Б.М. Логинов - д.ф.-м.н., профессор, Калужский филиал МГТУ им. Н.Э. Баумана E-mail: bmloginov@kaluga.ru А.П. Коржавый - д.т.н., профессор, Калужский филиал МГТУ им. Н.Э. Баумана E-mail: fn2kf@list.ru Ю.С. Белов - к.ф.-м.н., доцент, Калужский филиал МГТУ им. Н.Э. Баумана E-mail: ybs82@mail.ru Р.В. Либеров - ассистент, Калужский филиал МГТУ им. Н.Э. Баумана E-mail: bmloginov@kaluga.ru

Выполнен обзор современных подходов в распознавании образов. Показано, что во многих работах предпочтение отдается нейросетевой парадигме, причем помимо традиционных искусственных нейронных сетей используются нейрологические, сверточные, гибридные и когнитивные сети. Приведены критерии оценки эффективности представленных систем распознавания, большинство из которых функционирует в жестких условиях по времени и производительности. Представлена модель системы анализа изображений, которая включает пять последовательных процедурных этапов. Рассмотрены методы нелинейной фильтрации для предварительной обработки изображений. Определен оптимальный размер «окна» фильтра. Продемонстрировано применение дискретного косинусного преобразования для сокращения размерности обучающей выборки, по результатам которого видно, что снижение размерности обучающей выборки не сказывается на информативности сигнала в силу того, что в обучающем векторе остаются значимые низкочастотные компоненты. В качестве классификатора использованы самоорганизующиеся карты Кохонена, которые дают качественные результаты за приемлемое время функционирования.

 

1. Магдеев Р.Г., Ташлинский А.Г. Эффективность идентификации объектов на бинарных изображениях с использованием процедур псевдоградиентной адаптации // Радиотехника. 2014. № 7. С. 96−102.
2. Прохоров М.Е., Рындин Ю.Г. Метод оценки качества распознавания космических объектов // Электромагнитные волны и электронные системы. 2010. № 12. С. 40−42.
3. Mengchen Liu, Jiaxin Shi, Zhen Li, Chongxuan Li, Jun Zhu, Shixia Liu. Towards Better Analysis of Deep Convolutional Neural Networks // IEEE Transactions on Visualization and Computer Graphics. 2017. V. 23. № 1. P. 91−100.
4. Винокуров И.В. Методика нейросетевого распознавания элементов регистрационного номера автомобиля // Электромагнитные волны и электронные системы. 2013. № 10. С. 40−45.
5. Lorenzo Seidenari, Giuseppe Serra, Andrew D. Bagdanov, Alberto Del Bimbo. Local Pyramidal Descriptors for Image Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. V. 36. № 5. P. 1033−1040.
6. Guang-Bin Huang, Hongming Zhou, Xiaojian Ding, Rui Zhang. Extreme Learning Machine for Regression and Multiclass Classification // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2012. V. 42. № 2. P. 513−529.
7. Станкевич Л.А. Распознавание последовательных образов на нейрологических сетях // Нейрокомпьютеры: разработка, применение. 2010. № 2. С. 52−58.
8. Новикова Н.М., Дуденков В.М. Распознавание изображений с помощью сверточной нейронной сети и нечеткого гибридного классификатора // Нейрокомпьютеры: разработка, применение. 2015. № 2. С. 43−47.
9. Есиков О.В., Сухарев Е.М., Алтухов А.В., Тарасов Е.А. Оценка эффективности методов и алгоритмов обработки графической информации и распознавания объектов мониторинга // Наукоемкие технологии. 2011. № 4. С. 54−61.
10. Уласень А.Ф., Коцур Г.А. Методика оценки эффективности системы распознавания объектов по их оптическим изображениям // Наукоемкие технологии. 2011. № 5. С. 45−49.
11. Zongyong Cui, Zongjie Cao, Jianyu Yang, Jilan Feng, Hongliang Ren. Target recognition in synthetic aperture radar images via non-negative matrix factorization // IET Radar, Sonar & Navigation. 2015. V. 9. № 9. P. 1376−1385.
12. Конуркин В.А. Распознавание объектов в условиях ограниченных ресурсов // Информационно-измерительные и управляющие системы. 2010. № 6. С. 50−52.
13. Jan Flusser, Sajad Farokhi, Cyril Höschl, Tomáš Suk, Barbara Zitová, Matteo Pedone. Recognition of Images Degraded by Gaussian Blur // IEEE Transactions on Image Processing. 2016. V. 25. № 2. P. 790−806.
14. Уласень А.Ф., Киселев К.В. Способ полимодельного распознавания объектов по изображениям с применением искусственных нейронных сетей // Наукоемкие технологии. 2011. № 1. С. 31−35.
15. Hayet Boughrara, Mohamed Chtourou, Chokri Ben Amar, Liming Chen. Face recognition based on perceived facial images and multilayer perceptron neural network using constructive training algorithm // IET Computer Vision. 2014. V. 8. Is. 6. P. 729−739.
16. Hongsheng He, Zhenzhou Shao, Jindong Tan. Recognition of Car Makes and Models From a Single Traffic-Camera Image // IEEE Transactions on Intelligent Transportation Systems. 2015. V. 16. № 6. P. 3182−3192.
17. Bing Li, Weihua Xiong, Ou Wu, Weiming Hu, Stephen Maybank, Shuicheng Yan. Horror Image Recognition Based on Context-Aware Multi-Instance Learning // IEEE Transactions on Image Processing. 2015. V. 24. № 12. P. 5193−5205.
18. Сергин А.В. Компьютерная модель распознавания: концепция объемлющих сенсорных характеристик // Нейрокомпьютеры: разработка, применение. 2015. № 8. С. 33−39.
19. Yu Zhang, Jianxin Wu, Jianfei Cai. Compact Representation of High-Dimensional Feature Vectors for Large-Scale Image Recognition and Retrieval // IEEE Transactions on Image Processing. 2016. V. 25. № 5. P. 2407−2419.
20. Савченко А.В., Милов В.Р. Нейросетевые методы распознавания кусочно-однородных объектов // Нейрокомпьютеры: разработка, применение. 2014. № 11. С. 10−20.
21. Козлов П.В., Южаков А.А. Применение нейронной сети на основе когнитронов для распознавания образов // Нейрокомпьютеры: разработка, применение. 2014. № 12. С. 57−64.
22. Баранов В.Г., Милов В.Р., Зарипова Ю.Х., Эпштейн А.Ю. Интеллектуализация системы распознавания образов на основе сравнения эффективности методов классификации // Информационно-измерительные и управляющие системы. 2010. № 2. С. 35−39.
23. Колючкин В.Я., Нгуен Конг Минь, Чан Тиен Хай. Алгоритмы обработки изображений в системах машинного зрения роботизированных производственных линий // Нейрокомпьютеры: разработка, применение. 2014. № 3. С. 44−51.
24. M. Abedini, N.C.F. Codella, J.H. Connell, R. Garnavi, M. Merler, S. Pankanti, J.R. Smith, T. Syeda-Mahmood. A generalized framework for medical image classification and recognition // IBM Journal of Research and Development. 2015. V. 59. № 2/3. P. 1:1−1:18.
25. Ilias Maglogiannis, Haralambos Sarimveis, C.T. Kiranoudis, Aristotelis A. Chatziioannou, Nikos Oikonomou, Vassilis Aidinis. Radial Basis Function Neural Networks Classification for the Recognition of Idiopathic Pulmonary Fibrosis in Microscopic Images // IEEE Transactions on Information Technology in Biomedicine. 2008. V. 12. № 1. P. 42−54.
26. Соловьёва З.О., Ильин В.К., Носовский А.М. Технологии обработки данных при анализе изображений микробных клеток // Технологии живых систем. 2010. № 2. С. 38−43.
27. Соловьёва З.О., Скедина М.А., Ильин В.К., Верденская Н.В. Распознавание образа микробных клеток в системе автоматического анализа // Технологии живых систем. 2011. № 4. С. 50−55.
28. Коржавый А.П., Логинов Б.М., Логинова М.Б., Белов Ю.С. Исследование свойств полимерных композиционных материалов на основе углеродных волокон и нанотрубок // Наукоемкие технологии. 2014. Т. 15. № 2. С. 47−59.
29. Fedoseev I.V., Korzhavyi A.P., Maramygin K.V. Formation of diamonds and other carbon phases upon the destruction of palladium carbonyl clusters // Russian Journal of Inorganic Chemistry. 2013. V. 58. № 12. P. 1443−1445.
30. Бокуть Л.В. Распознавание и классификация объектов полутоновых изображений на основе модифицированного корреляционного отношения // Электромагнитные волны и электронные системы. 2009. № 7. С. 70−81.