Система распознавания объектов, обеспечивающая работу бортовой системы технического зрения в реальном времени Н.И. Дмитриев, А.И. Ляпин, Е.Ю. Суворов,

Презентация:



Advertisements
Похожие презентации
Алгоритм анализа и принятия решения в задаче селекции объектов на изображениях наземных сцен Ю.Б. Блохинов, В.В. Гнилицкий, В. В. Инсаров, А.С. Чернявский.
Advertisements

Теоретические аспекты и приложения стереоскопических систем навигации, наведения и дистанционного зондирования местности Докладчик: д.т.н., профессор БЕЛОГЛАЗОВ.
Метод поиска лиц на изображениях по симметрии и лицевым признакам к.т.н. Варламов А.Д
Стрельников Константин МГУ им. М.В. Ломоносова, Лаборатория компьютерной графики и мультимедиа Быстрый алгоритм обнаружения.
Методы обработки графических изображений. Распознавание человека по изображению лица Плюсы: - не требуется специальное или дорогостоящее оборудование;
Система управления РТК Основная задача системы управления роботом – автоматизация деятельности человека-оператора. Составные части: Система технического.
1 Интеллектуальные алгоритмы обработки изображений для решения задачи распознавания в реальном времени бортовыми системами С.М. Соколов 1, А.А. Богуславский.
Модели принятия решений Задачи распознавания Детерминированный случай Распознавание при стохастических данных Показатели качества распознавания Оптимальный.
Исследование и разработка методов сегментации и обработки полутоновых изображений в медицинской области.
Лекция по предмету интеллектуальные информационные системы Искусственный интеллект в обработке изображений и распознавании образов на них Автор: к.т.н.
1 Обработка и анализ изображений в бортовых оптико-электронных системах Алпатов Б.А., Бабаян П.В., Костяшкин Л.Н., Романов Ю.Н. ФГУП Государственный Рязанский.
Обработка растровых изображений В лекции использованы различные материалы лаборатории Компьютерной Графики МГУ.
Идентификация человека на изображении Министерство образования и науки РФ Федеральное агентство по образованию КАЗАНСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ.
СИСТЕМЫ УПРАВЛЕНИЯ ПОДВИЖНЫМИ ОБЪЕКТАМИ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ МАШИННОГО ЗРЕНИЯ: ТРЕБОВАНИЯ, ПРОБЛЕМЫ, РЕШЕНИЯ В.В. Инсаров ФГУП Гос. НИИ авиационных.
ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Тарасюк Александр Евгеньевич СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ.
Введение в OpenCV МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Государственное образовательное учреждение высшего профессионального образования.
Тема исследование: Распознавание букв на изображении Группа: 10510/1 Киселев Павел.
ЛЭТИ'20061 Семантическая классификация JPEG изображений Результаты экспериментального исследования.
Д.В. Комаров, Ю.В. Визильтер, О.В. Выголов ФГУП «ГосНИИ Авиационных систем», Москва Разработка алгоритма автоматического.
Рандомизированные методы в задачах выделения целей на аэрофотоснимках Иванов Александр, 445 группа Научный руководитель: О.Н. Граничин.
Транксрипт:

Система распознавания объектов, обеспечивающая работу бортовой системы технического зрения в реальном времени Н.И. Дмитриев, А.И. Ляпин, Е.Ю. Суворов, А.А. Хрусталев ФГУП «ФНПЦ НИИИС им. Ю.Е. Седакова»

СРО предназначена для автоматического обнаружения и распознавания объектов и определения углового направления на объекты поиска в реальном времени

Метод обработки изображений и идентификации объектов

Предобработка изображений набором фильтров Задачи: – улучшение качества изображения, – повышение контраста объект поиска – фон, – подавление шумов. Пример набора фильтров: – восстанавливающий фильтр; – фильтр, выравнивающий освещение; – медианный фильтр.

Результаты работы алгоритма сегментации однородных областей а) Сезон – зима б) Сезон – весна в) Сезон – лето

Набор признаков классификации Полный набор признаков классификации K 1, K 2, …, K 17 Группа моментов K 1, …,K 7 Группа форм K 8, …,K 12 Группа яркостей K 13, K 14 Группа топологии K 15, …,K 17

Двухуровневый метод классификации ОСНОВНОЙ ЭТАП КЛАССИФИКАЦИИ Нейросетевое обнаружение трехслойным персептроном, обученным методом обратного распространения ошибки ПОДЭТАП УТОЧНЯЮЩЕЙ КЛАССИФИКАЦИИ Преобразования Уолша-Адамара g i – i-й элемент вектора признаков k – количество целеподобных образов, n – количество используемых масок базисных функций Уолша-Адамара.

Результат работы СРО – определение углового направления на цель в реальном времени, которое осуществляется путем: 1) обнаружения объекта поиска; 2) определения местоположения (координат) пиксела на цифровом изображении наблюдаемой сцены, соответствующего центру тяжести обнаруженного объекта поиска; 3) определения углового направления на цель путем пересчета в угловые размеры местоположения пиксела, соответствующего центру тяжести обнаруженного объекта поиска.

Основные достоинства системы распознавания объектов (СРО) для бортовой системы технического зрения: – устойчивость к яркостно-геометрической изменчивости наблюдаемых объектов и сцен, обеспечивающая работу в любое время суток, всепогодность и всесезонность; – быстродействие, обеспечивающее работу в реальном времени; – возможностью комплексирования информации, полученной в разных диапазонах длин волн.

Функциональная схема макета СРО

Основные результаты тестирования макета СРО Без уточняющей классификации: искомый объект обнаружен в 80% случаев, пропуск искомого объекта в 5% случаев, ложный захват в 15% случаев. При использовании уточняющей классификации: искомый объект обнаружен в ~95% случаев. Примеры тестовых изображений

полное время обработки 0,3 сек; (для формата 128×64) потребляемая мощность 10 Вт; масса 150 г; объем 0,1 дм 3. Разработанный макет СРО имеет следующие достоинства: – высокая вероятность правильного обнаружения и распознавания объекта поиска; – работа в реальном времени; – малые массогабаритные характеристики, обеспечивающие возможность использования в бортовых системах. Основные технические характеристики макета СРО: