Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и исследование ПО для распознавания и анализа объектов на изображении с помощью нейронной сети

Диссертация: Разработка и исследование ПО для распознавания и анализа объектов на изображении с помощью нейронной сети
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В 1958 г. Фрэнк Розенблатт придумал нейронную сеть, названную перцептроиом, и построил первый нейрокомпьютер Марк-1. Перцептрон был предназначен для классификации объектов. На этапе обучения «учитель» сообщает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен классифицировать объекты, в том числе не использовавшиеся при обучении, делая при этом очень мало… Читать ещё >

Разработка и исследование ПО для распознавания и анализа объектов на изображении с помощью нейронной сети (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Нейронные сети в области обработки изображений
    • 1. 1. Искусственный нейрон
    • 1. 2. Применение нейронных сетей
    • 1. 3. Архитектуры нейронных сетей
    • 1. 4. Обучение нейронных сетей
    • 1. 5. Нейронные сети Хопфилда и Хэмминга
    • 1. 6. ADALINE — Adaptive Linear Neuron (Адаптивный Линейный нейрон)
    • 1. 7. Многослойные нейронные сети без обратной связи
    • 1. 7. 1 Сложность разделяющих поверхностей
    • 1. 8. Распознавание изображения
    • 1. 9. Предобработка изображения
    • 1. 10. Сегментация
    • 1. 11. Распознавание
  • Выводы раздела
  • 2. Распознавание объектов на изображении
    • 2. 1. Система распознавания номерных знаков автомобилей
    • 2. 2. Применение системы распознавания номерных знаков автомобилей
    • 2. 3. Предобработка изображений при распознавании номерных знаков
    • 2. 4. Выделение номерного знака в изображении
      • 2. 4. 1. Выделение номерного знака с выделением границ
      • 2. 4. 2. Выделение номерного знака с использованием алгоритма «Hough»
      • 2. 4. 3. Выделение номерного знака методом сравнения с шаблоном
      • 2. 4. 4. Выделение номерного знака методом наращивания областей
    • 2. 5. Устранение некорректных областей-кандидатов номерного знака
      • 2. 5. 1. Метод устранения некорректных областей
    • 2. 6. Выделение букв и чисел из номерного знака
      • 2. 6. 1. Метод разделения областей
      • 2. 6. 2. Метод наращивания областей
      • 2. 6. 3. Метод подсчета пикселов
      • 2. 6. 4. Статические границы
    • 2. 7. Распознавание букв и чисел
      • 2. 7. 1. Метод сравнения с шаблоном
      • 2. 7. 2. Метод распознавания по вектору-образу
      • 2. 7. 3. Метод характерных точек
      • 2. 7. 4. Распознавание символов с помощью нейронной сети
    • 2. 8. Распознавание типа линий
  • Выводы раздела
  • 3. Разработка ПО, тестирование и экспериментальное исследование
    • 3. 1. Этап предобработки изображения
    • 3. 2. Выделение номерного знака
    • 3. 3. Выделение символов из номерного знака
    • 3. 4. Распознавание чисел и букв
  • Архитектура разработанного программного комплекса для распознавания номерного знака автомобиля показана на Рис.
    • 3. 5. Распознавание границ объектов на изображении с помощью нейронной сети
      • 3. 5. 1. Постановка задачи
      • 3. 5. 2. Выделение и анализ признаков линии
    • 3. 6. Распознавание типов функции линии с помощью нейронной сети
    • 3. 7. Процедура обучения
  • Выводы раздела
  • 4. Использование разработанных методов
    • 4. 1. Система распознавания и анализа номерных знаков автомобилей
      • 4. 1. 1. Выделение номерного знака из входного изображения
      • 4. 1. 2. Распознавание чисел и букв
    • 4. 2. Распознавание типов линий с помощью нейронной сети
  • Выводы раздела

Данная диссертация посвящена разработке и исследованию программного обеспечения для распознавания и анализа объектов на изображении с помощью нейронных сетей. Распознавание объектов на изображении — это одна из областей компьютерного зрения. Что такое компьютерное зрение и обработка изображений? Обработка изображений представляет собой область компьютерной графики, исследующая задачи, в которых и входные и выходные данные являются изображениями. Компьютерное зрение — пограничная часть знаний о получении изображения, обработке, классификации и распознавании [1]. Есть важные области применения систем распознавания и анализа изображения. Это, например, работа с медицинскими изображениями: создание программных систем, которые могут улучшать качество изображений, выявлять на них важные моменты или события либо визуализировать информацию, полученную из изображений. Другая важная область — системы технического контроля, когда по изображениям объектов определяется, соответствуют ли объекты их спецификациям. Третья сфера применения систем распознавания изображений — обработка и интерпретация фотографий, сделанных со спутника, как в военных целях (например, может потребоваться программа, выявляющая интересные, с военной точки зрения, события в указанном регионе или определяющая вред, нанесенный в результате бомбардировки), так и в гражданских (какой урожай кукурузы будет в этом году, сколько осталось тропических лесов и т. п.). Четвертая область — это оптическое распознавание символов (OCR) (например, система распознавания номерных знаков автомобилей или система распознавания печатных документов).

Компьютерное зрение сейчас находится в особой точке своего развития. Эта область прикладной науки стала популярной еще в 1960;х, но только недавно появилась возможность создания полезных компьютерных программ, использующих идеи компьютерного зрения, поскольку компьютеры и программы обработки изображений стали доступны большому количеству пользователей [2]. Не так давно для получения хорошего цветного цифрового изображения нужно было потратить не один десяток тысяч долларовсейчас для этого нужно не больше нескольких сотен. Не так давно цветной принтер можно было найти только в некоторых исследовательских лабораторияхсейчас их используют повсеместно. Таким образом, проводить серьезные исследования и решать многие повседневные задачи теперь можно с помощью методов компьютерного зрения.

Сегодня широко используют искусственную нейронную сеть (artificial neural network) при решении задач компьютерного зрения. Теоретические основы нейроматематики были заложены в начале 40-х годов. В 1943 году У. Маккалох и его ученик У. Питтс сформулировали основные положения теории деятельности головного мозга. Ими были получены следующие результаты[54−57,62]:

• разработана модель нейрона как простейшего процессорного элемента, выполняющего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов;

• предложена конструкция сети таких элементов для выполнения логических и арифметических операций;

• сделано основополагающее предположение о том, что такая сеть способна обучаться, распознавать образы, обобщать полученную информацию.

В 1958 г. Фрэнк Розенблатт придумал нейронную сеть, названную перцептроиом, и построил первый нейрокомпьютер Марк-1. Перцептрон был предназначен для классификации объектов. На этапе обучения «учитель» сообщает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен классифицировать объекты, в том числе не использовавшиеся при обучении, делая при этом очень мало ошибок. Новый взлет теории нейронных сетей начался в 1983;1986 г. г. При этом важную роль сыграли работы группы PDP (Parallel Distributed Processing). В них рассматривались нейронные сети, названные многослойными персептронами, которые оказались весьма эффективными для решения задач распознавания, управления и предсказания[3].

В данной работе приведены результаты разработки и исследований системы распознавания автомобильных номеров и разработки и исследования методики и алгоритмов распознавания типа линий с помощью нейронной сети. Распознавание и анализ номерных знаков автомобилей — один из методов, который может использоваться для идентификации автомобилей. Этот метод можно применять ко многим задачам. Например: входной допуск, безопасность, контроль стоянки, дорожный контроль движения, контроль скорости и т. д. Систему распознавания типа линий можно использовать во многих задачах компьютерного зрения, прежде всего при описании формы объектов, находящихся на изображениях.

Целью диссертационной работы является разработка и исследование ПО для распознавания и анализа объектов на изображении с помощью нейронной сети.

Для достижения поставленной цели в диссертации решены следующие задачи:

1. Проанализированы методы и алгоритмы обработки изображений.

2. Проанализированы известные методы и алгоритмы для реализации нейронных сетей.

3. Разработана методика распознавания номерного знака автомобилей с помощью нейронной сети.

4. Предложена и разработана методика описания и распознавания типа линий на основе нейросети.

Для решения поставленных задач в диссертации использованы теория и методы обработки изображений, теория и методы нейронных сетей, методическое и программное обеспечение среды «Matlab», методы и средства объектно-ориентированного программирования.

Практическая ценность работы:

1. Предложена структура системы распознавания автомобильных номеров с помощью нейронной сети.

2. Предложен способ выделения номерного знака из изображений.

3. Предложен способ выделения символов из номерного знака.

4. Предложен способ распознавания символов с помощью нейронной сети, а также архитектура программного обеспечения для его реализации.

5. Предложена структура нейросети для системы распознавания типа линий с помощью нейронной сети.

В диссертации получены следующие новые научные результаты:

1. В рамках методики распознавания номерного знака автомобилей с помощью нейронной сети предложен, программно реализован и исследован оригинальный метод распознавания символов номерного знака с помощью моментных инвариантов.

2. Разработана методика и программное обеспечение для выделения векторов признаков функций линий и обучения нейронной сети с этими векторами.

3. Разработана методика и программное обеспечение для распознавания типа линий на основе нейронной сети.

Основные научные результаты, выносимые на защиту:

1. Предложенная методика и программное обеспечение для распознавания номерного знака автомобилей с помощью нейронной сети.

2. Предложенная методика и программное обеспечение для распознавания типа линий на основе нейронной сети.

Данная диссертационная работа состоит из введения, четырех глав, заключения, списка литературы.

Выводы раздела 4.

1. Разработанный подход выделения номерного знака из изображения позволяет выделять области-кандидаты номерного знака независимо от его формы и качества изображения.

2. Разработанный поход выделения символов успешно может эффективно выделять символы из изображения номерного знака.

3. Разработанный поход распознавания символов успешно может распознавать символы в номерном знаке.

4. Показана принципиальная возможность решения задачи распознавания типов нелинейных функций для представления контуров объектов на основе нейросетей.

5. Предложенная методика и разработанная программная система для распознавания типов нелинейных функций для представления контуров объектов на основе нейросетей позволяет существенно сократить время необходимое на ее распознавание по сравнению с традиционной реализацией.

Заключение

.

К основным результатам данной диссертации относятся следующие:

1. В диссертации исследованы распознавание и анализ объектов на изображении с помощью нейронной сети для двух, часто встречающихся на практике, задач.

2. В диссертации предложена методика, которая предполагает распознавание номерного знака автомобиля. В качестве основы для обработки изображении, предложено использовать библиотеку обработки изображений среды Matlab.

3. С целью создания системы распознавания объектов на изображении разработан подход к выделению областей-кандидатов номерного знака из изображения.

4. Предложена методика устранения некорректных областей-кандидатов номерного знака автомобилей.

5. Предложена методика выделения символов (букв и цифр) из областей-кандидатов номерного знака автомобилей.

6. Предложена методика распознавания символов (букв и цифр) номерного знака автомобилей на основе нейросети.

7. Предложены и разработаны методы, алгоритмы и программный комплекс, которые могут использоваться в распознавании номерного знака автомобилей.

8. В диссертации предложен новый оригинальный подход к распознаванию типов линии с помощью нейронной сети.

9. Для реализации данного подхода предложена топология нейросети.

10. Предложена методика обучения нейронной сети для распознавания типов линии, для чего предложен и разработан математический аппарат формирования вектора признаков с помощью эквидистантных плеч.

11. Предложена архитектура программного комплекса, реализующего предложенную методику обучения нейронной сети для распознавания типов линий.

Показать весь текст

Список литературы

  1. Low, Adrian. Introductory Computer Vision an Image Processing. McGraw Hill. 1991
  2. Форсайт, Дэвид А., Понс, Жан. Компьютерное зрение. Современный подход.: Пер. с англ. М.: Издательский дом «Вильяме», 2004.: ил, — Парал. Тит. англ.
  3. Роберт Хехт-Нильсен. Калифорнийский университет, Сан-Диего. Нейрокомпьютинг: история, состояние, перспективы, (http://www.osp.ru/os/1998/04/03.htm)
  4. Kulkarni, Arun D. «Computer vision and fuzzy-neural systems.» Prentice Hall 2001, ISBN 013−570 599−1
  5. Р.Гонсалес, Р.Вудс. Цифровая обработка изображений.: Пер. с англ. М.: Техносфера, 2005.- 1072с.
  6. Дж. Ту, Р. Гонсалес. Принципы распознавания образов. Пер. с англ. М.: Мир, 1978., ил.
  7. У. Лекции по теории образов: Регулярные структуры. Пер. с англ. М.: Мир, 1983. ил.
  8. С. Короткий, Нейронные сети: алгоритм обратного распространения. (www.orc.ru/~stasson/neuroe.html)
  9. B.C., В.Г. Потёмкин. Нейронные сети MATLAB 6/ Под общ. Ред. к.т.н. В.Г. Потемкина. -М.: ДИАЛОГ-МИФИ, 2002.-496 с.-(Пакеты прикладных программ- Кн. 4).
  10. Anil К. Jain, Jianchang Мао, К.М. Mohiuddin. Artificial Neural Networks: A Tutorial, Computer, Vol.29, No.3, March/1996.
  11. R.P.Lippmann, «An Introduction to Computing with Neural Nets», IEEE ASSP Magazine, Vol.4, No.2, Apr. 1987
  12. В. В. Круглов, В. В. Борисов, Искусственные нейронные сети. Теория и практика. М: Горячая линия — Телеком, 2001.20. Ежов А. А., Шумский С.А.
  13. Нейрокомпыотиг и его приложения в экономике и бизнесе (серия «Учебники экономико-аналитического института МИФИ» под ред. Проф. В.В. Харитонова). -М.: МИФИ, 1998.-224 с.
  14. N. Otsu. «A Threshold Selection Method for Gray Level Histograms». IEEE Transactions on System, Man and Cybernetics. January 1979.
  15. V. Turchenko, et al. «Smart Vehicle Screening System Using Artificial Intelligence «, IEEE Conference on Homeland Security, May 7−8,2003.
  16. Уоссерман Ф,. Нейкомпьютерная техника: Теория и практика: Перевод с англ., -М.: Мир, 1992 г
  17. Richard P. Lippmann, An Introduction to Computing withNeural Nets, IEEE Acoustics, Speech, and Signal ProcessingMagazine, April 1987.
  18. Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.
  19. Alain Petrowski, Gerard Dreyfus, Claude Girault, Performance Analysis of a Pipelined Backpropagation Parallel Algorithm //IEEE Transactions on Neural Networks, Vol.4, N6, 1993.
  20. H.A.Malki, A. Moghaddamjoo, Using the Karhunen-Loe've Transformation in the Back-Propagation Training Algorithm //IEEE Transactions on Neural Networks, Vol.2, N1,1991.
  21. Harris Drucker, Yann Le Cun, Improving Generalization Performance Using Backpropagation //IEEE Transactions on Neural Networks, Vol.3, N5, 1992.
  22. Bernard Widrow, Michael A. Lehr, 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline, and Backpropagation //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.
  23. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.
  24. Sankar K. Pal, Sushmita Mitra, Multilayer Perceptron, Fuzzy Sets, and Classification //IEEE Transactions on Neural Networks, Vol.3, N5,1992.
  25. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.
  26. E. Монахова, «Нейрохирурги» с Ордынки, PC Week/RE, № 9,1995.
  27. E.H. Соколов, Г. Г. Вайткявичус. Нейроинтеллект от нейрона к нейрокомпьютеру. М., Наука, 1989.
  28. Vernon, David. Machine Vision: Automated Visual Inspection and Robot Vision. Prentice Hall. 1991
  29. Davies, E.R. Machine Vision: Theory, Algorithms and Practicalities. Academic Press. 1990
  30. Aiteanu, D.- Ristic, D.- Graser, A. «Content based threshold adaptation for image processing in industrial application». Control and Automation, 2005. ICCA apos-05. International Conference on Volume 2, Issue, 26−29 June 2005 Page (s): 1022 1027 Vol. 2.
  31. Valveny, E.- Lopez, A. «Numerical recognition for quality control of surgical sachets». Document Analysis and Recognition, 2003. Proceedings. Seventh International Conference on Volume, Issue, 3−6 Aug. 2003 Page (s): 379 383 vol.
  32. Green, Bill. Edge Detection Tutorial (http://www.pages.drexel.edu/~weg22/edge.html)
  33. E. W. Brown, «Character Recognition by Feature Point Extraction», Northeastern University internal paper, 1992
  34. Pitas. Digital Image Processing Algorithms. Prentice Hall Int., 1993.
  35. R.C.Gonzalez, R.E.Woods. Digital Image Processing. Addison-Wesley Publ. Сотр., 1992.
  36. У. Цифровая обработка изображений: М.:"МИР» в 2х т. 1982
  37. Р., Харт П. Распознавание образов и анализ сцен (пер. с англ.): М.: «МИР», 1976
  38. Д.К. Методы и устройства анализа изображений: Рукопись канд. дисс., 1994
  39. П.А., Колмогоров Г. С. Сегментация изображений: методы выделения границ областей: Зарубежная радиоэлектроника № 10,1987
  40. Р. От поверхностей к объектам. Машинное зрение и анализ трехмерных сцен: -М.:Р. и С. 1993
  41. И.В., Попов П. Н., Чепин Е. В. Разработка библиотеки функций обработки изображений: Пенза, Материалы 2-й Международной научно-технической конференции, 1996
  42. В. Калинин Г. Обработка изображений на языке СИ для IBM PC: — М.: «МИР», 1994
  43. В. Популярные форматы файлов для хранения графических изображений на IBM PC: — М.: «Унитех», 1992
  44. А. И., Кирсанов Э. Ю. Нейронные системы памяти, Под общ. ред. Левина В. К.: ил., -М. Изд-во МАИ 1991
  45. А. И., Фомин Ю. И. Нейронные структуры как линейные последовательные машины.- Под общ. ред. В. К. Левина. -М. Изд-во МАИ 1991
  46. А. И., Теория нейронных сетей.: -М.:ИПРЖР, 2000.
  47. А. И., Шмид А. В., Оптимизация структуры многослойных неронных сетей с перекрестными связами. Нейрокомпьютер научно-технический журнал № 3,4. Москва. 1992 г.
  48. В. В., Нейросетевая система распознавания иероглифов. Нейрокомпьютер научно-технический журнал № 1,2. Москва. 1995 г.
  49. А.А., Хасин Б. Б., Чепин Е. Б., Библиотека функций предобработки изображений для нейрокомыотера. III Всероссийская конференция «Нейрокомпьютеры и их применение» Москва. 1997 г.
  50. Фу К. Последовательные методы в распознавании образов и обучении машин. Перевод с англ., -М.: Издательство «Наука». 1971 г.
  51. Е. А, Островский В. И., Фадеев И. Л.,. Обработка изображений на ЭВМ. -М.: Радио и связь, 1987. 240с.:ил.
  52. . В., Курганов В. Д., Злобин В. К. Распознавание и цифравая обработка изображений: учеб. Пособие для студентов вузов. М.: Высш. Шк., 1983. — 295с. Ил.
  53. А. Н., Чернявский А. Ф., Афанасьев Г. К. и др.- Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение). -Л.: Машиностроение. Ленингр. Отд-ние, 1988. 424 е.: ил.
  54. Michael A. Arbib. The handbook of brain theory and neural networks. The MIT Press. ISBN 0−262−1 197−2/
  55. Colin Fyfe. Artificial neural networks. The university of Paisely press. Edition 1.1. 1996.
  56. James A. Freeman, David V. Skapura. Neural networks algorithms, applications and programming techniques. Adddison-Wesley Publishing Company, Inc. ISBN 0−201−51 376−5. 1991.
  57. Simon Haykin. Kalman filtering and neural networks. A. Wiley-Interscience Publication, John Wiley & Sons, Inc. ISBN 0−471−22 154−6
  58. Gerhard X. Ritter- Joseph N. Wilson. Handbook of Computer Vision Algorithms in Image Algebra CRC Press, CRC Press LLC. ISBN: 849 326 362. Pub Date: 05/01/96
  59. Valium B. Rao. С++ Neural Networks and Fuzzy Logic. M&T Books, IDG Books Worldwide, Inc. ISBN: 1 558 515 526. Pub Date: 06/01/95.
  60. Richard O. Duda, Peter E. Hart, David G. Stork. Pattern Classification (2nd Edition). A. Wiley-Interscience Publication, John Wiley & Sons, Inc. ISBN: 471 056 693. 2000.
  61. P. S. Neelakanta- Dolores DeGroff. Neural Network Modeling: Statistical Mechanics and Cybernetic Perspectives. CRC Press, CRC Press LLC. ISBN: 849 324 882. Pub Date: 07/01/94.
  62. Sing-Tze Bow. Pattern recognition and image preprocessing. Marcel Dekker Inc. ISBN: 8 247−0659−5.2002.
  63. Dana H. Ballard, Christopher M. Brown. Computer Vision. Prentice Hall. 1982. ISBN 131 653 164.
  64. J.P. Marques de Sa. Pattern Recognition: Concepts, Methods and Applications. Springer- 1 edition (October 2,2001). ISBN 3 540 422 978.
  65. А.И. Нейрокомпьютеры в биометрических системах. -М: «Радиотехника» 2007
  66. А.И. Теория нейтронных сетей: Учеб. пособие. М.: Радиотехника, 2000.
  67. В. В., Дли М.И. Годунов., Р. Ю. Нечетная логика и искусственные нейронные сети. М: Горячая линия — Телеком, 2001.
  68. Фу К. Структурные методы в распознавании образов. Перевод с англ., -М Издательство «Мир». 1977 г
  69. К. Введение в статистическую теорию распознавания образов. Перевод с англ., -М.: Наука. 1979 г.
  70. JI. Распознавание образов. (Исследование живых и автоматических распознающих систем) Перевод с англ., -М. Издательство «Мир». 1970 г
  71. Y. Т., Chellappa R., Jenkins В. K. A novel approach to image restoration based on a neural network. Proceedings of the International joint Conference on Neural Networks, San Diego, vol.4, pp. 269−276.1988.
  72. Kulkani, A. D. Neural networks for image restoration. Proceedings of the ACM 18th Annual Compute Science Conference, Washington, DC, pp. 373−378. 1990.
  73. Ozkan M. et al., Multispectral magnetic resonance image segmentation using neural networks. Proceedings of the International joint Conference on Neural Networks, San Diego, vol 1. pp. 429−434.1990.
  74. Kulkani, A. D. Neural networks for pattern recognition. Progress in neural networks, vol 2, edited by 0. Omidvar, pp. 197−219, New York: Ablex. 1991.
  75. Widrow В., Winter, R., Neural nets for adaptive filtering and adaptive pattern recognition. Computer, vol. 21, pp. 25−39.1988.
  76. Kulkani, A. D. et al., Neural networks for invariant object recognition. Proceeding of the Symposium on Applied Computing, Fayetteville, pp. 28−32.1990.
  77. Robert D. Dony, Simon Haykin. Image compression using a neural network. Proceeding of. IGARSS'88, Edinburgh, Scotland, September 13−18 1988, pp. 1231−1238.
  78. Ирина Пинчук, к.т.н., «Умное» видео охраняет лучше человека. (http://www.cnews.ru/reviews/free/techsec2006/articles/smart video. shtml)
  79. В.И. Каташкин, М. Г. Левахин, Е. В. Чепин «Об одном подходе к решению задачи опреде-ления вида эмпирической модели», Инженерно-математические методы в физике и ки-бернетике вып. 8. -М Атомиздат, 1979,-С.
Заполнить форму текущей работой

Сессия? Спокойно!