Содержание к диссертации
Введение 5
1. Нейронные сети в области обработки изображений 9
Искусственный нейрон 9
Применение нейронных сетей 10
Архитектуры нейронных сетей 12
Обучение нейронных сетей 14
Нейронные сети Хопфилда и Хэмминга 16
AD ALINE- Adaptive Linear Neuron (Адаптивный Линейный нейрон) 21
Многослойные нейронные сети без обратной связи 23
1.7 .1 Сложность разделяющих поверхностей 24
1.8 Распознавание изображения 26
1.9. Предобработка изображения 27
Сегментация 30
Распознавание 31
Выводы раздела 1 41
2. Распознавание объектов на изображении 42
Система распознавания номерных знаков автомобилей 42
Применение системы распознавания номерных знаков автомобилей 43
Предобработка изображений при распознавании номерных знаков 44
Выделение номерного знака в изображении 47
Выделение номерного знака с выделением границ 47
Выделение номерного знака с использованием алгоритма «Hough» 49
Выделение номерного знака методом сравнения с шаблоном 51
Выделение номерного знака методом наращивания областей 52
2.5. Устранение некорректных областей-кандидатов номерного знака 53
2.5.1. Метод устранения некорректных областей 54
2.6. Выделение букв и чисел из номерного знака 55
Метод разделения областей 55
Метод наращивания областей 55
Метод подсчета пикселов 57
Статические границы 57
2.7. Распознавание букв и чисел 57
Метод сравнения с шаблоном 58
Метод распознавания по вектору-образу 58
Метод характерных точек 59
Распознавание символов с помощью нейронной сети 60
2.8. Распознавание типа линий 61
Выводы раздела 2 64
З.Разработка ПО, тестирование и экспериментальное исследование 65
3.1. Этап предобработки изображения 66
Выделение номерного знака 66
Выделение символов из номерного знака 68
3.4. Распознавание чисел и букв 70
Архитектура разработанного программного комплекса для распознавания номерного
знака автомобиля показана на Рис. 3.8 75
3.5. Распознавание границ объектов на изображении с помощью нейронной сети 75
3.5.1 Постановка задачи 75
3.5.2. Выделение и анализ признаков линии 77
3.6 Распознавание типов функции линии с помощью нейронной сети 81
3.7. Процедура обучения 82
Выводы раздела 3 86
4. Использование разработанных методов 87
4.1. Система распознавания и анализа номерных знаков автомобилей 87
Выделение номерного знака из входного изображения 87
Распознавание чисел и букв 89
4.2 Распознавание типов линий с помощью нейронной сети 92
Выводы раздела 4 96
Заключение 97
Список литературы 98
Введение к работе
Данная диссертация посвящена разработке и исследованию программного обеспечения для распознавания и анализа объектов на изображении с помощью нейронных сетей. Распознавание объектов на изображении - это одна из областей компьютерного зрения. Что такое компьютерное зрение и обработка изображений? Обработка изображений представляет собой область компьютерной графики, исследующая задачи, в которых и входные и выходные данные являются изображениями. Компьютерное зрение - пограничная часть знаний о получении изображения, обработке, классификации и распознавании [1]. Есть важные области применения систем распознавания и анализа изображения. Это, например, работа с медицинскими изображениями: создание программных систем, которые могут улучшать качество изображений, выявлять на них важные моменты или события либо визуализировать информацию, полученную из изображений. Другая важная область - системы технического контроля, когда по изображениям объектов определяется, соответствуют ли объекты их спецификациям. Третья сфера применения систем распознавания изображений - обработка и интерпретация фотографий, сделанных со спутника, как в военных целях (например, может потребоваться программа, выявляющая интересные, с военной точки зрения, события в указанном регионе или определяющая вред, нанесенный в результате бомбардировки), так и в гражданских (какой урожай кукурузы будет в этом году, сколько осталось тропических лесов и т.п.). Четвертая область - это оптическое распознавание символов (OCR) (например, система распознавания номерных знаков автомобилей или система распознавания печатных документов).
Компьютерное зрение сейчас находится в особой точке своего развития. Эта область прикладной науки стала популярной еще в 1960-х, но только недавно появилась возможность создания полезных компьютерных программ, использующих идеи компьютерного зрения, поскольку компьютеры и программы обработки изображений стали доступны большому количеству пользователей [2]. Не так давно для получения хорошего цветного цифрового изображения нужно было потратить не один десяток тысяч долларов; сейчас для этого нужно не больше нескольких сотен. Не так давно цветной принтер можно было найти только в некоторых исследовательских лабораториях; сейчас их используют повсеместно. Таким образом, проводить серьезные исследования и решать многие повседневные задачи теперь можно с помощью методов компьютерного зрения.
Сегодня широко используют искусственную нейронную сеть (artificial neural network) при решении задач компьютерного зрения. Теоретические основы
нейроматематики были заложены в начале 40-х годов. В 1943 году У. Маккалох и его ученик У. Питтс сформулировали основные положения теории деятельности головного мозга. Ими были получены следующие результаты[54-57,62]:
разработана модель нейрона как простейшего процессорного элемента, выполняющего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов;
предложена конструкция сети таких элементов для выполнения логических и арифметических операций;
сделано основополагающее предположение о том, что такая сеть способна обучаться, распознавать образы, обобщать полученную информацию.
В 1958 г. Фрэнк Розенблатт придумал нейронную сеть, названную перцептроном, и построил первый нейрокомпьютер Марк-1 . Перцептрон был предназначен для классификации объектов. На этапе обучения «учитель» сообщает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен классифицировать объекты, в том числе не использовавшиеся при обучении, делая при этом очень мало ошибок. Новый взлет теории нейронных сетей начался в 1983-1986 г. г. При этом важную роль сыграли работы группы PDP (Parallel Distributed Processing). В них рассматривались нейронные сети, названные многослойными персептронами, которые оказались весьма эффективными для решения задач распознавания, управления и предсказания[3].
В данной работе приведены результаты разработки и исследований системы распознавания автомобильных номеров и разработки и исследования методики и алгоритмов распознавания типа линий с помощью нейронной сети. Распознавание и анализ номерных знаков автомобилей - один из методов, который может использоваться для идентификации автомобилей. Этот метод можно применять ко многим задачам. Например: входной допуск, безопасность, контроль стоянки, дорожный контроль движения, контроль скорости и т.д. Систему распознавания типа линий можно использовать во многих задачах компьютерного зрения, прежде всего при описании формы объектов, находящихся на изображениях.
Целью диссертационной работы является разработка и исследование ПО для распознавания и анализа объектов на изображении с помощью нейронной сети.
Для достижения поставленной цели в диссертации решены следующие задачи:
1. Проанализированы методы и алгоритмы обработки изображений.
Проанализированы известные методы и алгоритмы для реализации нейронных сетей.
Разработана методика распознавания номерного знака автомобилей с помощью нейронной сети.
Предложена и разработана методика описания и распознавания типа линий на основе нейросети.
Для решения поставленных задач в диссертации использованы теория и методы обработки изображений, теория и методы нейронных сетей, методическое и программное обеспечение среды «Matlab», методы и средства объектно-ориентированного программирования.
Практическая ценность работы:
Предложена структура системы распознавания автомобильных номеров с помощью нейронной сети.
Предложен способ выделения номерного знака из изображений.
Предложен способ вьщеления символов из номерного знака.
Предложен способ распознавания символов с помощью нейронной сети, а также архитектура программного обеспечения для его реализации.
Предложена структура нейросети для системы распознавания типа линий с помощью нейронной сети.
В диссертации получены следующие новые научные результаты:
В рамках методики распознавания номерного знака автомобилей с помощью нейронной сети предложен, программно реализован и исследован оригинальный метод распознавания символов номерного знака с помощью моментных инвариантов.
Разработана методика и программное обеспечение для вьщеления векторов признаков функций линий и обучения нейронной сети с этими векторами.
Разработана методика и программное обеспечение для распознавания типа линий на основе нейронной сети.
Основные научные результаты, выносимые на защиту:
1. Предложенная методика и программное обеспечение для распознавания номерного знака автомобилей с помощью нейронной сети.
2. Предложенная методика и программное обеспечение для распознавания типа линий на основе нейронной сети.
Данная диссертационная работа состоит из введения, четырех глав, заключения, списка литературы.
Первая глава посвящена обзору методов и алгоритмов обработки изображений и описанию основных положений теории нейронных сетей. В ней также говорится о прикладных задачах в области распознавания изображений.
Во второй главе описаны методики и алгоритмы распознавания номерного знака автомобиля и распознавания типа линий.
В третьей главе говорится о разработке ПО, тестировании и экспериментальном исследовании систем распознавания номерного знака автомобиля и распознавания типа линий.
В четвертой главе рассмотрено использование разработанных методов в прикладных задачах.
В заключении приводятся основные выводы и результаты диссертации.
Результаты диссертационной работы использованы в проекте «Разработка параллельного программного обеспечения для кластерной вычислительной системы» закрытого акционерного общества «ACT». Реализованная система распознавания номеров автомобилей на основе нейросети использована в качестве тестовой задачи для кластерной вычислительной системы.
Основные результаты диссертации докладывались и обсуждались на ежегодных научных сессиях МИФИ (2004, 2005, 2006, 2007 гг.) и на международной научной конференции «Workshop on Computer Science and Information Technologies CSIT'2005, Ufa, Russia».
Основные результаты диссертации опубликованы в тезисах докладов на научных сессиях МИФИ и в статье на международной конференции «Workshop on Computer Science and Information Technologies CSIT'2005, Ufa, Russia».
