Please use this identifier to cite or link to this item: http://dspace.ubs.edu.ua/jspui/handle/123456789/1885
Title: Статистичні розподіли та ланцюжкове подання даних при визначенні релевантності структурних описів візуальних об’єктів
Other Titles: Statistical distributions and chain representation of data when determining the relevance of structural descriptions of visual objects
Статистические распределения и цепное представление данных при определении релевантности структурных описаний визуальных объектов
Authors: Гороховатський, Володимир Олексійович
Horokhovatskyi, Volodymyr
Гороховатский, Владимир Алексеевич
Гадецька, Світлана Вікторівна
Hadetska, Svitlana
Гадецкая, Светлана Викторовна
Пономаренко, Р. П.
Ponomarenko, R.
Keywords: структурні методи розпізнавання зображень
ключова точка
детектор BRISK
ланцюгове подання
розподіл даних фрагменту
спільний дескриптор
релевантність описів
голосування
манхеттенська метрика
швидкодія визначення релевантності
structural image recognition methods
key point
BRISK detector
chain representation
fragment data distribution
general descriptor
descriptive relevance
voting
Manhattan metric
speed of relevancy estimation
структурные методы распознавания изображений
ключевая точка
детектор BRISK
цепное представление
распределение данных фрагмента
общий дескриптор
релевантность описаний
голосование
манхэттенская метрика
быстродействие определения релевантности
Issue Date: 2018
Publisher: Полтавський національний технічний університет імені Юрія Кондратюка
Bibliographic description (Ukraine): Гороховатський В. О. Статистичні розподіли та ланцюжкове подання даних при визначенні релевантності структурних описів візуальних об’єктів / В. О. Гороховатський, С. В. Гадецька, Р. П. Пономаренко // Системи управління, навігації та зв'язку. – 2018. – Вип. 6(52) – С. 87-92.
Abstract: Предметом досліджень статті є моделі для встановлення рівня релевантності зображень у просторі розподілів для дескрипторів ключових точок при розпізнаванні візуальних об’єктів у системах комп’ютерного зору. Метою є створення методу структурного розпізнавання зображень на підставі впровадження ланцюжкових моделей даних із використанням ймовірнісних розподілів множини дескрипторів. Завдання: розроблення математичних та програмних моделей для ефективного за швидкодією аналізу даних при визначенні релевантності структурних описів, вивчення властивостей, атрибутів застосування, значень параметрів цих моделей, оцінювання результативності за наслідками оброблення конкретних зображень. Застосовуваними методами є: детектор BRISK для формування дескрипторів ключових точок, апарат інтелектуального аналізу даних, методи побітового оброблення та побудови розподілів бітових даних, апарат метричного визначення релевантності, програмне моделювання. Отримані такі результати. Перехід від опису множин дескрипторів до ймовірнісних розподілів фрагментів і зіставлення образів у просторі розподілів забезпечують необхідну результативність розпізнавання. Оброблення та аналіз даних виконується у сотні разів швидше, ніж традиційний підрахунок голосів. Оброблення та аналіз сполучень бітів формує значимі властивості для сукупності елементів опису зі збереженням структури даних і їх уніфікації. Зі збільшенням числа бітів у фрагменті розподілу зростає відстань між зображеннями, що сприяє збільшенню ступеня їх розрізнення. Ланцюговим поданням та застосуванням розподілів створюється новий простір даних, що дає можливість суттєво покращити показники функціонування систем розпізнавання зображень. Висновки. Наукова новизна дослідження полягає в удосконаленні методу структурного розпізнавання зображень на основі впровадження узагальненої ланцюгової структури опису із використанням значень розподілу для фрагментів множини дескрипторів ключових точок, що змістовно відображають властивості зображень об’єктів і забезпечують результативне розпізнавання. Практична значущість – досягнення суттєвого рівня підвищення швидкодії обчислення релевантності, підтвердження результативності запропонованих модифікацій на прикладах зображень, отримання прикладних програмних моделей для дослідження та впровадження методів класифікації в системах комп’ютерного зору. The subjects of the paper are the models for estimation of the relevance between images in the space of key point descriptors when recognizing visual objects in computer vision systems. The goal is to create an image structural recognition method based on the implementation of chain data models using probability distributions of the sets of descriptors. The tasks include the development of mathematical and software models of efficient data analysis for determining the relevance of structural descriptions, investigation of the properties, application attributes, values of parameters of these models, evaluation of the effectiveness of the specific image processing. The methods are used: a BRISK detector for forming the key point descriptors, data mining, methods of bitwise processing and building bit-data distributions, a method of metric relevance estimation, software modeling. The following results were obtained. The transition from the sets of descriptors to probability distributions of fragments and the comparison of images in the space of distributions provide the necessary recognition performance. Data processing and analysis are performed hundreds of times faster than traditional vote counting. Processing and analysis of bit combinations forms significant properties for a set of description elements with keeping the data structure and their unification. With an increase of the number of bits in the distribution fragment, the distance between images increases and it contributes to an increase of their difference degree. The chain representation and the use of distributions create a new data space, which allows to improve the performance of image recognition systems significantly. Conclusions. The contribution of the paper is the improvement of the structural image recognition method with the introduction of a generalized chain description structure using the distribution values for fragments of the set of key point descriptors, which meaningfully reflect the properties of image objects and provide effective recognition. The practical significance of the paper is the achievement of an increase of image relevance calculation speed, confirmation of the effectiveness of proposed modifications on sample images, obtaining of an application software models for research and implementation of classification methods in computer vision systems. Предметом исследования статьи являются модели для установления уровня релевантности изображений в пространстве распределений для дескрипторов ключевых точек при распознавании визуальных объектов в системах компьютерного зрения. Целью является создание метода структурного распознавания изображений на основании внедрения цепных моделей данных с использованием вероятностных распределений множества дескрипторов. Задачи: разработка математических и программных моделей эффективного по быстродействию анализа данных при определении релевантности структурных описаний, изучение свойств, атрибутов применения, значений параметров этих моделей, оценивание эффективности по результатам обработки конкретных изображений. Применяемыми методами являются: детектор BRISK для формирования дескрипторов ключевых точек, интеллектуальный анализ данных, методы побитовой обработки и построения распределений битовых данных, аппарат метрического определения релевантности, программное моделирование. Получены следующие результаты. Переход от описания множеств дескрипторов к вероятностным распределениям фрагментов и сопоставление образов в пространстве распределений обеспечивают необходимую результативность распознавания. Обработка и анализ данных выполняются в сотни раз быстрее, чем традиционный подсчет голосов точек. Обработка и анализ сочетаний битов формирует значимые свойства для совокупности элементов описания с сохранением структуры данных и их унификации. С увеличением числа битов во фрагменте распределения растет расстояние между изображениями, что способствует увеличению степени их различия. Цепным представлением и применением распределений создается новое пространство данных, что позволяет существенно улучшить показатели функционирования систем распознавания изображений. Выводы. Научная новизна исследования заключается в усовершенствовании метода структурного распознавания изображений на основе внедрения обобщенной цепной структуры описания с использованием значений вероятностного распределения для фрагментов множества дескрипторов ключевых точек, которые содержательно отражают свойства изображений объектов и обеспечивают результативное распознавание. Практическая значимость – достижение существенного уровня повышения быстродействия вычисления релевантности, подтверждение результативности предложенных модификаций на примерах изображений, получение прикладных программных моделей для исследования и внедрения методов классификации в системах компьютерного зрения.
URI: http://dspace.ubs.edu.ua/jspui/handle/123456789/1885
ISSN: 2073-7394
Appears in Collections:наукові статті

Files in This Item:
File Description SizeFormat 
Horokhovatskyi Statistical distributions.pdf367.2 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.