. Состав и структура программной системы 28
ЗАКЛЮЧЕНИЕ 30
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 31
ПРИЛОЖЕНИЕ: ПРОГРАММНЫЙ КОД 32
Купить

Приложения методов искусственного интеллекта (ИИ) получают все более и более широкое применение в повседневной жизни человека. Одной из наиболее выделяющихся областей ИИ является компьютерное зрение. С развитием цифровых технологий и экспоненциальным увеличением количества снимков доступных человечеству автоматизация анализа изображений стала необходима для эффективной организации хранения, поиска и аннотации баз снимков. С другой стороны, появление большого количества изображений позволило расширить разработку методов ИИ, основанных на обучении, что, в свою очередь, дало толчок развитию новых отраслей промышленности, таких как робототехника, беспилотный автопром, компьютерная диагностика, и пр.
Большой вклад в теорию машинного обучения, в частности, в теорию распознавания образов, был внесен советским и американским математиком Вапником В.М. [1]—[3]. Вапник рассматривает проблему обучения как проблему оптимизации, что позволяет нам использовать теорию оптимизации при разработке ИИ. В настоящее время машинное обучение представляет собой комбинацию нескольких дисциплин, таких как статистика, теория информации, алгоритмическая теория информации, теория вероятности и функциональный анализ.
В 1963 году Владимиром Вапником и Алексеем Червоненкисом был предложен метод построения оптимальной разделяющей гиперплоскости, на котором основан метод опорных векторов (англ. Support Vector Machine, SVM). Этот метод является одним из популярных алгоритмов машинного обучения с учителем для классификации объектов. Многие успешные приложения, основанные на SVM, были применены в разных областях знаний, таких как классификация документов, анализ цифровых изображений, распознавание символов и биоинформатика.
В данной работе рассматривается вопрос бинарной классификации изображений.
Пусть имеется некоторое число изображений, на каждом из которых присутствует объект определенного типа (например, кошка или треугольник, или жираф, или самолет, или конкретный человек) и некоторое количество изображений, на каждой из которых этот объект отсутствует. Необходимо реализовать метод машинного обучения с учителем, способный определить наличие и дополнительно положение определенного объекта на изображении.
В нашем случае для обучения и тестирования классификатора была использована база снимков «UIUC Image Database for Car Detection», содержащая 1050 изображений для обучения (550 снимков автомобилей и 500 снимков других объектов) и 170 изображений для тестирования [4]-[6]. Мы разработали систему, способную распознавать объект, т.е. автомобиль, при помощи метода обучения с учителем - метода опорных векторов (см. Рис. 1) и определять местоположение объекта, т.е. автомобиля, с помощью метода скользящего окна. Результирующая система, способная обнаруживать автомобили на изображениях, может быть использована как часть программы, определяющей множество классов, или же как самостоятельный классификатор в определенных сферах.

Купить