Диссертация (Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений), страница 5

1.3.приведенысоотношения,позволяющиеопределитьгеометрические параметры объекта. Координаты X, Z отсчитываютсяотносительно осей х, у, которые пересекаются на оптической оси объектива;α, β – угловые координаты, отсчитываемые относительно оптической осиобъектива. Для того чтобы вычислить некоторые геометрические параметрыобъекта необходимо знать масштаб изображения М, что возможно приизвестной дальности до объекта Y.ГеометрическийпараметрТаблица 1.3.

Определение геометрических параметров объектаСоотношениеЛинейный размерh = hиз / MУгловой размерω = 2arctg (hиз / (2f’));ω ≈ hиз / (2f’), при f’ >> hизS = Sиз / M2ПлощадьКоординаты:– по горизонталиX = Xиз / M = Y tgα– по вертикалиZ = Yиз / M = Y tgβУгловые координаты:– по горизонталиα = arctg(Xиз / f’);α ≈ Xиз / f’ при f’ >> Xиз;– по вертикалиβ = arctg(Yиз / f’);β ≈ Yиз / f’ при f’ >> Yиз;Следует отметить, что соотношения, приведенные в табл. 1.3, строгоговоря, могут быть применимы для наблюдения объектов заметной формы иразмеров. Для решения задач измерения параметров точечных объектовнеобходимо учитывать не только законы геометрической оптики, но ивлияние аберрации системы, которая предопределяет весовую функцию25объектива, и, как следствие, – форму наблюдаемого объекта на изображении[29].1.3.

Задача распознавания образовВерификацией называется процесс, при котором экземпляр объектасопоставляется с одой из моделей (прототипов) объекта или со своего родаописанием класса. Слова «узнавание» или «обнаружение» являютсяблизкими по значению к слову «распознавание», сюда же можно отнести ислово «детектирование». У системы распознавания должна быть память длязапоминания распознаваемых объектов. Модель объекта, хранящаяся впамяти компьютера, может быть встроенной, например, модель прыгающейлягушки. Также модель может быть сформирована с использованиембольшого количества эталонных образцов, этот процесс может напоминатьто, как ребенок изучает алфавит в начальной школе. Также этопредставление можно запрограммировать в неких специфичных терминахпризнаков изображения, что можно сравнить, к примеру, с обучение ребенкаотличать уток от гусей [82].

Вопросы, связанные собучениемраспознаванием иалгоритмов, являются глубокими темами, представляющимиинтерес для распознавания образов и прикладного телевидения.Введем понятие идеального класса, как множество объектов, имеющихнекоторые важные общие свойства [80]. Если рассматривать практическоеприменение, то этот класс показывает принадлежность объектов кнекоторому классу объектов и обозначается с помощью какой-либо меткикласса. Процесс классификации можно определить, как процесс соотнесенияметок объектам, исходя из некоторого описания свойств объектов.Классификатор – это некоторый алгоритм или устройство, получающие навход данные, содержащие описание объекта, и дающие на выходе меткукласса в качестве результата.26У каждой системы распознавания можно выделить общий класс всехтех объектов, которые не получилось соотнести ни с одним из известныхсистеме классов.

Такой класс называется классом выбросов.Системы распознавания образов содержат экстрактор характерныхпризнаков, который выделяет среди исходных данных, которые былиполучены от датчика, информацию, нужную для классификации. Чаще всегоэкстрактор признаков реализуется в виде программного обеспечения.Программы достаточно не сложно адаптировать к конкретному аппаратномуобеспечению датчика. Использование программного обеспечения в ходеисследований и разработки может значительно упростить получениевыходных данных, которые были бы наиболее удобными для конкретногоклассификатора.Признаки, найденные среди исходных данных датчика, используютсяклассификаторомдлятогочтобыприсвоитьобъектуметку,соответствующую одному из m известных классов С1, С2, ...

, Сm-1, Ст = Сг,где Сг обозначен класс выбросов.Блок-схема системы классификации изображена на рис. 1.5. Векторразмерности d признаков х используется в качестве входных данных,представляющих объект для классификации. За каждый возможный класс всистеме отвечает один блок, хранящий некоторые характеристики обработкии некоторые сведения К об этом классе. Полученные результаты m сравненийс эталонными классами поступают на окончательный этап классификации,отвечающий за решение о назначении метки класса.27Рис.

1.5. Схема системы классификации: классифицирующие функции f(x, К) выполняютвычислительные операции над входным вектором признаков x с использованиемнекоторых сведений К, полученных на этапе обученияОдна из численных мер, которые позволяют определить, насколькоправильно система решает свою задачу – коэффициент ошибок системыклассификации [95].

В качестве других характеристик можно выделитьскорость, определяющую число объектов, обрабатываемых за единичныйпромежуток времени, и стоимость, характеризующую цену программного иаппаратного обеспечения, а так же процесса разработки. Количество ошибоки количество выбросов влияют на производительность системы.

Система,классифицирующая все входных данные как класс выбросов, не делаетошибок, но при этом является бесполезной. Для описания характеристикпроизводительностисистемыклассификацииопределимнесколькотерминов:ошибка классификации – такая ошибка, которая случаетсякаждый раз, когда классификатор относит входной объект к классу Сi, хотяверным классом должен был быть класс Cj, при этом i не равно j и Сi неравно Сr;28эмпирический коэффициент ошибок системы классификациичисленно равен количеству ошибок, полученных на независимых тестовыхданных, деленному на количество предпринятых попыток классификации;эмпирический коэффициент выбросов системы классификацииопределяетсякакотношениеколичествавыбросов,полученныхнанезависимых тестовых данных, к количеству предпринятых попытокклассификации;независимые тестовые данные – это эталонные объектыизвестных классов, включая объекты из класса выбросов, которые неиспользовались приразработкеалгоритмов выделенияпризнаков иклассификации.Необходимо внимательно отслеживать, чтобы все эталонные образцы,закладываемые на этапе проектирования, и все тестовые образцы былирепрезентативными образцами объектов, с которыми система будет работатьв будущем.

Более того, образцы, используемые для тестирования системраспознавания, должны не зависеть от образцов, используемых для еесоздания. Бывает, что при разработке системы закладываются на то, чтоисходныеданныебудутподчинятьсякакому-либотеоретическомураспределению. Учитывая это, можно посчитать теоретическую вероятностьошибки и оценить производительность системы, вместо того, чтобыпроизводить тестирование системы и определять эмпирический коэффициентошибок [89].Когдавсистемеиспользуютсядвакласса,которыеимеютпротивоположные смысловые значения, то можно выделить особыеразновидности ошибок:1.Качественный объект и некачественный объект.2.Объект есть на изображении, и объекта нет на изображении.3.В небе обнаружена ракета и не обнаружена.В этих случаях ошибки несимметричны и имеют важное значение.29Третий случай наиболее показателен. Если система ошибочно говорит,что в небе летит ракета (на самом деле ее нет), то такая ошибка именуетсяложным срабатыванием или позитивной ошибкой.

И наоборот, если жесистема ошибочно говорит, что в небе нет ракеты (а на самом деле она есть),то ошибка называется ложным пропуском или негативной ошибкой. В случаеложного срабатывания, вероятно, что будут предприняты ненужныеэкстренные меры по ликвидации ракеты. В случае ложного пропуска ракетапопадет в цель, и объект будет уничтожен. Цена этих ошибок сильноразнится. Поэтому в некоторых системах, целесообразно учесть принятиерешений, при котором будет достигаться минимум ложных пропусков дажеза счет увеличения числа ложных срабатываний [41].Для иллюстрации случая 1 можно рассмотреть задачу об отборе мятыхягод.

Ложное срабатывание означает, что ягода отправляется в выпечку, а нена продажу.В примере 2 ложные срабатывания могут приводить к лишнимэнергетическим затратам энергии на включение подсветка, когда фактическиникакого движения нет, а система решила, что по шоссе двигалосьтранспортное средство, хотя на самом деле его не было. Ложные пропуски вслучае 2 также могут иметь интересные следствия.На рис. 1.6 изображена типичная кривая функционирования приемника,которая показывает зависимость числа ложных обнаружений от числаправильных срабатываний. Для того чтобы увеличить количество вернораспознаваемых объектов, чаще всего приходится мириться с увеличениемколичества пропущенных объектов, которые будут отнесены к выбросам.30верныхиколичестваошибочныхраспознаванияописываетсяпомощьюскривойфункционирования(receiver100попытокУдачные срабатыванияОтношениеoperatingОбычноприемникаcurve,вероятностьобнаруженийROC).ложныхувеличиваетсяприReceiver OperatingCurve (ROC)0попытке системы найти большееколичествоизвестныхобъектов.Ухудшениекачестваработы0Ложные срабатыванияРис.

1.6. Кривая функционированиясистемы часто может быть полученопрималенькомчисле100приемникаложныхсрабатываний, но верное обнаружение большей части объектов приведет ктому, что большая часть неизвестных объектов будет поставлена всоответствие какому-либо известному классу.Рассмотрим задачу поиска изображений или документов (ПД), когданужнонайтисамыйподходящийрезультатнаосновепризнаков,содержащихся в пользовательском запросе. Для решения задачи требуетсянайти интересуемые объекты класса C1, возможно, вместе с небольшимчислом объектов класса С2, которые пользователя не интересуют [3].Например, пользователь может запросить поиск изображений утреннего лесаили моря. Производительность системы, обрабатывающей подобного родазапросы, характеризуется точностью и полнотой выборки.Точность ПД-системы численно равна отношению количества вернонайденных документов (истинные элементы класса C1) к общему числунайденных документов (истинные элементы класса С1 плюс ложныесрабатывания, в действительности, принадлежащие С2).31Полнота выборки ПД-системы численно равна отношению количестваверно найденных системой документов, к общему количеству верныхдокументов в базе данных (БД).Для примера, рассмотрим ситуацию, когда в БД хранятся 300изображений утреннего леса, интересующие пользователя, и которыепользователь желает получить после запроса [2].