Помощь в написании студенческих работ
Антистрессовый сервис

Иерархический итерационный метод распознавания объектов на основе анализа многомерных данных

Диссертация: Иерархический итерационный метод распознавания объектов на основе анализа многомерных данных
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Особенность системы Lynkeus заключается в использовании сенсоров, основанных на новой технологии — PMD. Эти сенсоры представляют собой компактные камеры, способные генерировать как обычные 2-мерные изображения в градациях серого, так и 2,5-мерные изображения, которые также содержат информацию о дальности каждой точки объекта до камеры (см. рис. 3.28). При использовании данной технологии… Читать ещё >

Иерархический итерационный метод распознавания объектов на основе анализа многомерных данных (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Современное состояние проблемы распознавания объектов
    • 1. 1. Проблема распознавания объектов
    • 1. 2. Основные методы распознавания объектов
      • 1. 2. 1. Классификация методов распознавания объектов
      • 1. 2. 2. Интенсиональные методы распознавания объектов
      • 1. 2. 3. Экстенсиональные методы распознавания объектов
      • 1. 2. 4. Методы совместной классификации
      • 1. 2. 5. Сравнительный анализ известных методов распознавания объектов
    • 1. 3. Выводы. Цели и задачи исследования
  • 2. Иерархический итерационный метод распознавания объектов на основе анализа многомерных данных
    • 2. 1. Разработка иерархического итерационного метода распознавания объектов
      • 2. 1. 1. Общая постановка задачи распознавания объектов и определения их положения и ориентации в пространстве
      • 2. 1. 2. Основные принципы иерархического итерационного метода распознавания объектов
      • 2. 1. 3. Алгоритм иерархического итерационного метода распознавания объектов
    • 2. 2. Разработка алгоритмического обеспечения иерархического итерационного метода распознавания объектов
      • 2. 2. 1. Алгоритм иерархической оптимизации многомерной функции
      • 2. 2. 2. Алгоритм иерархического сопоставления
      • 2. 2. 3. Алгоритм расчёта критерия качества с использованием матричного представления исходных данных
      • 2. 2. 4. Алгоритм деформации прототипов распознаваемых объектов
      • 2. 2. 5. Алгоритм итерационного сопоставления
      • 2. 2. 6. Алгоритм иерархизации прототипов распознаваемых объектов
    • 2. 3. Анализ преимуществ разработанных алгоритмов
    • 2. 4. Выводы по второй главе
  • 3. Разработка систем распознавания объектов для решения практических задач
    • 3. 1. Методика разработки системы распознавания объектов
    • 3. 2. Разработка системы распознавания положения и ориентации объектов для регистрации медицинских изображений
      • 3. 2. 1. Постановка задачи регистрации медицинских изображений
      • 3. 2. 2. Описание архитектуры системы распознавания объектов для решения задачи регистрации медицинских изображений
      • 3. 2. 3. Экспериментальные результаты
    • 3. 3. Разработка системы распознавания объектов в задаче распознавания текста
      • 3. 3. 1. Постановка задачи распознавания текста
      • 3. 3. 2. Описание архитектуры системы распознавания объектов для решения задачи распознавания текста
      • 3. 3. 3. Экспериментальные результаты
    • 3. 4. Разработка системы распознавания объектов в задаче автоматического извлечения деталей из контейнера
      • 3. 4. 1. Постановка задачи распознавания множества объектов для системы автоматического извлечения деталей из контейнера
      • 3. 4. 2. Описание архитектуры системы распознавания объектов для решения задачи автоматического извлечения деталей из контейнера
      • 3. 4. 3. Экспериментальные результаты
    • 3. 5. Выводы по третьей главе
  • 4. Разработка и экспериментальное исследование прикладных программных систем, основанных на иерархическом итерационном методе распознавания объектов
    • 4. 1. Прикладная программная система для решения задачи регистрации медицинских изображений
    • 4. 2. Прикладная программная система для решения задачи распознавания текста в промышленных системах
    • 4. 3. Прикладная программная система для решения задачи распознавания объектов в системе автоматического извлечения деталей из контейнера
    • 4. 4. Выводы по четвёртой главе

Актуальность темы

.

Одной из основных задач, которую человек постоянно решает в процессе своей жизнедеятельности, является задача распознавания объектов. Эта задача эффективно решается человеком как на бытовом уровне (например, при чтении книг, при разговоре с собеседником), так и при выполнении своих профессиональных обязанностей (например, при визуальном контроле гза качеством производства, при поиске и идентификации объектов на изображениях и т. п.). При этом, при решении задачи распознавания, человек является наиболее эффективной и универсальной системой, т. е. человек способен распознавать не только конкретные, но и абстрактные образы (например, обнаружить логическую связь). Именно поэтому создание эффективных автоматических систем распознавания объектов, явлений, ситуаций и процессов, которые по своим возможностям приближались бы к возможностям человека, является одной из приоритетных задач в области разработки искусственного интеллекта, привлекающей внимание многих исследователей.

Задача автоматического распознавания объектов известна довольно давно, а первые попытки её решения предпринимались уже в начале 70-х годов прошлого века. По данной тематике опубликовано и выпущено множество статей и книг, разработан целый ряд методов распознавания и спроектированных на их основе автоматических систем, которые находят широкое применение в различных областях.

Вместе с тем, несмотря на высокий уровень исследований в этой области, создание эффективно работающих систем для распознавания объектов остаётся сложной, до конца не решённой проблемой. Существует ряд практических задач, которые не могут быть эффективно решены с помощью известных методов и алгоритмов распознавания. Фундаментальные исследования по данной проблеме сегодня практически не ведутся, а конкретные научные разработки имеют своей целью лишь решение узкоспециализированных задач. Основная причина этого заключается в отсутствии эффективных методов распознавания объектов, способных решать задачи различных классов, особенно в реальном времени. Отсюда вытекает и основная проблема существующих систем распознавания: каждая такая система жёстко ориентирована на специфику обрабатываемых данных и распознаваемых объектов. При изменении исходных данных либо классов распознаваемых объектов необходимо адаптировать систему к изменившимся условиям, если это возможно, а также проводить длительное переобучение на новых наборах тестовых данных. Само распознавание может занимать, как правило, довольно значительное время.

Другой характерной особенностью существующих систем и методов распознавания объектов является невозможность либо неточность одновременного распознавания объекта и определения его положения и ориентации в пространстве либо по отношению к другим объектам.

Одним из путей решения вышеназванных проблем является разработка нового метода распознавания объектов, основанного на комбинации методов сопоставления с образцом и использовании оптимизационных алгоритмов. В основе этого подхода лежит идея объединения различных методов сопоставления с использованием общей математической модели задачи распознавания объектов на основе анализа многомерных данных, не зависящей от характера обрабатываемых данных, а также от признаков распознаваемого объекта.

Однако, такой подход требует решения ряда задач, связанных с оптимизацией длительности и сложности процедуры обучения, сложности процедуры построения набора признаков распознаваемого объекта, длительности процедуры сопоставления и возможности распознавания объектов на искажённых и зашумлённых данных. Таким образом, тема диссертационной работы, связанная с разработкой универсального метода распознавания объектов на основе анализа многомерных данных, является актуальной.

Цель и задачи исследования

.

Целью диссертационной работы является повышение скорости, точности и надёжности распознавания объектов и определения их положения на множестве многомерных данных на основе разработки и использования нового иерархического итерационного метода.

Для достижения указанной цели требуется решить следующие задачи:

1. Разработать метод распознавания объектов на основе анализа многомерных данных, позволяющий одновременно определять класс объектов, их положение и ориентацию в пространстве.

2. Разработать алгоритмическое обеспечение для реализации предложенного метода распознавания объектов.

3. Разработать архитектуру системы распознавания объектов, основанную на предложенном методе, а также методику её практического применения при решении конкретных задач.

4. Разработать программное обеспечение, реализующее предложенный метод распознавания объектов.

5. Оценить эффективность применения предложенного метода распознавания объектов при решении ряда практических задач.

Научная новизна.

В диссертационной работе разработан иерархический итерационный метод распознавания объектов. При этом получены следующие результаты, обладающие научной новизной:

1. Предложен метод распознавания объектов на множестве многомерных данных, новизна которого состоит в комбинации метода сопоставления с алгоритмами оптимизации, а также в интерпретации метода сопоставления, которая заключается в обнаружении и локализации объекта, заданного прототипом, на полном множестве многомерных данных. Разработанный метод обладает высокой устойчивостью к шумам, инвариантен к физической природе исходных данных и распознаваемых объектов, а также не только значительно увеличивает вероятность верного распознавания объектов и повышает точность определения их положения и ориентации в пространстве, но и сокращает время обучения и распознавания, что позволяет разрабатывать системы распознавании объектов, способные решать практические задачи, такие как регистрация медицинских изображений, распознавание текста в промышленных системах и автоматическое извлечение деталей из контейнера.

2. Разработано оригинальное алгоритмическое обеспечение, состоящее из системы взаимосвязанных алгоритмов и процедур, включающих в себя иерархическую оптимизацию, иерархическое сопоставление, расчёт критерия качества с использованием матричного представления исходных данных, деформацию прототипов распознаваемых объектов, итерационное сопоставление и иерархизацию прототипов распознаваемых объектов. Разработанные процедуры позволяют повысить точность и сократить время распознавания объектов.

Практическая значимость результатов.

1. Разработана архитектура универсальной системы распознавания объектов, основанная на предложенном иерархическом итерационном методе распознавания, а также методика её использования при решении различных классов практических задач.

2. Разработано прикладное программное обеспечение на базе языка С++ с использованием кроссплатформенной библиотеки обработки изображений OpenCV, реализующее предложенный иерархический итерационный метод распознавания объектов и эффективно решающее широкий круг задач в рамках реальных промышленных систем, включая задачи регистрации медицинских изображений, распознавания текста и автоматического извлечения деталей из контейнера.

3. Результаты проведённого сравнительного анализа эффективности разработанного метода распознавания объектов с использованием разработанного программного обеспечения показали, что:

— при решении задачи регистрации медицинских изображений обеспечивается уменьшение времени распознавания по сравнению с классическим методом сопоставления и методом Покрандта в 7,2 и 1,15 раз соответственно, а также повышение точности определения положения на 19,5% и 8,5% и увеличение количества верных результатов в 2,3 и 1,3 раза;

— при решении задачи распознавания текста обеспечивается увеличение количества верных результатов в 1,8 раза (на 44,1%) по сравнению с современными программными системами распознавания текста, что составило 99,7% от всего количества изображений;

— при решении задачи распознавания объектов в системе автоматического извлечения деталей из контейнера обеспечивается уменьшение времени распознавания по сравнению с классическим методом сопоставления в 7,2 раза, повышение точности определения положения на 16,8% (в 1,2 раза) и увеличение количества верных результатов в 2,2 раза.

Основные научные результаты, полученные автором и выносимые на защиту.

1. Иерархический итерационный метод распознавания объектов на основе анализа многомерных данных.

2. Алгоритмическое обеспечение иерархического итерационного метода распознавания объектов.

3. Архитектура универсальной системы распознавания объектов, основанная на предложенном иерархическом итерационном методе распознавания.

4. Прикладное программное обеспечение, реализующее иерархический итерационный метод распознавания объектов.

5. Результаты сравнительного анализа эффективности иерархического итерационного метода распознавания объектов.

Связь исследований с научными проектами.

Работа выполнена в рамках совместных научных проектов Уфимского государственного авиационного технического университета и Института управляющих вычислительных систем и робототехники Технического университета Карлсруэ (Германия), поддержанных грантом № 16SV2296−310 Министерства образования Германии и компаниями Leibinger Stryker GmbH и Elliptec AG.

Апробация работы.

Основные научные и практические результаты диссертационной работы докладывались на:

— VII-X международных научных конференциях «Компьютерные науки и информационные технологии» (Карлсруэ, Германия, 2006; Уфа, 2005, 2007; Анталия, Турция, 2008);

— международной конференции по робототехнике «Robotik 2008» (Мюнхен, Германия, 2008);

— семинарах в Институте управляющих вычислительных систем и робототехники Технического университета Карлсруэ (Германия, 2007, 2008).

Публикации.

Основные материалы диссертационной работы опубликованы в 11 статьях, в том числе в 1 статье в рецензируемом журнале из перечня ВАК.

Структура и объем диссертации

.

Диссертационная работа состоит из 165 страниц машинописного текста, включая введение, 4 главы, библиографический список из 106 наименований.

3.5 Выводы по третьей главе.

1. В данной главе приведены решения следующих практических задач, а также архитектуры систем распознавания объектов, построенных на основе использования иерархического итерационного метода распознавания:

— задача регистрация медицинских изображений;

— задача распознавания текста в промышленных системах;

— задача автоматического извлечения деталей из контейнера.

2. На основе разработанных решений вышеприведённых задач построены прикладные программные системы, с помощью которых были проведены эксперименты, доказавшие эффективность использования иерархического итерационного метода распознавания объектов:

— при решении задачи регистрации медицинских изображений сравнивались классический метод сопоставления, метод Покрандта и иерархический итерационный метод. Эксперименты показали, что применение иерархического итерационного метода распознавания образов позволило уменьшить время распознавания по сравнению с обычным методом сопоставления и методом Покрандта в 7,2 и 1,15 раз соответственно, а также повысить точность определения положения на 19,5% и 8,5% и увеличить количество верных результатов в 2,3 и 1,3 раза;

— при решении задачи распознавания текста в промышленных системах сравнивались существующие программные системы, такие как, например, TOCR, SimpleOCR и т. д., и иерархический итерационный метод. Наилучший результат из существующих программных систем показала система TOCR. Эксперименты показали, что применение иерархического итерационного метода распознавания образов позволило существенно увеличить количество верных результатов в 1,8 раза (на 44,1%) по сравнению с системой TOCR, что составило 99,7% от всех изображений;

— при решении задачи автоматического извлечения деталей из контейнера сравнивались классический метод сопоставления и иерархический итерационный метод. Эксперименты показали, что применение иерархического итерационного метода распознавания образов позволило существенно уменьшить время распознавания по сравнению с обычным методом сопоставления в 7,2 раза, повысить точность определения положения на 16,8% (в 1,2 раза) и увеличить количество верных результатов в 2,2 раза.

4 Разработка и экспериментальное исследование прикладных программных систем, основанных на иерархическом итерационном методе распознавания объектов.

В качестве программной реализации иерархического итерационного метода распознавания объектов разработан специальный программный компонент в виде ^///-модуля, предоставляющий интерфейс для взаимодействия с внешними системами и модулями и обладающий возможностью встраивания в любую систему обработки изображений. Данный модуль разработан на языке С++ с использованием библиотеки MFC и библиотек обработки изображений OpenCV и VTK.

Архитектура модуля распознавания, реализующего иерархический итерационный метод, представлена на рисунке 4.1.

В состав модуля входят следующие компоненты:

— модуль управления: реализует основной алгоритм процесса распознавания объектов, а также осуществляет межмодульное взаимодействие;

— модуль предварительной обработки исходных данных, состоящий из следующих компонентов:

• модуль расчёта матричного представления исходных данных. Рассчитывает матрицу расстояний или указателей (см. раздел 2.2.3);

• модуль расчёта пирамидального представления исходных данных. Рассчитывает каждый уровень пирамиды с помощью специальных фильтров (см. разделы 2.2.2);

• модуль нормализации исходных данных. Содержит разнообразные фильтры для шумовой, яркостной и других нормализаций i доходных данных;

— модуль алгоритма сопоставления. Реализует основной —-г=шгоритм сопоставления (см. разделы 2.2.2 и 2.2.5), используя модули, представленные ниже;

— модуль иерархизации прототипов. Реализует алгоритм иера^-у^>хизапии прототипов распознаваемых объектов (см. раздел 2.2.6);

— модуль оптимизации функции качества. Реализует -^алгоритм иерархической оптимизации многомерной функции качес — j-ва (см. раздел 2.2.1);

— модуль деформации прототипов. Реализует алгоритм дег Д ормации прототипов распознаваемых объектов (см. раздел 2.2.4);

— модуль расчёта критерия качества. Реализует алгоритм расчёта. меритерия качества на основе матричного представления исходных дага^гтых (см.

раздел 2.2.3);

— модуль дополнительной обработки результатов сопоо-пгавления.

Производит после основного процесса распознавания дополн*^зтгельную обработку результатов, улучшая их;

— база данных прототипов распознаваемых объектов.

Модуль распознавания, реализующий иерархический итерационЕгг^Еэ-тй метод, внедрён в следующие промышленные программные системы: Stryker Leibinger — система автоматического планирования меи т^г цинских операций. Разработанный модуль распознавания, встроенный zb данную систему, предназначен для поиска наилучшего расположен^ггЕгя одной.

Рисунок 4.1 — Архитектура модуля распознавания томограммы относительно другой. Обычно в роли таких томограмм выступают компьютерная и магниторезонансные томограммы головы- ,.

2. ReActVision — система автоматического контроля качества при производстве пьезо-моторов фирмы Elliptec. Разработанный модуль распознавания, встроенный в данную систему, предназначен для распознавания серийных номеров пьезо-моторов;

3. Система автоматического извлечения деталей из контейнера фирмы KUKA Robotics. Разработанный модуль распознавания, встроенный в данную систему, предназначен для распознавания разнообразных деталей и определения их положений и ориентаций на основе данных, предоставляемых PMD-камерой.

4.1 Прикладная программная система для решения задачи регистрации медицинских изображений.

Модуль распознавания объектов, разработанный на основе иерархического итерационного метода, был адаптирован и встроен в систему автоматического планирования медицинских операций в двух вариантах для операционных систем Windows и Linux. Т.к. при разработке модуля использовался платформонезависимые язык С++ и библиотека OpenCV, то программная доработка практически не потребовалась.

Задача модуля распознавания заключается в определении положения и ориентации одной томограммы (обычно магниторезонансной) по отношению к другой (обычно компьютерной).

На рисунке 4.2 представлен графический интерфейс пользователя программы Stryker Leibinger для операционной системы Windows со встроенным модулем распознавания.

P-tUtt vin. VIII9 mi* jfft*.

SWU CT/fll Jf uullruur™ Ж Л Ш ¦

-" I «* Ъ «U*.

И" JI.-I |Д."|м. j гяа£. э-*1' 1ас—" tew" .и-as иг.

Рисунок 4.2 — Графический интерфейс ППО Stryker Leibinger под Windows.

На рисунке 4.3 представлен графический интерфейс пользователя программы регистрации медицинских изображений, разработанной в Институте управляющих вычислительных систем и робототехники Технического университета Карлсруэ (Германия) для операционной системы Linux со встроенным модулем распознавания.

Рисунок 4.3 — Графический интерфейс ППО регистрации медицинских изображений под Linux.

Программная система Leibinger Stryker успешно используется для решения практических задач.

4.2 Прикладная программная система для решения задачи распознавания текста в промышленных системах.

Система автоматического контроля качества при производстве пьезо-моторов фирмы Elliptec предназначена для выполнения следующих задач:

— определение точного положения пьезо-элемента в моторе;

— определение параметров искажения рамки мотора после впрессовки пьезо-элемента и др.

После выполнения вышеназванных задач система должна занести определённые параметры в базу данных на основе серийного номера мотора, который распознаётся с помощью разработанного модуля, реализующего иерархический итерационный метод.

На рисунке 4.4 представлен графический интерфейс пользователя программы ReActVision со встроенным модулем распознавания текста.

Рисунок 4.4 — Графический интерфейс ППО ReActVision.

4.3 Прикладная программная система для решения задачи распознавания объектов в системе автоматического извлечения деталей из контейнера.

Система Lynkeus предназначена для решения двух робототехнических задач:

1) автоматическое извлечение деталей из контейнера;

2) безопасное взаимодействие человек-машина.

Особенность системы Lynkeus заключается в использовании сенсоров, основанных на новой технологии — PMD. Эти сенсоры представляют собой компактные камеры, способные генерировать как обычные 2-мерные изображения в градациях серого, так и 2,5-мерные изображения, которые также содержат информацию о дальности каждой точки объекта до камеры (см. рис. 3.28). При использовании данной технологии и разработанного в данной диссертации иерархического итерационного метода были достигнуты результаты, позволяющие говорить о повышении эффективности при решении вышеупомянутых задач.

Задача автоматического извлечения деталей из контейнера состоит из следующих подзадач (см. также рис. 4.6):

1) моделирование 3-мерной сцены;

2) анализ сцены;

3) определение точек захвата;

4) разработка стратегии извлечения деталей- (.

5) планирование траектории движения манипулятора без коллизий.

Эффективность и точность решения последних трёх задач сильно зависит от результатов решения задачи анализа сцены, т. е. от задачи распознавания объектов и определения их положений и ориентаций в пространстве. Для решения данной задачи в системе Lynkeus и используется разработанный модуль, основанный на иерархическом итерационном методе.

Графический интерфейс разработанного прикладного ПО системы представлен на рисунке 4.5.

На рисунке 4.6 представлена архитектура разработанной системы Lynkeus, в состав которой входит модуль распознавания объектов на основе иерархического итерационного метода.

Рисунок 4.5 — Графический интерфейс ППО системы Lynkeus.

Рисунок 4.6 — Архитектура системы Lynkeus 4 Выводы по четвёртой главе.

1. В данной главе разработано прикладное программное обеспечение для решения практических задач регистрации медицинских изображений, распознавания текста в промышленных системах и задачи распознавания объектов для системы автоматического извлечения деталей из контейнера, включающее в себя модуль распознавания объектов, реализованный на основе разработанного иерархического итерационного метода.

2. Разработанное программное обеспечение было успешно внедрено в следующие промышленные системы:

— Stryker Leibinger — система автоматического планирования медицинских операций;

— ReActVision — система автоматического контроля качества при производстве пьезо-моторов фирмы Elliptec.;

— Lynkeus — система фирмы KUKA Robotics автоматического извлечения деталей из контейнера.

Промышленная эксплуатация разработанного прикладного программного обеспечения показала эффективность использования разработанного метода распознавания объектов при решении конкретных практических задач.

Заключение

.

1. Предложен метод распознавания объектов на множестве многомерных данных, новизна которого состоит в комбинации метода сопоставления с алгоритмами оптимизации, а также в интерпретации метода сопоставления, которая заключается в обнаружении и локализации объекта, заданного прототипом, на полном множестве многомерных данных. Разработанный метод обладает высокой устойчивостью к шумам, инвариантен к физической природе исходных данных и распознаваемых объектов, а также не только значительно увеличивает вероятность верного распознавания объектов и повышает точность определения их положения и ориентации в пространстве, но и сокращает время обучения и распознавания, что позволяет разрабатывать системы распознавании объектов, способные решать практические задачи, такие как регистрация медицинских изображений, распознавание текста в промышленных системах и автоматическое извлечение деталей из контейнера.

2. Разработано оригинальное алгоритмическое обеспечение, состоящее из системы взаимосвязанных алгоритмов и процедур, включающих в себя иерархическую оптимизацию, иерархическое сопоставление, расчёт критерия качества с использованием матричного представления исходных данных, деформацию прототипов распознаваемых объектов, итерационное сопоставление и иерархизацию прототипов распознаваемых объектов. Разработанные процедуры позволяют повысить точность и сократить время распознавания объектов.

3. Разработана архитектура универсальной системы распознавания объектов, основанная на предложенном иерархическом итерационном методе распознавания, а также методика её использования при решении различных классов практических задач.

4. Разработано прикладное программное обеспечение на базе языка С++ с использованием кроссплатформенной библиотеки обработки изображений.

OpenCV, реализующее предложенный иерархический итерационный метод распознавания объектов и эффективно решающее широкий круг задач в рамках реальных промышленных систем, включая задачи регистрации медицинских изображений, распознавания текста и автоматического извлечения деталей из контейнера.

5. Результаты проведённого сравнительного анализа эффективности разработанного метода распознавания объектов с использованием разработанного программного обеспечения показали, что:

— при решении задачи регистрации медицинских изображений обеспечивается уменьшение времени распознавания по сравнению с классическим методом сопоставления и методом Покрандта в 7,2 и 1,15 раз соответственно, а также повышение точности определения положения на 19,5% и 8,5% и увеличение количества верных результатов в 2,3 и 1,3 раза;

— при решении задачи распознавания текста обеспечивается увеличение количества верных результатов в 1,8 раза (на 44,1%) по сравнению с современными программными системами распознавания текста, что составило 99,7% от всего количества изображений;

— при решении задачи распознавания объектов в системе автоматического извлечения деталей из контейнера обеспечивается уменьшение времени распознавания по сравнению с классическим методом сопоставления в 7,2 раза, повышение точности определения положения на 16,8% (в 1,2 раза) и увеличение количества верных результатов в 2,2 раза.

Показать весь текст

Список литературы

  1. Автоматическая регистрация медицинских томограмм головного мозга с использованием градиентного метода / Ю. Граф, К. В. Сафронов, И. М. Чушенков, X. Вёрн // Матер. 7-й межд. науч. конф. CSIT'2005. Т. 1. 2005. С. 174−179.
  2. , Б. В. Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов / Б. В. Анисимов, В. Д. Курганов, В. К. Злобин. М.: Высшая школа, 1983. 295 с.
  3. , Л. М. Численные методы / JI. М. Бахвалов. М.: Наука, 1973. 630 с.
  4. , А. И. Интеллектуальные информационные технологии / А. И. Башмаков, И. А. Башмаков. М.: Изд-во МГТУ им. Н. Э. Баумана, 2005. 304 с.
  5. , В. Н. Теория распознавания образов. Статистические проблемы обучения / В. Н. Вапник, А. Я. Червоненкис. Москва: Наука, 1974. 416 с.
  6. Введение в контурный анализ и его приложение к обработке изображений и сигналов / Под ред. Я. А. Фурмана. М.: ФИЗМАТЛИТ, 2002. 592 с.
  7. , И. Анализ и обработка данных: специальный справочник / И. Гайдышев. СПб: Питер, 2001. 752 с.
  8. , М. В. Методы компьютерной обработки изображений: Учеб. пособие / М. В. Гашников, Н. И. Глумов, Н. Ю. Ильясова. М.: Физм-атлит, 2001. 780 с.
  9. , Р. Мир цифровой обработки: Пер. с англ. / Р. Гонсалес, Р. Вудс. М.: Техносфера, 2005. 1072 с.
  10. , А. Н. Обучение нейронных сетей / А. Н. Горбань. М.: СП Параграф, 1990. 160 с.
  11. , А. Л. Современное состояние проблемы распознавания. Некоторые аспекты / А. Л. Горелик, И. Б. Гуревич, В. А. Скрипкин. М.: Радио и связь, 1985. 160 с.
  12. , А. Л. Методы распознавания: Учеб. пособие / А. Л. Горелик, В. А. Скрипкин. 2-е, перераб. и доп. изд. М.: Высшая школа, 1984. 208 с.
  13. , У. Лекции по теории образов: В 3 т.: Пер. с англ. / У. Грена-ндер. М.: Издательство «Мир», 1979. Т. 1: Синтез образов. 384 с.
  14. , У. Лекции по теории образов: В 3 т.: Пер. с англ. / У. Гренандер. М.: Издательство «Мир», 1981. Т. 2: Анализ образов. 447 с.
  15. , У. Лекции по теории образов: В 3 т.: Пер. с англ. / У. Гренандер. М.: Издательство «Мир», 1983. Т. 3: Регулярные структуры. 432 с.
  16. , А. Д. Цифровые изображения: Практ. руководство / А. Д. Гринберг. Минск: Попурри, 1997. 399 с.
  17. , И. С. Цифровая обработка изображений в информационных системах: Учеб. пособие / И. С. Грузман, В. С. Киричук, В. П. Косых. Новосибирск: НГТУ, 2000. 155 с.
  18. , И. С. Цифровая обработка изображений в информационных системах: Учебник / И. С. Грузман, B.C. Киричук, В. П. Косых. Новосибирск: Изд-во НГТУ, 2002. 351 с.
  19. , Р. Распознавание образов и анализ сцен: Пер. с англ. / Р. Дуда, П. Харт. М.: Мир, 1976. 511 с.
  20. , В. В. Теория и практика эволюционного моделирования / В. В. Емельянов, В. В. Курейчик, В. М. Курейчик. М.: ФИЗМАТЛИТ, 2003. 432 с.
  21. , В. Избранные научные труды / В. Журавлёв. М.: Магистр, 1998. 420 с.
  22. Искусственный интеллект: В 3 т. / Под ред. Д. А. Поспелова. М.: Радио и связь, 1990. Т. 2: Модели и методы. Справочник. 304 с.
  23. , Л. Г. Нейрокомпьютеры: Учеб. пособие для вузов / Л. Г. Ком-арцова, А. В. Максимов. 2-е, перераб. и доп. изд. М.: Изд-во МГТУ им. Н. Э. Баумана, 2004. 400 с.
  24. , Г. Ф. Биометрия / Г. Ф. Лакин. М.: Высш.шк., 1990. 352 с.
  25. , Ю. Статистические методы распознавания образов / Ю. Лившиц. Режим доступа: http://yury.name/modern/07modernnote.pdf, свободный.
  26. Мамаев, И. P. Pmd технология: Особенности калибровки pmd камеры / И. Р. Мамаев, К. В. Сафронов, X. Вёрн // Информатика, управление и компьютерные науки: сб. ст. 3-й per. зимн. шк.-сем. аспирантов и молодых учёных. 2008. С. 154−160.
  27. Методы компьютерной обработки изображений / М. В. Гашников, Н. И.
  28. , Н. Ю. Ильясова и др.- Под ред. В. А. Сойфера. 2-е, испр. изд. М.: ФИЗМАТЛИТ, 2003. 784 с.
  29. , Р. В. Эффективный алгоритм предобработки изображений для структурных методов распознавания рукописных символов / Р. В. Поцепаев, И. Б. Петров // Исследовано в России. Т. 19. 2003. С. 181 190.
  30. , А. Л. Цифровая обработка изображений: Учеб. пособие / A. JI. Приоров, А. Н. Ганин, В. В. Хрящев. Ярославль: ЯрГУ, 2001. 216 с.
  31. , Е. Обработка изображений в робототехнике / Е. Путятин, С. Аверин. М.: Машиностроение, 1990. 320 с.
  32. Распознавание образов. Исследование живых и автоматических распознающих систем: Пер. с англ. М.: Изд-во «Мир», 1970. 288 с.
  33. , К. В. Комбинированный метод регистрации медицинских изображений с использование градиентной и взаимной информации / К. В. Сафронов, И. М. Чушенков, X. Вёрн // Матер. 8-й межд. науч. конф. CSIT'2006. Т. 1. 2006. С. 7−10.
  34. , К. В. Применение алгоритмов оптимизации для решения задачи распознавания образов / К. В. Сафронов, И. М. Чушенков, X. Вёрн // Матер. Всерос. молодёжи, науч.-техн. конф. Т. 3. 2007. С. 46−47.
  35. , К. В. Применение алгоритмов оптимизации для решения задачи распознавания символов / К. В. Сафронов, И. М. Чушенков, X. Вёрн // Вычислительная техника и новые информационные технологии: межвуз. научн. сб. 2007. С. 92−97.
  36. , К. В. Распознавание текста с использование алгоритмовоптимизации / К. В. Сафронов, И. М. Чушенков, X. Вёрн // Матер. 9-й межд. науч. конф. CSIT'2007. Т. 1. 2007. С. 85−89.
  37. , К. В. Решение задачи извлечения деталей из контейнера с использованием иерархического итерационного метода распознавания образов / К. В. Сафронов, И. М. Чушенков, X. Вёрн // Матер, межд. конф. Robotik 2008. 2008. С. 3−6.
  38. , Д. В. Введение в искусственный интеллект: конспект лекций / Д. В. Смолин. М.: ФИЗМАТЛИТ, 2004. 208 с.
  39. , П. И. Методический комплекс по дисциплине: Распознавание образов и анализ сцен / П. И. Соснин. Режим доступа: old.ulstu.ru/people/sosnin/umk/ImageRecognitionandSceneAnalysis,
  40. , В. В. Локальные геометрические методы цифровой обработки и анализа изображений / В. В. Старовойтов. Минск: Ин-т техн. кибернетики, 1997. 282 с.
  41. , X. А. Введение в исследование операций: Пер. с англ. / X. А. Таха. 7-е изд. М.: Издательский дом «Вильяме», 2005. 912 с.
  42. , Н. С. Метод реализации инвариантности к аффинным преобразованиям при распознавания двумерных изображений / Н. С. Томашевич, Д. С. Томашевич, А. И. Галушкин // Информационные технологии. 2001.
  43. Ту, Д. Принципы распознавания образов: Пер. с англ. / Д. Ту, Р. Гонсалес. М.: Мир, 1978. 413 с.
  44. , Н. Методы стохастической геометрии в распознавании образов / Н. Федотов. М.: Радио и связь, 1990. 142 с.
  45. , Д. А. Комьютерное зрение. Современный подход: Пер. с англ. / Д. А. Форсайт, Ж. Понс. М.: Издательский дом «Вильяме», 2004. 928 с.
  46. , Я. А. Цифровые методы обработки и распознавания бинарных изображений / Я. А. Фурман, А. Н. Юрьев, В. В. Яншин. Красноярск: Изд-во Красноярск, 1992. 245 с.
  47. Bachem, A. Robust visual servoing: Examination of cameras under different illumination conditions / A. Bachem, T. Mtiller, H. H. Nagel. 2001.
  48. Basri, R. Recognition by prototypes / R. Basri. 1993.
  49. Bebis, G. Using genetic algorithms for 3d object recognition / G. Bebis, S. Louis, S. Fadali. 1998.
  50. Belongie, S. Matching shapes / S. Belongie, J. Malik, J. Puzicha. 2001.
  51. Ben-Ezra, M. Model based pose estimator using linear-programming / M. Ben-Ezra, S. Peleg, M. Werman. 2000.
  52. , M. 3d model based pose determination in real-time: Strategies, convergence, accuracy / M. Berger, T. Auer, G. Bachler. 2000.
  53. Besl, P. J. Three-dimensional object recognition / P. J. Besl, R. C. Jain. 1985.
  54. Chin, R. T. Model-based recognition in robot vision / R. T. Chin, C. R. Dyer. 1986.
  55. Cipolla, R. Visually guided grasping in unstructed environments / R. Cipolla, N. Hollinghurst. 1996.
  56. Deformation models for image recognition / D. Keysers, T. Deselaers, C. Gol-lan, N. Hermann. 2007.
  57. Faugeras, O. The Geometry of Multiple Images / O. Faugeras, Q. T. Luong. Cambridge: The MIT Press, 2001. 644 pp.
  58. Hartley, R. Multiple View Geometry in Computer Vision / R. Hartley, A. Zis-serman. Second edition. Cambridge: University Press, 2000. 655 pp.
  59. Ikeuchi, K. Picking up an object from a pile of objects / K. Ikeuchi, В. K. P. Horn, S. Nagata. 1983.
  60. Improving visually servoed disassembly operations by automatic camera placement / F. Kececi, M. Топко, H. H. Nagel, V. Gengenbach. 1998.
  61. Jaehne, B. Digital image processing / B. Jaehne. Fifth edition. Berlin: Springer, 2002. 585 pp.
  62. Jain, A. K. Statistical pattern recognition: A review / A. K. Jain. 2000.
  63. Johnson, A. E. Surface matching for object recognition in complex 3-d scenes / A. E. Johnson, M. Hebert. 1998.
  64. Как, A. Experimental state of the art in 3d object recognition and localization using range data / А. Как, J. Edwards. 1996.
  65. Как, A. Multisensor fusion for sensory intelligence in robotics / А. Как, A. Kosaka. 1996.
  66. Keller, M. G. Matching Algorithms and Feature Match Quality Measures for Model-Based Object Recognition with Applications to Automatic Target Recognition: Ph.D. thesis / New York University. 1999.
  67. Kim, S. Automatic model-based 3d object recognition by combining feature matching with tracking / S. Kim, I. S. Kweon. 2005.
  68. Kragic, D. Robust visual servoing / D. Kragic, H. I. Christensen// The International Journal of Robotics Research. 2002. Vol. 22, no. 10−11. Pp. 923−939.
  69. Kragic, D. Vision techniques for robotic manipulation and grasping / D. Kragic, H. I. Christensen // Proc. International Symposium on Robotics (ISR 2002). 2002. October 7−11.
  70. Kragic, D. Visual servoing meets the real world / D. Kragic, H. I. Christensen // Visual Servoing. Lausanne: IEEE, 2002. October.
  71. Leibe, B. Segmentierungsfreie Objekterkennung unter Verwendung von Tiefenbildern: Ph.D. thesis / Universitat Stuttgart. 2001.
  72. Lepetit, V. Monocular model-based 3d tracking of rigid objects: A survey / V. Lepetit, P. Fua. 2005.
  73. Li, H. Feature matching and pose estimation using newton iteration / H. Li, R. Hartley. 2005.
  74. Magnor, M. A. Geometry-based automatic object localization and 3-d pose detection / M. A. Magnor. 2002.
  75. Maier, D. Fast and accurate closest point search on triangulated surfaces and its application to head motion estimation / D. Maier, J. Hesser, R. Manner. 2000.
  76. Marchand, E. Features tracking for visual servoing purpose / E. Marchand, F. Chaumette // Advances in Robot Vision From Domestic Environments to Medical Applications. Sendai, Japan: 2004. September. Pp. 10−20.
  77. Model-based vision for robotic manipulation of twisted tubular parts: Using affine transforms and heuristic search / S. Wang, R. Cromwell, А. Как et al. 1994.
  78. Muller, M. Entnahmestrategien zur Objektereinzelung mittels Industrier-obotern: Picking Strategies for Object Singularization using Industrial Robots: Ph.D. thesis / Universitat Karlsruhe (TH). 2001.
  79. Mtiller, M. Grasping and reliable picking of overlapping objects in unstructered scenes / M. Muller, T. Langle, H. Worn. 1999.
  80. Muller, M. Secure picking of disarranged objects using probabilistic reasoning / M. Muller, T. Langle, H. Worn. 2000.
  81. Ohba, K. Recognition of the multi specularity objects for bin-picking task / K. Ohba, K. Ikeuchi. 1996.
  82. Ohba, K. Recognition of the multi-specularity objects using the eigen-window / K. Ohba, K. Ikeuchi. 1996.
  83. Ohba, K. Visual learning and object verification with illumination invariance / K. Ohba, Y. Sato, K. Ikeuchi. 1995.
  84. Pokrandt, P. Automatische Uberlagerung medizinischer Bilddatensatze: Ph.D. thesis / Universitat Karlsruhe (TH). 1997.
  85. Pope, A. Model-based object recognition, a survey of recent research: Tech. rep. / A. Pope: University of British Columbia, 1994.
  86. Rahardja, K. Vision-based bin-picking: Recognition and localization of multiple complex objects using simple visual cues / K. Rahardja, A. Kosaka. 1996.
  87. Robust detection of object displacements in unstructured scenes / M. Mtiller, S. Stepanov, T. Langle, H. Worn. 1999.
  88. Robuste positionierung eines roboters mittels visual servoing unter verwen-dung einer trust-region-methode / N. T. Siebel, O. Lang, F. Wirth, A. Graser. 1999.
  89. Sanz, P. J. Real-time grasping of unknown objects based on computer vision / P. J. Sanz, A. P. del Pobil, J. M. Inesta. 1997.
  90. Shape from shading: A survey / R. Zhang, P. Tsai, J. E. Cryer, M. Shah. 2000.
  91. Sorg, M Visual Tracking and Grasping of a Dynamic Object: From the Human Example to an Autonomous Robotic System: Ph.D. thesis /, Universitat Mtinchen. 2003.
  92. Takenouchi, A. Hough-space-based object recognition tightly coupled with path planning for robust and fast bin-picking / A. Takenouchi, N. Kanamaru, M. Mizukawa. 1998.
  93. Theoridis, S. Pattern recognition / S. Theoridis, K. Koutroumbas. Second edition. San Diego: Elsevier, 2003. 689 pp.
  94. Toward true 3d object recognition / J. Ponce, S. Lazebnik, F. Rothganger, C. Schmid // CVPR Workshop on Generic Object Recognition and Categorization. 2004.
  95. Towards the integration of object recognition and visual servoing for disassembly of used cars / M. Топко, V. Gengenbach, K. Schafer et al. 1997.
  96. Towards visually servoed manipulation of car engine parts / M. Топко, К. Schafer, F. Heimes, H. H. Nagel. 1997.
  97. Umeda, K. Industrial vision system by fusing range image and intensity image / K. Umeda, T. Arai. 1994.
  98. Visual determination of 3d grasping points on unknown objects with a binocular camera system / A. Hauck, J. Riittinger, M. Sorg, G. Farber. 1999.
  99. Visual tracking of an end-effector by adaptive kinematic prediction / A. Ruf, M. Топко, R. Horaud, H. H. Nagel. 1997.
  100. , A. 3d-matching von anlichen punktwolken in der huftendoprothetik / A. Wendt. 2000.
  101. Winkelbach, S. Gradientenbasierte Rekonstruktion von 3d-Oberflachen: Ph.D. thesis / Universitat Braunschweig. 2001.
  102. Wunsch, P. Registration of cad-models to images by iterative inverse perspective matching / P. Wunsch, G. Hirzinger. 1996.
  103. Yamany, S. M. Free-form object recognition and registration using surface signatures / S. M. Yamany, A. A. Farag, A. El-Bialy. 1999.
Заполнить форму текущей работой

Сессия? Спокойно!