CC BY
52
УДТС 004
МОДЕЛЬ ФОРМИРОВАНИЯ ПРИЗНАКОВ ОБЪЕКТОВ, ПРЕДСТАПЛРННЫ X В ВИДЕ ИЗОБРАЖЕНИЙ
Н. М Мирзаев
Цькгнр 'игцтЫнпги гцшыачинглх нроНукчшр п пгжнцптнн-щмч'.уиммкых кпыпнк<х:ан, з, Ташкент, Рвсгуюлика Узбекистан
Лнноишшш — Одний и* ик1\;|.1ьныл ¿.иач в ии.ш'ш расиодочьлыим иСр:иии мьмнеим едлчл вьиьле-ппя прзгшлкгш объектов, прслстлвлсппых в впдс изображении. Оспсвиал uc.il работы заключается б определении набора числовых характеристик распознаваемых объектов. Для достижения ланнсп пели
ji.iф.п'иi лн,i модель фирмириклнии мришимж иГжныпж, мредпнк iphhkix h кидр и^иГ^ижений, к кпициш предусмотрено вычисление различных численных характеристик для каждого фрагмента »сходного изображения. Отличительная особенность рассматриваемого подхода заключается в формировании набора предпочтительных признаков, упрощающих процесс построения экстремального алгоритма при распознавании образов, пред ста ил сип lis; в виде изображений. Для проверки работоспособности предло женнои модели решена задача распознавания личности по изображению липа. Результаты проведенных экспериментов показывают, что применение предложенных моделей формирования признаков позволп-.111 ikikkii'iii k ШЧНШ'1К |iariiiKHHiciHHH шчнипи но и отражении) .1И11И. иГ: киснме i rw I им, чш кмди-
.1рнны1- iijiii sh:ikii МК.1ИКИГМ лучшим» среди нмчнг iphhkik ii{i>hh;iki№ ikiiÎijmvm'Hiih.
Ключевые слоев: распознавание образов, сильносвязанные признаки, репрезентативные признаки, предпочтительные признаки, бг.зооые фрагменты изображений.
I. Dbehehhe
Исходными данными. характеризующими состояние и поведение объекта в широком классе интеллектуальных систем управлеши. является информация, представлеппая d виде нзебражеши:. Причем эк. информация может быть в виде двухцветного. конгурного. полутонового нпт цветного изображения [1-4).
Ичнгггно, 4111 к к И ».дим ktlHKJICI hov1 случиг ViriXVIKI рИСНОЧНИКИНИХ llfïkr-kiok. 1111г,ц-гяк.1гнныч h кндг m«lfi-
ражений. будут различные. Однако основные задачи. возникающие при проектировании систем распознавания, в содержательном плане не отличаются [5. 6]:
1. Выделение npm:iaKOD объекта на исходном нзосражешш с помощью метсдоо обоабопш и анализа нэоб ражений. D результате формируется вектор признаков. хлракгернз>тсших объект на исходном изображении.
7. ОирГДГ-ПГННГ НиГч)|К1 Инф()?)М/11ИК-1ЫХ ||])№НИК(1К И ГНИ ЖГНИК ]ШМГ])НП- I и кгкшрон пржнакок
3. Нахождение экстремальных алгоритмов, необходимых для классификации объектов, представленных в виде нзосраженнн.
При этом, если d рамках некоторых математических моделей удалось формализовать задачу определения информативных признаков [4. 7. 8] и отыскания экстремального алгоритма распознавания [4.5-11]. то задача
кыдглгниу ири.чнлнок кгг мцг (итггп я тюхи формализуемой и -икиги г кик iti мишшики рлгчрипепчикпк, чик и от предметной области. Поэтому задача, связанная с выделением признаков объектов, представленных в ввде изображений, является актуальной.
Анализ литературных источников по расиозпаоапшо образов показывают, что развитие методов н алгорит
мок кмдглгним ll]jv4h-1h)k ногкг чнрш i ичсскии хярймгр и ОрИГН1И]Х1К;1н(1 ни рпнениг mh-kjiti h-.ix i ijt иклидн kix
задач. Ценность предлагаемой модели определяется, прежде всего, постигнутыми экспериментальными результатами.
Цель исследования состоит э разработке и исследовании модели выделения щшзшеоо, основанных па ме тодс пофрагментного анализа, при распознавании объектов, представленных з виде изображений.
Для достижения указанной цели поставлены следующие задачи исследования:
1) разработать модель выделения признаков объектов, представленных в виде изображений:
2) провести экспериментальные исследования для оценки работоспособности предложенной модели при распознавании личности по изображению лица.
В научном плане результаты данной работы представляют собой новое решение научной задачи, связанной с выделением признаков на основе метода пофрагментного анализа при распознавания объектов, представленных в виде изображений. Практическая значимость полученных результатов заключается в том, что разработанные модели могут сыть применены при решении прикладных задач, связанных с распознаванием объектов, поедстаглешгых в ввде пзображешш (например, при ндептифшащни личности по фотопортрету).
П. Постановка задачи
Рассмотрим множество допустимых обьектсв % предсгавле1шых в виде изображений. Пусть каждому долу стнмому объекту 5 (5 С 50 соответствует определенная матрица. Множество матриц, соответствующих всем докупимым шк«1ям, ничокгм иропринпком ис ходных причникон и оГхмничим ï £ — [t^J^x*- Тсмд?»
каждому объекту 5 (5 G Е пространстве исходных признаков сЕ соответствует описание (матрица числовых характеристик) объекта ^¿(У) —
Пустъ дано множество допустимых методов Ж, ориентированных на извлечение признаков из элементов о и мргдиьглы V оиргдг-лгнныг ни oGm-ktïix 3 П[:и :гшм ^г^ниигипти, чга мнпжеггко Зсчнтпжг ич / нгигрг-се:<аюшихся подмножеств Ки ...,Kr ...,Kf: S - \У}=уК. и К, [\К} — 0 при г^) (i,?G {1,2,..., ? }). Разбиение Г> определено не полностью, а имеется некоторая априорная информация 1о- заданная в виде класснфипирсванных обьектсв.
Рассмотрим совокупность объектов нз = {5Х, ...,5^,}. Введем следующее обозначение:
К; = 5"' Г\Kj.CKj = Тогда априорную информацию можно задать е виде 1<> = (< $1,<г(5х] >,...,<
5Ы, 5{5М) >.< 5т, 5(5,„) >}. где <*(5Ы) — информлпконный вектор объекта 5и (5„ 6 3): п(Яи) — («И1, ...,яиу, Здгск - :«1ячрни(*|ц|рдика1я, иигкицппг.ку^киций нид
«м-1'™"5-"} ' [о,если 5., * А'..
Следует отметигь. что некоторые методы и,- (д, € ЛГ) требуют. что исходными данными об объекте 5 (5 С 3) должна быть матрица размером ЛXIV [для полутонового изображения) X = Дтя определения
матрицы Л' по матрице X можно использовать следующую формулу [12]
= 0.299К?,,, + 0.5874, + 0.1143:,%.
С применением к (и — |>Г|) различных методов фирмируегся набор признаков. д, (5) — л.- (д,- £ Ж Л € [1,и]) ^ рксулкгатг фимгчгнии не гх дпиуггнммх мпмдон (' — 1,и) ня проичколкный /кшусгиимй оГ)К-ект определяется -мерный вектор признаков. Множество векторов. соответствующих всем допустимым объек-гам, ни.чокгм и|мм'.||1инс:1к»и иричнлкок и (Лнначим чгргч 7\ X — (х,,..., х^ ..., х,() Тш /и каждому пбкгк гу ^ (5 е 3) в пространстве признаков X соответствует описание объекта Таг СО:
&СЯ = С«1..........О-
Задача состоит в построении такого оператора, который позволяет сформировать набор признаков, характеризующих каждый класс объектов:
$(*(*)) = = («ц .....
где $ - оператор. отооражакигии исходное изображение з набор признаков.
Определение набора цртналов исущсспзлхсаоя но задсш.-шй .-зачальнок информации Ео на основе исходных изображении рассматриваемых объектов. При этом требуется чтобы зги признаки достаточно харак-теризовали различия объектов, принадлежащих различным классам, и позволяли опенитъ сходство объектов, принадлежащих одному- и тому же классу.
ш. Метол решения
В работе рассмотрен ооебщенный подход к решению задача выделения признаков объектов, представленных в виде изображений, для их распознавания: На базе этего подхода предложена модель выделения признаков объекта, представленного в виде изображения Ос нов на! идея предлагаемой модели состоит в формировании пространства независимых 'или слабо зависимых) признаков при распознавании объектов, представленных в впде изображении.
Предлагаемая модель выделения признаков объектов, представленных е бпдс изображении, включает следующие основные этапы
1. Формирование опорных подмножеств исходных гпоорагхстгн. Первым этапом задашь модели алго ритмов является формирование системы спорных подмножеств походных признаков Е = {2х.....2^}), зависящей от параметра /» (/с- кь X /си.. где кп - чпело делений изображения по высоте; к.А, - плело делений пзобра ження по ширине) [13]. Данный параметр является мощностью опорных подмножеств. Требуется, чтобы мощность всех подмножсс1Е была одинаковая.
В результате выполнения данного этапа формируется к одинаковых прямоугольных фрагментов. Ьслн размерность исходного изображения составляет пл X пл. пикселей, то полученные фрагмента изображения будут состоять нз Ш}, X тПд,, (гпл = п^/к^. тч: = п.л /к^) пикселей. При наличии остатков от деления размеры фрагментов изображения увеличиваются аа один пиксель, начало остальных сдвигается влево (вверх) не один пиксель.
Э зависимости от способа формирования системы базовых фрагментов = 1, можно получить разнообразные алгоритмы выделения при знаков
2. Определение наборе признаков объектов. Па данном этапе формируется набор признаков. Выбор того или иного метода определения признаков зависит как от предметной области, так и от команды разработчиков, реализующих методы и алгоритмы выделения признаков при создании системы распознавания объектов, представленных в виде изображений
Э настоящее время накоплен определенный опыт в результате решения ряда практических задач в различных областях с нспользовонпем методов распознавания образов к цифровой обработки изображений.
Анализ отечественных и зарубежных пуоликацнй. освещающих различные аспекты накопленного опыта н отражающих современное состояние проблем компьютерного зрение, позволяет выделить основные подходы выделения признаков, которые успешно применяются в задачах описания и распознавания изображений [1 4. 12.14].
В речулгчтате кыго.лнения данного зга па получаем набор признаков хяраятеричирующих объект ка ичобра-
+ГННИ Слх ТЛК .»ТИХ ПрИЧНЛКМК ЧЯКИГИТ СП' Ш11ЦН1К~ГИ М НОЖ 1*1* I Кй ДОПУСТИМЫХ МГГОДОН (1и]гдк1кния 1фИ:<НИМЖ,
используемых в данной предметной области.
3. Выделен не подмножеств сильное вязанных признаков. 11а этом этапе определяется система независимых^ подмножеств признаков, состав которой буаст зависеть от параметра п . Задазая различные целочисленные значения этому- параметру, получим различные алгоритмы. Значение параметра п' определяется на основе анализа исходных данных. и в иекотсрых случаях можно задавать априорно.
В зависимости от способа задания меры близости между подмножествами сильпосвязашшх признаков (Л,, и Х1у) и функционала качества разделения можно получить разнообразные алгоритмы выделения независимых множеств сильное вязанных признаков.
В результате выполнения данного этапа определяется совокупность «независимых» подмножеств енльио-связанных признаков ТУ = Число выделенных подмножеств будет зависеть от параметра п.
Задавая этому параметру раз.личные целочисленные значения, можно получеть различные алгоритмы.
4. Определение репрезентативных признаков е каждом подмножестве характерных снлъносвязанных
щчкнчкик. Ни чти -лине ИЧ КИ*.д1)М1 I одмнижпчки СИЛКНОГНХНаННЫХ ИрИЧНЯМЖ 011рГ,|ГЛМГ11'.И «дин г*дин1*1кгн-
ный признак Основная идея выбора репрезентативных признаков заключается в их различии (несходстве} в формируемом наборе репрезентативных признаков. 3 процессе формирования набора репрезентативных признаков требуется, чтобы каждый выделенный признак сыл типичным представителем своего подмножества сильное вязанных признаков. В результате выполнения данного этапа получаем сокращенное пространство признаков. размерность которого намного меньше исходного п' (п' < п).
5. Определение нредночипчнелъиых признаков. Рассмотрим репрезентативные признаки х1,...,х определенные па предыдущем этапе. Выбор из них предпочтительного прпзпака осуществляется на основе опепки доз-пшаптностн рассматриваемого признака, которая разделяет объекты, прзшадлежапше множеству Ь'"1, на два подмножества К'■. и С К у.
с* т* 9
_ л'= ' 7=1 ' йа<]' 1 в ¡и)
где N1 = {т,^ 1) | т7(т?. 1))/2,Л? = т, X тъгщ = Щ,тх =
Чем меньше величина . тем большее предпочтение получает соответствующий признак при разделении обье-стсв. принадлежащих К{. Если два н более признака получают одинаковое предпочтение, то выбирается любой ш них. При вычислении 1Ч1} предполагается, что !> и Ь'и - разные объемы (т.е. 5 ^ Л'и).
В результате выполнения данного этапа определяются предпочтите.тьньк признаки на основе анализе репрезентативных признаков, принадлежащих рассматриваемому классу Щ. Набор предпочтительных признаков
иГкННЛНИПГМ ДдКСК ИНДтС. / ИОДЧГ^ЖНКЛП, 4111 ,1|*ННОГ МНПЖГСТМ) 11|)ИЧНБ1МОК ЖКПМПСМ иррдинн I И1ГЛК-
иым при распозиавашш объектов, принадлежащих классу К}. Таким образом, па данном этапе формируется множество предпочтительных признаков л,- (/ = 1,к}):
Я) =
где {к^ -мешпоеп, множества предпочпгте.тыхш признаков
Таким образом, определена модель алгоритмов формирования прсстранства признаков объектов. Для оценки работоспособности рассмотренной модели проведены экспериментальные исследования
г\\ результаты экспериментов Исходными данными для рассматриваемо!-: задачи является выборка, состоящая из изображений различного размера разных людей. Количество классов в данном эксперименте равно трем Объем исходной выборки - 120 изображений лица (по 40 изображений каждого человека). Основным результатом данной статьи является мо-
КЫДГ.1ГП-И!« ПрНЧНИМЖ ИЧобрЛЖГННН ЛИЦ ТТ1Ч*'1|Х1ГНИГГ .1ИНН11Й М(\ДГ.1И КМПОЛНГНО К [ЖМКИХ МОДГ.1И I К»4 ритме НТНОГО анализа изображений [13]. Б пе.тях проверки работоспособности предложенной модели проведено экспериментальное исследование ири решении молельней залачи идентификации личности 1.0 изображению лица Модельная задача решалась с применением: 1) метода выделения геометрических признаков [15]: 2) метода главных компонент 1161; 3) предложенного метода зыделення прнзнакоз.
Сравнение полученных результатов показывает, что предложенная модель позволила повысить точность распознавания л:гшоетн по пзображеишо лица. Это объяс:тяется тем, что методы выделения геометрических пршнаков и главных компонент дают неустойчивые результаты при обработке изображении лиц различного размера.
V ОБСЛ-.КДРНИР РТЧУЛЬТАТПВ Разработанные ¿шоршмы выделении признаков отличакчел 01 других тем. что они основаны ни иршшш.е локального анализа изображений. Полому эти алгоритмы используются в том ату чае. когда нехшлые изображения имеют различные размеры. Одним из преимуществ предложенной модели является формирование набо-
pa репрезентативных признаков. описанных на третьем и четвёртом ее этапах. В процессе работы предлагаемая модель исключает признаки, повторяющие одну н ту же информацию, н обеспечивает выбор признаков. достаточно хорошо представляющих все те признаки, которые не содержатся в данном наборе [17] Кроме того, определяются предпочтительные признаки, которые улучшают точность распознавания на контрольных выбор-
VI. ВЫВОДЫ И ЗАКЛЮЧЕНИЕ
Задача формирования признаков объектов, представленных в виде изображений, является одной из центральных задач в проблеме обработки изображений и компьютерного зрения Несмотря на это. вопросы формирования признаков объектов, представленных в виде изображений, исследованы недостаточно.
Предложена модель формирования признаков объектов, представленных в виде изображений. Разработанная модель может быть использована при составлении различных программных комплексов, ориентированных на решение задач классификации объектов, представленных в внде изображений.
список литературы
1. Форсайт Д.. Понс Ж. Компьютерное зрение. Современный подход. М.: Вильяме. 2004. 928 с.
2. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: Бином. 2006. 752 с.
3. Вуде Р.. Гонзалес Р. Цифровая обработка изображений. М_: Техносфера, 2012. 1104 с.
4. Методы компьютерной обработки изображений / под ред. В.А. Сойфера. 2-е изд. М.: Физматлит. 2003. 784 с.
5. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир. 1978. 414 с.
6. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука. 1979. 368 с.
7. Камнлов М. М.. Фазылов Ш. X.. Ншпанов А. X. Метод выбора признаков с использованием критерия информативности Фишеров с кого типа 7 Проблемы информатики и энергетики. 1992. № 2. С. 9-12.
8. Жук Е. Е., Серикова Е. В. Эффективность пошагового днекрнмннантного анализа при выборе информативных признаков // Автоматика и телемеханика. 2005. № 11. С. 74-88.
9. Журавлев Ю. И.. Рязанов В. В . Сенько О. В. Распознавание. Математические методы Программная система Практические применения. М : Фазнс. 2006. 159 с.
10. Шлезингер М., Главач В. Десять лекций по статистическому н структурному распознаванию. Киев: На-укова думка. 2004. 535 с.
11 Duda R О.. Нагт Р. F. Stork D О. Pattern Clarification. New Yort: Wiley, 2001 680 p.
12. Pra tr W. K. Digital image proc essrng. New York: JOHN WILEY & SONS, 2001. 792 p.
13. Muznev N. M About one model of image recognition .7 Computer Technolog}- and Applications: Proceeding? The Fiiit Russia and Pacific Conference. Vladivostok, 2010. - P. 394-398. URL: ftp: //ftp.dvo ru pub RPC_2010/rpc2 01 Qdocs/
14 Садыков С. С., Огулов Н. Н. Методы и алгоритмы выделения признаков объектов в системах технического зрения М.: Горячая линия-Телеком, 2005. 204 с
15. Фазылов HI. X [и др.] Об одном алгоритме выделения признаков лица человека на изображении 7 Социально - экономические и гехнико - технологические проблемы развития сферы услуг: сб науч. тр. Ростов-на-Дону. 2009. Вып. Б. ч 2. С. 350-360.
16. Фазылов III. X., Абдугафаров И. А.. Тухтасннов М.Т.. Решение задачи распознавания лица // Проблемы информатики и энергетики. 2003. № 3. С.49-55.
17. Kamilov М. М [etal] Estimates calculations algorithm? in condition of huge dimensions offeamires space// Problems of Cybernetics and Informatics (РСГ2012): Proceedings the 4tli International Conference. Baku. Azerbaijan, 2012. Vol. I P. 184-187.
