Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень

У статті розглянуто метод паралельно-ієрархічного перетворення на основі популяційного кодування та його застосування для задач розпізнавання зображень. Паралельно-ієрархічне перетворення описується як системна модель для розпізнавання зображень. Наведені теоретичні відомості, експериментальні до...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2008
Автори:	Тимченко, Л.І., Мельніков, В.В, Кокряцька, Н.І., Івасюк, І.Д., Кокряцька, І.С.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2008
Теми:	Распознавание образов. Системы цифровой обработки сигналов и изображений
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/6979
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень / Л.І. Тимченко, В.В Мельніков, Н.І. Кокряцька, І.Д. Івасюк, І.С. Кокряцька // Штучний інтелект. — 2008. — № 3. — С. 353-362. — Бібліогр.: 9 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-6979
record_format	dspace
spelling	irk-123456789-69792010-03-23T12:02:15Z Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень Тимченко, Л.І. Мельніков, В.В Кокряцька, Н.І. Івасюк, І.Д. Кокряцька, І.С. Распознавание образов. Системы цифровой обработки сигналов и изображений У статті розглянуто метод паралельно-ієрархічного перетворення на основі популяційного кодування та його застосування для задач розпізнавання зображень. Паралельно-ієрархічне перетворення описується як системна модель для розпізнавання зображень. Наведені теоретичні відомості, експериментальні дослідження і програмна реалізація. В статье рассмотрен метод параллельно-иерархического преобразования на основе популяционного кодирования и его применение для задач распознавания изображений. Параллельно-иерархическое преобразование описывается как системная модель для распознавания изображений. Приведены теоретические сведения, экспериментальные исследования и программная реализация. In this article researched parallel-hierarchical transformation method based on popular coding and its using for images recognition tasks. Parallel-hierarchical transformation is descript as the system model for images recognition. Leading up theoretical information, experimental researching and program realization. 2008 Article Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень / Л.І. Тимченко, В.В Мельніков, Н.І. Кокряцька, І.Д. Івасюк, І.С. Кокряцька // Штучний інтелект. — 2008. — № 3. — С. 353-362. — Бібліогр.: 9 назв. — укр. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/6979 658.012:681.32:621.38 uk Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Распознавание образов. Системы цифровой обработки сигналов и изображений Распознавание образов. Системы цифровой обработки сигналов и изображений
spellingShingle	Распознавание образов. Системы цифровой обработки сигналов и изображений Распознавание образов. Системы цифровой обработки сигналов и изображений Тимченко, Л.І. Мельніков, В.В Кокряцька, Н.І. Івасюк, І.Д. Кокряцька, І.С. Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень
description	У статті розглянуто метод паралельно-ієрархічного перетворення на основі популяційного кодування та його застосування для задач розпізнавання зображень. Паралельно-ієрархічне перетворення описується як системна модель для розпізнавання зображень. Наведені теоретичні відомості, експериментальні дослідження і програмна реалізація.
format	Article
author	Тимченко, Л.І. Мельніков, В.В Кокряцька, Н.І. Івасюк, І.Д. Кокряцька, І.С.
author_facet	Тимченко, Л.І. Мельніков, В.В Кокряцька, Н.І. Івасюк, І.Д. Кокряцька, І.С.
author_sort	Тимченко, Л.І.
title	Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень
title_short	Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень
title_full	Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень
title_fullStr	Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень
title_full_unstemmed	Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень
title_sort	паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2008
topic_facet	Распознавание образов. Системы цифровой обработки сигналов и изображений
url	http://dspace.nbuv.gov.ua/handle/123456789/6979
citation_txt	Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень / Л.І. Тимченко, В.В Мельніков, Н.І. Кокряцька, І.Д. Івасюк, І.С. Кокряцька // Штучний інтелект. — 2008. — № 3. — С. 353-362. — Бібліогр.: 9 назв. — укр.
work_keys_str_mv	AT timčenkolí paralelʹnoíêrarhíčneperetvorennââksistemnamodelʹdlârozpíznavannâzobraženʹ AT melʹníkovvv paralelʹnoíêrarhíčneperetvorennââksistemnamodelʹdlârozpíznavannâzobraženʹ AT kokrâcʹkaní paralelʹnoíêrarhíčneperetvorennââksistemnamodelʹdlârozpíznavannâzobraženʹ AT ívasûkíd paralelʹnoíêrarhíčneperetvorennââksistemnamodelʹdlârozpíznavannâzobraženʹ AT kokrâcʹkaís paralelʹnoíêrarhíčneperetvorennââksistemnamodelʹdlârozpíznavannâzobraženʹ
first_indexed	2025-07-02T09:47:59Z
last_indexed	2025-07-02T09:47:59Z
_version_	1836528099590668288
fulltext	«Штучний інтелект» 3’2008 353 4Т УДК 658.012:681.32:621.38 Л.І. Тимченко1, В.В Мельніков2, Н.І. Кокряцька2, І.Д. Івасюк2, І.С. Кокряцька1 1Державний економіко-технологічний університет транспорту, м. Київ, Україна 2Вінницький національний технічний університет, м. Вінниця, Україна timchen@svitonline.com, mscon@yandex.ru Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень У статті розглянуто метод паралельно-ієрархічного перетворення на основі популяційного кодування та його застосування для задач розпізнавання зображень. Паралельно-ієрархічне перетворення описується як системна модель для розпізнавання зображень. Наведені теоретичні відомості, експериментальні дослідження і програмна реалізація. Вступ З останніх досягнень нейробіологічних досліджень відомо, що для кодування сенсорної інформації мозок користується підходом, що одержав назву популяційного кодування, у рамках якого інформація представляється цілою популяцією активних ней- ронів [1]. Ця важлива властивість була продемонстрована в експериментах Д. Спаркса. Аналізуючи, яким чином мозок мавпи керує рухом її очей, був зроблений висновок, що необхідний рух кодується цілою популяцією клітин, кожна з яких представляє дещо відмінний від інших рух. Рух, що в результаті здійснюється оком, відповідає середньому за всіма рухами, закодованими активними клітинами. Як показали М. Янг і С. Ямане в експериментах зі скроневою корою мозку мавпи, популяційне кодування виявляється справедливим не тільки для руху очей, але і для рис обличчя. Відповідно до ідеї популяційного кодування поточний образ, що розпізнається, повинений порівнюватися з деяким усередненим відображенням еталонного образу. Побудуємо модель такого усередненого відображення еталонного образу – середнього за всіма поточними образами (інакше, за всією навчальною вибіркою) на основі усереднення параметрів паралельно-ієрархічної (ПІ) мережі [2]. Метою даної статті є застосування запропонованої гіпотетичної моделі структу- ризації інформації в корі головного мозку на основі ПІ мережі, докладно викладеної в роботі [2], для задач розпізнавання образів. Формування багатоетапної ПІ мережі припускає процес послідовного перетво- рення просторових областей корельованих і утворення декорельованих у часі елементів нейронної мережі при переході її з одного стійкого стану в інший. Головною особливістю запропонованого методу є вивчення динаміки просторово- корельованого механізму перетворення поточних і утворення результуючих елементів нейронної мережі. Такий механізм дозволяє по-новому представити обробку в нейронній мережі як процес паралельно-послідовного перетворення різних складових зображення й облік часових характеристик перетворення. Причому, фізичний зміст вхідних елементів нейронної мережі, що беруть участь у процесі кореляції-декореляції, таких як, наприклад, амплітуда або частота, фаза або енергія сигналів, зв’язність або текстура зображень, виз- начається типом використаного перетворення, вибір якого залежить від класу розв’язу- ваних задач. Розвиток обчислювальної техніки виявляється із еволюційного переходу від традиційних обчислювальних структур Фон-Неймана до «експертних систем» і розумних нейротехнічних, які імітують мозкову діяльність людини інтелектуально-обчислюваль- Тимченко Л.І., Мельніков В.В, Кокряцька Н.І., Івасюк І.Д., Кокряцька І.С. «Искусственный интеллект» 3’2008 354 4Т ним засобом шостого покоління. З упевненістю можна констатувати, що «ідеальним» пристроєм перетворення оптичної інформації паралельного типу є око – мабуть сама унікальна із сенсорних систем людини. Мозок людини є природним процесором, який перероблює сенсорну інформацію. Виникає питання. Чи можливо змоделювати процес око-процесорного сприйняття сенсорної інформації на рівні створення нейроподібної схеми обробки інформації? Аналіз останніх робіт з нейробіології та робіт, пов’язаних з моделюванням нейронних механізмів сприйняття сенсорної інформації, показав, що залишаються нез’ясованими наступні питання: яким чином відбувається взаємодія в корі головного мозку нейроансамблей, що утворюються, їхня взаємодія на рівні природних локальних нейронних мереж; як у часі відбувається інтеграція просторово розділених активованих нейроансамблей Д. Хебба в горизонтальних і вертикальних шляхах у момент узгодженої дії багатьох одночасно діючих подразників? Тому у статті досліджується гіпотетична модель просторової інтеграції та структуризації інформації в корі головного мозку, стосовно до проблем з області обробки та розпізнавання образів. Розглянуті в роботі моделі поки що володіють у більшому ступені метафоричною подібністю з «природними» комп’ютерами, проте вони пропонують новий більш витончений підхід до машинних обчислень, наслідуючи який можна буде створити нові мікропроцесорні системи і комп’ютери нової архітектури. Крім того, вони дозволять по-новому глянути і на біологічні системи. Прототипом запропонованого підходу можна вважати принципи колективних обчислень у нейроноподібніх схемах колективного прийняття рішень, що потребують колективної взаємодії великої кількості простих рішень, у результаті якого приймається складне рішення шляхом комбінування даних протягом якогось проміжку часу. На основі аналізу нейробіологічних даних про теорію структурування сенсорної інформації у мозку та особливостей організації обчислень у корі була виявлена низка невідповідностей щодо природних механізмів сприйняття об’єктів і ситуацій зовнішнього світу, які не знайшли відповідного відображення у сучасних нейроподібних обчислю- вачах, що суттєво обмежує їх технічні можливості та не відповідає головним вимогам, які ставляться до інтелектуальних засобів обробки інформації. Опис методу У загальному виді концепцію багатоетапності обробки зображень можна сформу- лювати в такий спосіб. Аналіз зображення полягає в послідовному перетворенні спів- падаючих і виявленні (фільтрації) незбіжних у часі складових зображення при переході елементів нейронної мережі з поточних енергетичних станів з одними просторовими координатами в стани з меншою енергією з іншими просторовими координатами. Такий процес аналізу зображення відбувається на багатьох етапах, кожний з який включає виконання вищевказаної процедури. Умовою переходу складових зображення на більш високий рівень є наявність динаміки взаємного збігу проміжних результатів обробки в часі в рівнобіжних каналах нижнього рівня. Результат аналізу зображення формується з ізольованих у просторово-часовій області складових зображення. Розглянемо математичну модель паралельного розкладання множини { },ia=µ ni ,1= [2], що застосовується в кожній гілці ПІ мережі. ( ),1 1 1 1 0 − = = − = −      −=∑ ∑ ∑ jj n i R j j k ki aanna (1) де ,0≠ia R – розмірність даної множини. З однакових елементів сформуємо підмножини, елементи однієї підмножини позначимо через k k nRka ,,1, = – число елементів у k-ій підмножині (тобто кратність числа ka ), ja – довільний елемент множини { }ka , обраний на j-ому кроці, .0,0,,1 0 0 === naRj Паралельно-ієрархічне перетворення як системна модель для розпізнавання… «Штучний інтелект» 3’2008 355 4Т Скористаємось ідеєю популяційного кодування [1], побудувавши модель будь- якої кінцевої дії, що здійснюється за всіма поточними діями. Очевидно, що на рівні гілок нейронної мережі дана кінцева дія при реалізації популяційного кодування відповідає усередненим параметрам цієї мережі. Для ПІ мережі такими усередненими параметрами можуть бути кількість елементів у гілці кожного рівня, які визначаються на основі моделі виду (1), і значення самого елемента. У цьому випадку поточний образ, що розпізнається, буде відображатися поточною ПІ мережею і порівнюватися з еталонною ПІ мережею з усередненими параметрами. Позначивши середнє значення довільного елемента першого рівня через 1 , − jia , другого рівня – 2 , − jia , третього рівня – 3 , − jia і т.д., k-го останнього рівня – k jia− , , а також середнє число елементів першого рівня – 1 , − jia N , другого рівня – 2 , − jia N , третього рівня – 3 , − jia N і т.д., k-го рівня – k jia N − , , можна сформувати ПІ мережу з усередненими параметрами. Синтезована в такий спосіб структура ПІ мережі з усередненими параметрами показана на рис. 1 [2]. ai,j 1 ai,j 2 a1,1 2 a1,1 3 a1,1 4 ai,j 3 ai,j 4 Рисунок 1 – Структура ПІ мережі з усередненими параметрами Поточний образ або досліджуваний образ, який оброблений ПІ мережею з поточними параметрами k jijijiji aaaa , 3 , 2 , 1 , ,,,, … і ,,,,, , 3 , 2 , 1 , k jijijiji aaaa NNNN … порівню- ється з еталонним образом або образом норми, який оброблений ПІ мережею з усередненими параметрами – k jijijiji aaaa −−−− , 3 , 2 , 1 , ,,,, … і …… k jijijiji aaaa NNNN −−−− , 3 , 2 , 1 , ,,,, Якщо скористатися препаруванням елементів ПІ мережі для кожного рівня [3], то від усереднених параметрів k jijijiji aaaa −−−− , 3 , 2 , 1 , ,,,, … можна перейти на основі трьохрівневого кодування до їх відображення бінаризованими препаратами (–1, 0, +1) ∑= i,j i,jaNM a 1 . (2) Тимченко Л.І., Мельніков В.В, Кокряцька Н.І., Івасюк І.Д., Кокряцька І.С. «Искусственный интеллект» 3’2008 356 4Т Потім визначаються масиви різниць елемента із середнім значенням зображення (або його фрагмента), у якому знаходиться елемент зображення: .,, aaR jiji −= (3) Для препарування початкового зображення отримані різниці порівнюються з по- рогом ,δ тобто       ≤ −<− > = δ δ δ ji ji ji ji Rякщо Rякщо Rякщо q , , , , ,0 ,1 ,1 . (4) Причому поріг δ вибирається з умови: Max011 NNN )( t )( t )( t =⋅⋅ − , (5) де N,N,N )( t )( t )( t 011 − – кількості одиничних, мінус одиничних і нульових препаратів при кожному порозі .t Тобто для довільного усередненого параметра такий перехід може відображатися трьома видами препаратів: .,, 1 , 1 , 0 , − jijiji aaa У цьому випадку ПІ мережа з числовими відліка- ми перетвориться в ПІ мережу з бінаризованими відліками .,, 1 , 1 , 0 , − jijiji aaa Тоді істотно спро- щується процедура порівняння бінаризованих відліків поточної й еталонної ПІ мереж. Для формування еталонів зображення необхідно провести для них навчання в межах навчальної вибірки. Для чого необхідно при кожному навчанні робити усереднення по елементах гілки кожного рівня, тобто формувати усереднені елементи k jijijiji aaaa −−−− , 3 , 2 , 1 , ,,,, … , далі переходячи до бінаризованих препаратів .,, 1 , 1 , 0 , − jijiji aaa Виконавши у такий спосіб вищевказані дії, можна сформувати ПІ мережу з еталонними параметрами для поточних зображень. Сформувавши ПІ мережі з еталонними параметрами, можна робити її порівняння з ПІ мережею, що використовує поточні параметри. Під ПІ мережею з поточними пара- метрами варто розуміти ПІ мережу з поточними значеннями її елементів k jijijiji aaaa , 3 , 2 , 1 , ,,,, … з переходом до бінаризованих препаратів 1 , 1 , 0 , ,, − jijiji aaa і поточним числом елементів у гілках кожного рівня …… k jijijiji aaaa NNNN , 3 , 2 , 1 , ,,,, Для кожного з рівнів ПІ мереж проводилося обчислення коефіцієнта кореляції. Коефіцієнт кореляції YXp , між вибірками двох випадкових дискретних величин X, Y із математичними очікуваннями мм YX , і середньоквадратичними відхиленнями YX σσ , визначався як yx YX YXCOVp σσ ⋅ = ),( , , (6) де 11 ≤≤− pX,Y , і )1 1 мy)(мx( n COV(X,Y) YiX n i i −−= ∑ = . Дуже важливою обставиною є те, що коефіцієнт кореляції можна обчислювати не тільки окремо для кожних двох рівнів, але також і загальний для двох ПІ мереж, що поліпшує вірогідність формування результату розпізнавання. Паралельно-ієрархічне перетворення як системна модель для розпізнавання… «Штучний інтелект» 3’2008 357 4Т Програмна реалізація та результати експериментальних досліджень На рис. 2 показане діалогове вікно програми, яке логічно розділене на дві частини: в одній частині розміщені дані еталонного зображення (панель «ЕТАЛОННЕ ЗОБРАЖЕН- НЯ»), у іншій – зображення, що з ним порівнюється (панель «ЗОБРАЖЕННЯ ДЛЯ ПОРІВНЯННЯ»). Окремим блоком іде панель «ПАНЕЛЬ МЕРЕЖ». Рисунок 2 – Вигляд головного вікна роботи програми Програма «Паралельно-ієрархічне перетворення як системна модель розпізнавання зображень» володіє наступними основними можливостями: − можливий вибір зображень облич різної складності (тренування, легкий та складний тест тощо) як для еталонного зображення, так і для зображення, що з ним порівнюється (задіяна Манчестерська база зображень [4]); − побудова структури нейроподібної мережі як еталонного зображення, так і зображен- ня, що з ним порівнюється при визначених кількості кроків та точності; − автоматичне визначення розмірів матриці на будь-якому ієрархічному рівні, а також перегляд будь-якого елемента цієї матриці; − побудова графа паралельно-ієрархічної мережі з можливістю його друку; − кодування та декодування зображень (еталонного та зображення, що з ним порів- нюється) при визначених кількості кроків та точності, а також кодування-декодування матриць на будь-якому ієрархічному рівні; − фіксація часу, витраченого на всі операції; − перегляд отриманого зображення після декодування; − наявність процедури препарування на основі популяційного кодування, яка включає визначення кількості позитивних, негативних та нульових препаратів, а також автоматич- ного пошуку оптимального порога. Також наявна можливість препарування при нульо- вому порозі; − побудова урівноважуючих кривих [5] на основі популяційного кодування, яка включає аналіз коефіцієнта кореляції позитивних, негативних та нульових препаратів на будь- якому рівні паралельно-ієрархічної мережі; Тимченко Л.І., Мельніков В.В, Кокряцька Н.І., Івасюк І.Д., Кокряцька І.С. «Искусственный интеллект» 3’2008 358 4Т − визначення зв’язностей пікселів; − досить гнучка система звітності, яка включає в себе: − порівневе мережне порівняння, яке дозволяє автоматично встановити коефіцієнти кореляції на кожному рівні паралельно-ієрархічної мережі при різних параметрах (до трьох дослідів із можливістю встановлювати наступні параметри: кількість кроків кодування (1…1000), точність (1…10), кодувати першим, другим або обома методами, встановлювати тип, товщину та колір лінії). По результатам проведення експерименту можна отримати два типи звітів: короткий та повний; − порівняння зображень обома методами, яке дозволяє автоматично встановити коефі- цієнти кореляції при кодуванні першим, другим або обома методами із встановленням необхідних параметрів між двома множинами вибраних зображень. Передбачена мож- ливість декодування зображень (обома методами), а також препарування зображення (при використанні другого методу кодування). По результатам проведення експерименту мож- на отримати звіт; − базу експериментів, яка дозволяє переглянути звіти проведених раніше експериментів (наявні поля: назва звіту, дата та час проведення експерименту); − достатньо повний і докладний HELP програми. Порівняльний аналіз зображень різноманітних облич Для перевірки ефективності роботи програми був проведений експеримент над зображеннями однакових облич із різною мімікою та різних облич із нормальною мімікою, узятих із портретної галереї бази даних Манчестерського університету. У табл. 1 подані зразки початкових зображень облич із різною мімікою, використо- вуваних у ході експериментів, а також криві кореляційного порівняння зображень обличчя з різноманітною мімікою і 3D-поворотами. У ході експерименту проводилося кореляційне порівняння нульових рівнів зоб- ажень облич. Як еталонні використовувалися перші зображення із нормальною мімікою і подальше порівняння з іншими зображеннями проводилося саме для них. Таблиця 1 – Зразки початкових зображень Еталонне зображення: arj-01.bmp. Зображення для порівняння: arj-01.bmp, arj-02.bmp, arj-03.bmp, arj-04.bmp, arj-05.bmp, arj-06.bmp, arj-07.bmp, arj-08.bmp, arj-09.bmp, arj-10.bmp. Відсоток коректного розпізнавання, %: 90. Середній час розпізнавання, с: 10,7. Паралельно-ієрархічне перетворення як системна модель для розпізнавання… «Штучний інтелект» 3’2008 359 4Т Продовж. табл. 1 Еталонне зображення: alr-01.bmp. Зображення для порівняння: alr-01.bmp, alr-02.bmp, alr-03.bmp, alr-04.bmp, alr-05.bmp, alr-06.bmp, alr-07.bmp, alr-08.bmp, alr-09.bmp, alr-10.bmp. Відсоток коректного розпізнавання, %: 70. Середній час розпізнавання, с: 10,87. Еталонне зображення: lan-01.bmp; Зображення для порівняння: lan-01.bmp, lan-02.bmp, lan-03.bmp, lan-04.bmp, lan-05.bmp, lan-06.bmp, lan-07.bmp, lan-08.bmp, lan-09.bmp, lan-10.bmp. Відсоток коректного розпізнавання, %: 100. Середній час розпізнавання, с: 11,11. Еталонне зображення: mjb-01.bmp. Зображення для порівняння: mjb-01.bmp, mjb-02.bmp, mjb-03.bmp, mjb-04.bmp, mjb- 05.bmp, mjb-06.bmp, mjb-07.bmp, mjb-08.bmp, mjb-09.bmp, mjb-10.bmp. Відсоток коректного розпізнавання, %: 100. Середній час розпізнавання, с: 10,74. Тимченко Л.І., Мельніков В.В, Кокряцька Н.І., Івасюк І.Д., Кокряцька І.С. «Искусственный интеллект» 3’2008 360 4Т Продовж. табл. 1 Еталонне зображення: zxp-01.bmp. Зображення для порівняння: zxp-01.bmp, zxp-02.bmp, zxp-03.bmp, zxp-04.bmp, zxp-05.bmp, zxp-06.bmp, zxp-07.bmp, zxp-08.bmp, zxp-09.bmp, zxp-10.bmp. Відсоток коректного розпізнавання, %: 100. Середній час розпізнавання, с: 10,15. Експерименти показали високий відсоток коректного розпізнавання зображень за допомогою методу популяційного кодування. Проте у деяких випадках відзначалося зниження величини коефіцієнта кореляції щодо усередненого рівня. Таким чином, можна зробити висновок про більшу усталеність запропонованого методу до змін міміки обличчя стосовно 2D- і 3D-поворотів зображення. У табл. 2 подані зразки початкових зображень різних облич з нормальною мімікою, використовуваних у ході експериментів, а також криві кореляційного порівняння зобра- жень різних облич з нормальною мімікою. Таблиця 2 – Зразки початкових зображень Еталонне зображення: arj-01.bmp. Зображення для порівняння: arj-01.bmp, al-01.bmp, alr-01.bmp, ang-01.bmp, ar-01.bmp, ch-01.bmp, gcc-01.bmp, jim-01.bmp, karen-01.bmp, lan-01.bmp, mjb-01.bmp, nick-01.bmp, zxp-01.bmp. - - - - - - - Відсоток коректного розпізнавання, %: 100. Середній час розпізнавання, с: 10,8. З результатів кореляційного порівняння різних облич видно, що зображення різноманітних облич (кривих, кодованих методом 2 – нижня крива) не корелюють між собою (коефіцієнт кореляції не вище 0,45). Паралельно-ієрархічне перетворення як системна модель для розпізнавання… «Штучний інтелект» 3’2008 361 4Т Рисунок 3 – Порівневі кореляційні криві перших двох зображень табл. 1 Рисунок 4 – Порівневі кореляційні криві перших двох зображень табл. 2 Метод 1 – метод на основі Q-розкладання [5], Метод 2 – метод на основі популяційного кодування, Метод 3 – метод на основі популяційного кодування з порівнянням масок. Висновки У роботі запропоновано для навчання мережі, використовуючи ідею популяційного кодування в штучній нейронній мережі і наближення її до природних нейронних мереж, поточний образ відображати поточною ПІ мережею з поточними параметрами і пере- творювати їх на основі узагальненого контурного препарування в бінарні препарати з наступним порівнянням на основі коефіцієнта кореляції з еталонною ПІ мережею еталон- ного образу з усередненими параметрами, елементи якого є бінаризованими препаратами. На відміну від відомих структур штучних нейронних мереж [6], у яких для порівняння використовуються ненормовані (абсолютні) критерії подоби, в розглянутому методі навчання використовується нормований критерій. При цьому коефіцієнт кореляції запро- поновано обчислювати не тільки окремо для кожних двох рівнів, але також обчислювати і загальний для двох ПІ мереж, що поліпшує точність формування результату розпізна- вання. Результати машинного моделювання, проведені на прикладі обробки зображень облич, показують повну адекватність отриманих теоретичних і експериментальних ре- Тимченко Л.І., Мельніков В.В, Кокряцька Н.І., Івасюк І.Д., Кокряцька І.С. «Искусственный интеллект» 3’2008 362 4Т зультатів. При використанні паралельно-ієрархічної мережі для задач розпізнавання образів відсоток коректного розпізнавання зображень склав 93,3 %, а середній час роз- пізнавання – 10,73 с. Ці ж усереднені показники для системи розпізнавання зображень людських облич відповідно до методів, викладених в роботі проф. Ланітіса [7], і отримані на основі реалізації формової моделі, формонезалежної напівтонової моделі і локальної напівтонової моделі, а також їх трьох комбінацій, склали відповідно 84,8 % і 30 с. Література 1. Хинтон Д.Е. Как обучаются нейронные сети // В мире науки. – 1992. – № 11 – 12. – С. 103-110. 2. Тимченко Л.И. Многоэтапная параллельно-иерархическая сеть как модель нейроподобной схемы вы- числений // Кибернетика и системный анализ. – 2000. – № 2. – С. 114-134. 3. Компактний опис моделей зображень для класифiкацiї образiв / Л.I. Тимченко, С.В. Чепорнюк, Ю.Ф. Кутаєв, О.А. Герцій // Вісник ВПІ. – 1998. – № 2. – С. 72-83. 4. Режим доступу: http://peipa.essex.ac.uk/ipa/pix/faces/manchester. 5. Паралельно-ієрархічне перетворення і Q-обробка інформації для систем реального часу: Монографія / Ковзель М.О., Тимченко Л.І., Кутаєв Ю.Ф., Свєчніков С.В., Кожем’яко В.П., Стасюк О.І., Білан С.М., Загоруйко Л.В. – Київ: КУЕТТ, 2006. – 492 с. 6. Aggarwal J.K., Shishir Shah. Object recognition and performance bounds // In Proc. «Image Analysis and Proces- sing». – Florence (Italy). – Septemger 17 – 19, 1997. – P. 343-360. 7. Lanitis A., Taylor C.J., Cootes T.F. Automatic Face Identification System Using Flexible Appearance Models // Image and Vision Computing. – June 1995. – Vol. 13, №. 5. – P. 393-401. 8. Кожем’яко В.П., Тимченко Л.І., Яровий А.А. Паралельно-ієрархічні мережі як структурно-функціональний базис для побудови спеціалізованих моделей образного комп’ютера: Монографія. – Вінниця: Універсум – Вінниця, 2005. – 161 с. 9. Паралельно-ієрархічне перетворення як системна модель оптико-електронних засобів штучного інтелекту: Монографія / Кожем’яко В.П., Кутаєв Ю.Ф., Свєчніков С.В., Тимченко Л.І., Яровий А.А. / Під заг. ред. В.П. Кожемۥяко – Вінниця: УНІВЕРСУМ – Вінниця, 2003. – 324 с. Л.И. Тимченко, В.В. Мельников, Н.И. Кокряцкая, И.Д. Ивасюк, И.С. Кокряцкая Параллельно-иерархическое преобразование как системная модель для распознавания изображений В статье рассмотрен метод параллельно-иерархического преобразования на основе популяционного кодирования и его применение для задач распознавания изображений. Параллельно-иерархическое преобразование описывается как системная модель для распознавания изображений. Приведены теоретические сведения, экспериментальные исследования и программная реализация. L.I. Timchenko, W.W. Melnikow, N.I. Kokrackaja, I.D. Ivasuk, I.S. Kokrackaja Parallel-Hierarchical Transformation as the System Model for Images Recognition In this article researched parallel-hierarchical transformation method based on popular coding and its using for images recognition tasks. Parallel-hierarchical transformation is descript as the system model for images recognition. Leading up theoretical information, experimental researching and program realization. Стаття надійшла до редакції 10.07.2008.

Паралельно-ієрархічне перетворення як системна модель для розпізнавання зображень

Репозитарії

Схожі ресурси