Model spasial dan dinamis. Klasifikasi Jenis Pemodelan

Ada kelas tugas di mana informasi struktur informasi dan pergerakan objek adegan kompleks (pengawasan video di kamar tertutup, di tempat-tempat sekelompok besar orang, kendali atas pergerakan kompleks robotototeknik, memantau pergerakan kendaraan, dll.). Sequences gambar adalah sumber informasi yang kompleks, terstruktur dalam ruang dan waktu dan menggabungkan informasi awal dalam bentuk sinyal multidimensi, bentuk presentasinya di komputer dan model fisik objek dinamis, fenomena, proses. Kemampuan teknis baru dari pemrosesan gambar digital memungkinkan sebagian memperhitungkan spesifikasi gambar yang menggunakan secara bersamaan mencapai teori kognitif persepsi manusia tentang gambar visual.

Analisis jumlah data temporal spasial memungkinkan Anda untuk mengidentifikasi tidak hanya tanda-tanda objek observasi yang dinamis, tetapi juga dinamis. Dalam hal ini, masalah pengakuan dapat didefinisikan sebagai klasifikasi set negara atau sebagai klasifikasi lintasan, solusi yang tidak dapat ditemukan oleh metode pengakuan klasik, karena Transisi sementara dapat menghasilkan, mengubah gambar yang tidak dijelaskan oleh dependensi analitik yang diketahui; Juga, bersama dengan tugas mengakui objek dinamis, tugas pengakuan tindakan aktif dan peristiwa timbul, misalnya, untuk mengidentifikasi tindakan yang tidak sah di tempat-tempat sekelompok orang atau menentukan genre adegan untuk mengindeks pada basis data multimedia. Jika kita mempertimbangkan tugas pengakuan objek dan peristiwa pada urutan gambar dalam bentuk satu proses, maka pendekatan hierarkis dengan elemen pemrosesan paralel di setiap level adalah yang paling tepat.

Meningkatkan sarana teknis mengumpulkan dan mereproduksi informasi dalam bentuk gambar statis (foto) dan urutan video memerlukan pengembangan metode dan algoritma lebih lanjut untuk pemrosesan, analisis situasi dan pengakuan yang digambarkan. Rumusan teoritis awal dari tujuan pengenalan gambar adalah 1960-1970. dan tercermin dalam sejumlah karya penulis terkenal. Pengaturan tugas pengenalan gambar dapat bervariasi dari tugas aktual untuk mengenali objek, tugas untuk menganalisis adegan dengan tugas-tugas memahami gambar dan masalah penglihatan alat berat. Dalam hal ini, sistem pengambilan keputusan yang cerdas berdasarkan gambar dan metode pengenalan gambar menggunakan informasi input dari jenis kompleks. Itu milik kedua gambar yang diperoleh dalam kisaran gelombang lebar spektrum elektromagnetik (ultraviolet, terlihat, inframerah, dll) dan informasi dalam bentuk gambar suara dan data lokasi. Meskipun berbagai sifat fisik, informasi tersebut dapat diserahkan sebagai gambar nyata dari objek dan gambar tertentu. Data radiometrik adalah gambar datar dari adegan yang disajikan dalam proyeksi yang menjanjikan atau ortogonal. Mereka dibentuk dengan mengukur intensitas gelombang elektromagnetik dari rentang spektral tertentu, dipantulkan atau dipancarkan - dipancarkan. Biasanya menggunakan data fotometrik yang diukur dalam rentang spektral yang terlihat - monokromatik (cerah) * atau gambar warna: Data yang terletak adalah koordinat spasial dari titik-titik pemandangan yang diamati. Jika koordinat diukur untuk semua titik adegan, maka array data lokasi seperti itu dapat disebut kedalaman pemandangan. Ada gambar yang disederhanakan dari gambar (misalnya, model proyeksi affine, diwakili oleh proseksi yang lemah, menjanjikan para-menjanjikan, ortogonal dan paralel), di mana kedalaman adegan dianggap sebagai nilai konstan, dan lokasi adegan itu tidak membawa informasi yang berguna. Informasi suara dalam hal ini acara bantu.

Data fotometrik paling cepat diukur. Informasi lokasi biasanya dihitung sesuai dengan data yang diperoleh dari perangkat khusus (misalnya, pengintai laser, radar) atau menggunakan metode stereoscopic untuk menganalisis gambar kecerahan. Karena kesulitan penerimaan operasional data lokasi (terutama untuk adegan dengan bentuk objek visual yang berubah dengan cepat), tugas-tugas menggambarkan adegan pada satu gambar visual didominasi, I.E. Tugas dari persepsi visual monokular tentang adegan. Secara umum, tidak mungkin untuk sepenuhnya menentukan geometri pemandangan dengan satu gambar. Hanya dengan batasan tertentu untuk adegan model yang cukup sederhana dan kehadiran informasi apriori tentang lokasi spasial objek dapat dibangun deskripsi tiga dimensi penuh dengan satu gambar. Salah satu cara untuk keluar dari situasi ini adalah pemrosesan dan analisis urutan video yang diperoleh dari satu atau lebih kamera video yang dipasang tanpa bergerak atau bergerak di ruang angkasa.

Dengan demikian, gambar adalah bentuk utama dari melaporkan informasi tentang dunia nyata, dan metode pengembangan lebih lanjut untuk transformasi dan analisis semantik dari gambar individu dan urutan video diperlukan. Salah satu petunjuk paling penting untuk pengembangan sistem cerdas tersebut adalah untuk mengotomatiskan pemilihan metode untuk menggambarkan dan mengubah gambar, dengan mempertimbangkan natural informasi dan tujuan pengakuan mereka pada tahap awal pemrosesan gambar.

Karya pertama dari para peneliti dari Amerika Serikat (Louisiana State University, Carnegie Mellon University, Pittsburgh), Swedia ("Visi Komputasi dan Laboratorium Persepsi Aktif (CVAP), Departemen Analisis Numerik dan Ilmu Komputer), Perancis (InRia), Inggris (InRia) (Universitas Leeds), Jerman (Universitas Karlsruhe), Austria, Cina (sekolah ilmu komputer, Universitas Fudan) tentang pemrosesan urutan gambar dan mengakui objek dinamis diterbitkan pada akhir 1980-an. Kemudian, karya-karya serupa mulai muncul dan Di Rusia: Di Moskow (MSU, MII (GTU), MIPT, GOSNIY AS), S. PEETTBURG (SPSU, GUAP, FSUE, LOMO), Ryazan (RGTU), Samara (SGAU), Voronezhl (VSU), Yaroslavl ( Yargu), Kirov (VSU), Taganrog (TTI Yufu), Novosibirsk (NSU), Tomsk (TGPU), Irkutsk (IrGu), Ulan-Ude (VGTU) dan kota-kota lain. Perlu dicatat kontribusi khusus dari Rusia yang luar biasa Para ilmuwan yang terlibat di daerah ini, seperti akademisi RAS, Doctor of N. Yu. I. Zhuravlev, Anggota yang sesuai RAS, D.t.n. V. A. Sawifer, D.t.n. N. G. Zagorukhiko, D.t.n. L. M. Belytsky, D.t.n. B. A. Alpatov, dll. Sampai saat ini, kemajuan signifikan telah dicapai ketika membangun sistem pengawasan video, sistem otentikasi identifikasi pada gambar, dll. Namun, ada masalah yang belum terpecahkan dalam mengenali gambar dinamis karena kompleksitas dan keanekaragaman perilaku objek dunia nyata. Dengan demikian, arah ini perlu meningkatkan model, metode, dan algoritma untuk mengenali objek dan peristiwa dinamis pada urutan gambar dalam berbagai rentang radiasi elektromagnetik, yang akan memungkinkan untuk mengembangkan sistem penyesuaian video secara kualitatif.

Tujuan dari pekerjaan disertasi adalah untuk meningkatkan efisiensi mengakui objek dinamis, tindakan aktif dan peristiwa mereka dalam adegan kompleks pada urutan gambar untuk sistem pengawasan video eksternal dan internal.

Tujuannya telah menentukan perlunya menyelesaikan tugas-tugas berikut:

Untuk menganalisis metode penilaian pergerakan dan menemukan tanda-tanda pergerakan objek pada satu set gambar berturut-turut, metode untuk segmentasi objek dinamis dan analisis semantik dari adegan kompleks, serta pendekatan untuk membangun pengenalan dan sistem pelacakan untuk objek-objek dinamis dari berbagai target.

Mengembangkan model pengakuan gambar statis dan dinamis berdasarkan prosedur hierarkis untuk memproses seri sementara, khususnya, urutan gambar.

Kembangkan metode untuk memperkirakan pergerakan struktur dinamis pada informasi temporal spasial yang diperoleh dalam berbagai rentang radiasi elektromagnetik, memungkinkan Anda untuk memilih metode segmentasi tergantung pada sifat gerakan dan, dengan demikian, untuk melakukan pengenalan gambar dinamis yang adaptif.

Buat model gerakan multi-level struktur dinamis dalam adegan kompleks, yang memungkinkan untuk membangun lintasan struktur dinamis berdasarkan yang diperoleh, dan mengedepankan hipotesis tentang keberadaan objek visual berdasarkan analisis. dari prasejarah gerakan.

Kembangkan algoritma segmentasi yang komprehensif, yang memperhitungkan serangkaian tanda-tanda struktur dinamis yang diidentifikasi pada arahan pergerakan yang sewenang-wenang dan tumpang tindih proyeksi objek, berdasarkan pada model gerakan multi-level dalam adegan yang kompleks.

Mengembangkan metode untuk mengenali gambar dinamis yang diwakili dalam hal tata bahasa formal dan catatan video adegan, berdasarkan metode pengambilan keputusan kolektif, serta metode pengakuan tindakan aktif dan peristiwa dalam adegan yang kompleks, menggunakan kolom aktif Tindakan dan peristiwa (memperluas video video dari adegan yang kompleks), dan Jaringan Bayesian.

Berdasarkan metode dan model yang dikembangkan, desain sistem eksperimen untuk berbagai keperluan; Dirancang untuk pemrosesan urutan gambar objek yang ditandai dengan set tetap dan sewenang-wenang dari 3 £\u003e -Posulasi, dan pengakuan gambar dinamis. adegan kompleks.

Metode, Penelitian. Ketika melakukan pekerjaan disertasi, metode teori pengakuan gambar, teori deskriptif pengakuan gambar, teori pemrosesan sinyal, metode analisis vektor dan kalkulus tensor, serta teori grup, teori grammar formal digunakan.

Kebaruan ilmiah dari pekerjaan disertasi adalah sebagai berikut:

1. model baru transformasi gambar dinamis, ditandai dengan tingkat segmentasi hierarkis canggih (pada vektor gerak lokal dan global) dan pengakuan (objek dan tindakan aktif mereka), memungkinkan untuk menemukan fitur target untuk adegan statis dengan objek bergerak dan adegan dinamis , berdasarkan konsep invarian dinamis maksimum.

2. Teori deskriptif pengenalan gambar diperluas dengan pengenalan empat prinsip baru: Akuntansi untuk target pengakuan pada tahap awal analisis, pengakuan terhadap perilaku objek dinamis, penilaian latar belakang, jumlah objek observasi, yang memungkinkan untuk meningkatkan kualitas pengakuan fasilitas pemindahan dengan meningkatkan konten informasi dari sumber data.

3. Untuk pertama kalinya, metode temporal spasial adaptif untuk menilai pergerakan dalam urutan sinkron dari rentang radiasi elektromagnetik yang terlihat dan inframerah, yang memungkinkan untuk mengekstraksi tanda-tanda pergerakan pada berbagai tingkat hierarkis, menggabungkan keunggulan kedua jenis urutan gambar.

4. Model baru gerakan multi-level telah dikembangkan; memungkinkan dekomposisi adegan untuk memisahkan level; tidak\u003e membatasi; Divisi yang diterima secara umum ke latar depan dan latar belakang, yang memungkinkan Anda untuk melakukan segmentasi gambar yang lebih andal pada; Adegan yang menjanjikan kompleks.

5: Dibenarkan? dan dibangun; baru; Algoritma segmentasi umum untuk objek dinamis; dengan, gunakan, banyak tanda-tanda yang terdiri dari prasejarah perilaku; dan memungkinkan untuk memantau dinamika benda visual individu dan interaksi objek dalam adegan (tumpang tindih proyeksi; tampilan / hilangnya objek dari bidang tampilan sensor video) berdasarkan transformasi grup; Dan untuk pertama kalinya, analisis yang diusulkan dari keseluruhan bagian dari proyeksi objek (dari dua personel tetangga) dengan penggunaan estimasi integral dan invarian.

6. Metode pengambilan keputusan kolektif, ditandai dengan menemukan tanda-tanda proyeksi interkontrol objek dan memungkinkan untuk memperhitungkan prasejarah pengamatan untuk mengenali tindakan aktif dan peristiwa berdasarkan pada jaringan Bayesian, dan juga mengusulkan empat jenis pseudo- Jarak untuk menemukan ukuran persamaan gambar dinamis V dengan gambar dinamis referensi dalam tergantung pada presentasi tanda-tanda dinamis.

Signifikansi praktis. Metode dan algoritma yang diusulkan dalam disertasi dan algoritma dimaksudkan untuk aplikasi praktis dengan "pemantauan kendaraan bermotor dengan pergerakan multi-band di bawah proyek negara" Safe City ", dalam sistem kontrol otomatis atas berbagai proses produksi teknologi, Dalam sistem pengawasan video eksternal dan pengawasan video di kamar tertutup, serta dalam sistem identitas objek pada foto udara dan pengakuan gambar lanskap. Atas dasar studi disertasi, sistem perangkat lunak untuk pemrosesan dan pengenalan objek dinamis yang digunakan di berbagai bidang kegiatan telah dikembangkan.

Implementasi hasil kerja. Program yang dikembangkan yang terdaftar dalam daftar Rusia program komputer: program "Segmentasi gambar teks tulisan tangan (Segpic)" (Sertifikat No. 2008614243, Moskow, 5 September 2008); Program "Definisi Motion (MotionSeMation)" (Sertifikat No. 2009611014, Moskow, 16 Februari 2009); Program "Wajah Lokalisasi (FacebeTection)" (Sertifikat No. 2009611010, Moskow, 16 Februari 2009); Program "sistem memaksakan efek alami visual pada gambar statis (imitasi efek alami) (Sertifikat No. 2009612794, Moskow, 30 Juli 2009); Program "deteksi visual asap (smokeedection)" (bukti №2009612795, Moskow, 30 Juli 2009); "Program pendaftaran visual lisensi negara untuk kendaraan bermotor dengan gerakan multi-threaded (FNX Ctranalyzer)" (Sertifikat No. 2010612795, Moskow, 23 Maret 2010), Program "Peningkatan Gambar Nonlinear (Sertifikat Peningkatan Gambar)" (Sertifikat No. 2010610658, g. Moskow, 31 Maret 2010

ACTS diperoleh dengan transfer dan penggunaan algoritmik dan perangkat lunak untuk mengenali rumah kulkas pada jalur perakitan (OJSC KZH "BIRYUSA", Krasnoyarsk), untuk mengidentifikasi objek objek pada gambar lanskap (Kepedulian Bangunan Radio "VEGA", OJSC KB " ", Region Yaroslavl Rybinsk), untuk segmentasi vegetasi hutan pada satu set foto udara berturut-turut (Altex Geomatics LLC, Moskow), untuk mendeteksi piring tanda pendaftaran negara kendaraan bermotor dalam urutan video dengan gerakan multithreaded dan meningkatkan kualitas pemetaan mereka ^ (UGIBDD Guvd Krasnoyarsk Territory, Krasnoyarsk).

Algoritma dan perangkat lunak yang dikembangkan digunakan dalam proses pendidikan saat melakukan pelajaran tentang disiplin "Pemrosesan Data Cerdas", "Teknologi Komputer dalam Sains dan Pendidikan", "Yayasan Teoritis Pemrosesan Gambar Digital", "Pengakuan Gambar", "Neural Networks" , "Pemrosesan gambar algoritma", "algoritma pemrosesan penyerahan video", "analisis adegan dan penglihatan mesin" di Universitas Aerospace Negara Siberia bernama Academician M.F. Resetnyeva (Sibgau).

Keakuratan hasil yang diperoleh dalam pekerjaan disertasi dipastikan dengan kebenaran metode penelitian yang digunakan oleh keparahan matematika transformasi yang dilakukan, serta kepatuhan dari ketentuan yang diformulasikan dan kesimpulan dengan hasil verifikasi eksperimental mereka.

Ketentuan utama diberkahi dengan pertahanan:

1. Model pemrosesan dan pengakuan gambar dinamis dalam adegan yang kompleks, secara substansial diperluas dengan "kadar segmentasi hierarkis dan pengakuan tidak hanya objek, tetapi juga tindakan aktif mereka.

2. Perluasan teori deskriptif pengenalan gambar untuk seri sementara (urutan gambar) dengan meningkatkan informatifan data yang dianalisis tidak hanya di wilayah spasial, tetapi juga pada komponen waktu.

3. Metode temporal-adaptif untuk menilai lalu lintas. Dasar representasi tensor dari area lokal volume dalam urutan sinkron dari rentang radiasi elektromagnetik yang terlihat dan inframerah.

4. Model gerakan multi-level dalam adegan yang kompleks, memperluas dekomposisi adegan yang menjanjikan untuk memisahkan level untuk analisis lintasan gerakan objek yang lebih andal.

5. Algoritma umum untuk segmentasi objek dinamis, yang memungkinkan transformasi kelompok berdasarkan transformasi grup dan memperkirakan estimasi integral dan invarian, mengidentifikasi proyeksi objek yang tumpang tindih, penampilan / hilangnya objek dari bidang sensitif video.

6. Metode pengakuan gambar dinamis berdasarkan metode yang dimodifikasi dari pengambilan keputusan kolektif dan menemukan pseudorances dalam ruang metrik, serta tindakan aktif dan peristiwa dalam adegan yang kompleks.

Persetujuan kerja. Ketentuan utama dan hasil studi disertasi dilaporkan dan dibahas pada 10 konferensi internasional "Pengenalan Pola dan Analisis Gambar: Teknologi Informasi Modern", (S.-Petersburg, 2010), Kongres Internasional "Ultra Modern Telecommunications and Control Systems ICUMT2010 "(Moskow, 2010); Simposium Internasional XII tentang metode nonparametrik dalam analisis sibernetika dan sistem (Krasnoyarsk, 2010), II International Symposium "Cerdas Keputusan-Technologies - IDT 2010" (Baltimore, 2010), III Konferensi Internasional. "Otomasi, kontrol? Dan Teknologi Informasi - aoit-ict "2010" (Novosibirsk, 2010), Konferensi Internasional dan Pameran Internasional "dan penggunaannya" (Moskow, 2008-2010), X Konferensi Ilmiah dan Teknis Internasional "Teoritis dan Pertanyaan Terapan Teknologi Informasi Modern "(Ulan-Ude, 2009), IX International Scientific dan Technical Conference" Cybernetics dan teknologi tinggi abad XXI "(Voronezh, 2008), semua-Rusia Conference" Model dan Metode Pemrosesan Gambar "(Krasnoyarsk , 2007), di XI, XI dan XIII International Scientific Conferences "Re-Shetynevsky Bacings" (Krasnoyarsk, 2006, 2007, 2009), serta pada seminar ilmiah dari Universitas Negeri Aerospace Instrumentasi (S. -Betherburg, 2009 ), Institute of Computational Modeling dengan

RAS (Krasnoyarsk, 2009), Institute for Image Processing Systems Ras (Samara, 2010).

Publikasi. Menurut hasil penelitian disertasi, 53 karya cetak diterbitkan, di mana 1 monograf, 26 artikel (14 dari mereka adalah 14 artikel - dalam publikasi yang termasuk dalam daftar WAK, 2 artikel - dalam publikasi yang tercantum dalam Thomson Reuters: Science Indeks Kutipan Expanded / Conference Proadings Citation Index "), 19 abstrak laporan, 7 bukti terdaftar dalam daftar Rusia program komputer, serta 3 laporan tentang NIR.

Kontribusi pribadi. Semua hasil utama yang ditetapkan dalam disertasi, termasuk perumusan tugas dan solusi matematika dan algoritmik mereka, diperoleh oleh penulis secara pribadi, atau di bawah bimbingan ilmiahnya dan dalam partisipasi langsung. Menurut bahan-bahan pekerjaan, dua disertasi lagi untuk tingkat calon sains teknis dipertahankan, ketika penulis adalah penyelia resmi.

Struktur pekerjaan. Pekerjaan terdiri dari Pendahuluan, Enam Bab, Kesimpulan, Daftar Bibliografi. Teks utama tesis berisi 326 halaman, presentasi diilustrasikan dengan 63 angka dan 23 tabel. Daftar bibliografi mencakup 232 nama.

6.7 Kesimpulan pada bab ini

Dalam bab ini, struktur dan fungsi utama kompleks perangkat lunak eksperimental "Zarel", u.1.02, yang juga dijelaskan secara rinci, yang; melakukan pemrosesan hierarki sistemik dari urutan gambar dan peristiwa yang lebih tinggi. Ini adalah sistem otomatis yang membutuhkan partisipasi seseorang untuk pelatihan dan konfigurasi. Hitung grafik, jaringan, dan pengklasifikasi. Sejumlah modul sistem tingkat rendah beroperasi dalam mode otomatis. Struktur paket perangkat lunak sedemikian rupa sehingga modul modifikasi dimungkinkan tanpa Mempengaruhi modul sistem lainnya. Skema fungsional dari modul utama sistem disajikan: modul, pra-pemrosesan, modul penilaian gerakan, modul segmentasi, modul pengenalan tindakan aktif dan modul pengenalan tindakan aktif.

Studi eksperimental berdasarkan paket perangkat lunak ini dilakukan pada beberapa urutan video dan urutan inframerah dari basis uji "OTCBVS ^ 07", pada seal video uji "Hamburg Cube", "Rubik Cube". "Silent", serta pada rekaman video sendiri. Lima metode gerakan diuji. Itu ditunjukkan secara eksperimental bahwa metode membandingkan blok dan metode yang diusulkan untuk urutan inframerah menunjukkan nilai-nilai tutup dan paling tidak akurat. Metode yang diusulkan untuk urutan video dan metode tracking point fitur menunjukkan hasil tutup. Pada saat yang sama, pendekatan tensor yang dikembangkan membutuhkan volume komputasi komputer yang lebih kecil dibandingkan dengan metode karakteristik titik pelacakan. Berbagi urutan video yang disinkronkan dan urutan inframerah disarankan untuk digunakan untuk menemukan modul vektor kecepatan dan dalam kondisi pencahayaan pemandangan berkurang.

Untuk mengenali objek visual, empat jenis jarak pseudo digunakan (Hausdorff, Gromovo-Hausdorff, Frechech, Jarak semu alami) untuk menemukan ukuran kesamaan input gambar dinamis dengan referensi gambar dinamis (tergantung pada presentasi dinamika Tanda - satu set karakteristik numerik, set vektor, set fungsi). Mereka menunjukkan konsistensi mereka untuk gambar dengan transformasi morfologis yang diizinkan. Estimasi dinormalisasi terintegrasi dari bentuk kontur CU bagian umum dari proyeksi objek antara frame yang berdekatan dengan kondisional dan luas bagian total 5e dan estimasi invarian adalah fungsi korelasi dari bagian umum FCOR proyeksi. Penggunaan metode modifikasi metode pengambilan keputusan kolektif memungkinkan Anda untuk "membuang" pengamatan gambar input yang tidak berhasil (kasus proyeksi objek yang tumpang tindih, distorsi adegan dari sumber cahaya, dll.) Dan memilih pengamatan yang paling tepat. Eksperimen telah menunjukkan bahwa penggunaan metode pengambilan keputusan kolektif yang dimodifikasi meningkatkan akurasi pengakuan dengan rata-rata 2,4-2,9%.

Hasil eksperimental penilaian gerak, segmentasi dan pengakuan objek diperoleh pada urutan pengujian gambar ("taksi hamburg", "Rubik Cube". "Silent", urutan video dan urutan inframerah dari basis tes "SVVS" 07 " ). Untuk mengenali tindakan aktif orang-orang digunakan contoh-contoh basis uji "hewan peliharaan", "kaviar", "VACE". Sifat uji urutan visual mempengaruhi indikator. Mengenali objek yang melaksanakan gerakan rotasi ("Rubik Cube "), Benda kecil yang lebih baik - buatan manusia (" Hamburg Taxi "," Video 1 "). Hasil terbaik menunjukkan pengakuan dalam dua urutan. Juga hasil eksperimental terbaik dicapai ketika mengenali tindakan aktif berkala orang yang tidak dalam kelompok yang tidak dalam kelompok. (Berjalan, berlari, naik, tangan). Respons palsu disebabkan oleh jatuhnya bayangan di beberapa tempat adegan.

Dalam penyelesaian bab keenam, "proyek seperti" pendaftaran visual lisensi negara dengan gerakan multi-threaded "," sistem identifikasi sistem lemari es, "algoritma. Proses dan segmentasi, gambar lanskap. Identifikasi objek". Algoritmik Dan. Perangkat Lunak ditransfer ke Tertarik, Organisasi: Hasil pengujian menunjukkan kinerja perangkat lunak yang dikembangkan berdasarkan model dan metode yang diusulkan dalam pekerjaan disertasi.

Kesimpulan

Pekerjaan disertasi dibuat dan memecahkan masalah ilmiah dan teknis yang penting dari memproses data waktu spasial yang diperoleh dari urutan rentang radiasi elektromagnetik yang terlihat dan inframerah, dan mengenali gambar dinamis dalam adegan yang kompleks. Sistem metode hierarkis pemrosesan dan mengekstraksi tanda-tanda data ruang-waktu adalah dasar metodologis untuk memecahkan tugas pengawasan video yang diterapkan.

Dalam pengantar, relevansi pekerjaan disertasi dibuktikan, tujuan dan tugas-tugas dari penelitian ini dirumuskan, kebaruan ilmiah dan nilai praktis penelitian yang dilakukan ditunjukkan, ketentuan utama yang diberlakukan dengan perlindungan.

Bab pertama menunjukkan bahwa objek visual dalam urutan video ditandai dengan tanda-tanda vektor karakteristik multidimensi daripada "gambar dalam perumusan klasik tugas mengakui gambar statis. Pekerjaan disertasi memperkenalkan klarifikasi langkah-langkah rata-rata dan lebih tinggi untuk gambar dinamis.

Klasifikasi jenis utama tugas pengakuan untuk gambar statis, adegan statis dengan elemen gerak dan urutan gambar, yang mencerminkan sifat historis dari pengembangan metode matematika di bidang ini. Analisis terperinci dari metode untuk menilai pergerakan, algoritma untuk segmentasi objek bergerak, metode interpretasi peristiwa dalam adegan kompleks dilakukan.

Kompleks perangkat keras dan perangkat lunak komersial yang ada dipertimbangkan di bidang-bidang seperti memantau kendaraan berbagai keperluan, memproses bahan video olahraga, keamanan (pengakuan individu, penetrasi tidak sah orang-orang di kawasan lindung), pengembangan penelitian untuk sistem pengawasan video juga dianalisis.

Pada akhir Bab 1, ada perumusan tugas pemrosesan ruang-waktu dari urutan gambar, disajikan dalam bentuk tiga level dan lima tahap pemrosesan dan mengenali informasi visual pada urutan gambar.

Dalam bab kedua dari tesis, model formal pemrosesan dan pengakuan objek pada gambar statis dan urutan gambar mereka telah dikembangkan. Pemetaan yang diijinkan dalam ruang gambar dan ruang fitur untuk tugas langsung dan masalah terbalik dibangun. Aturan untuk membangun fungsi penentu invarian dan invarian dinamis maksimum umum diberikan. Ketika mengenali lintasan berbagai gambar dalam ruang multidimensi, tanda-tanda dapat berpotongan. Saat melintasi proyeksi objek, menemukan invarian dinamis maksimum umum menjadi semakin sulit, dan dalam beberapa kasus tugas yang mustahil.

Prinsip-prinsip dasar teori deskriptif pengakuan gambar dipertimbangkan, yang didasarkan pada metode reguler untuk memilih dan mensintesis prosedur algoritmik untuk memproses informasi saat mengenali gambar. Prinsip-prinsip tambahan diusulkan bahwa memperluas teori deskriptif untuk gambar dinamis: Akuntansi untuk tujuan pengakuan pada tahap awal pemrosesan urutan gambar, pengakuan atas situasi perilaku objek dinamis, menilai prasejarah objek dinamis, jumlah variabel pengamatan, variabel benda dalam adegan yang kompleks.

Masalah pencarian fitur target untuk menganalisis urutan gambar dipertimbangkan secara rinci. Tergantung pada jenis pemotretan (dalam hal pemotretan pembuangan), pergerakan sensor video dan keberadaan objek bergerak di zona visibilitas. Ada deskripsi dari empat situasi di ruang tanda saat tugasnya rumit.

Pada bab ketiga, tahap pemrosesan urutan gambar dan pengakuan objek, tindakan aktif, peristiwa dan genre adegan diformulasikan. Tahapan mencerminkan sifat hierarkis yang konsisten dari pemrosesan informasi visual. Juga disajikan kondisi dan keterbatasan metode hierarkis pemrosesan ruang-waktu dari urutan gambar.

Klasifikasi wilayah dinamis dari gambar dilakukan dengan menganalisis nilai-nilai mereka sendiri 31) dari tensor struktural, yang vektornya sendiri ditentukan oleh perpindahan lokal dari intensitas bingkai tetangga dan digunakan untuk mengevaluasi wilayah dinamis berorientasi lokal. Metode baru untuk menilai pergerakan dalam volume ruang-waktu dari rentang radiasi yang terlihat dan inframerah ini berdasarkan pendekatan tensor dibuktikan. Kemungkinan menggunakan kernel yang berubah secara spasial, adaptif terhadap ukuran dan orientasi lingkungan titik. Adaptasi lingkungan, pertama-tama memiliki bentuk lingkaran, dan kemudian berputar setelah 2-3 iterasi ke dalam bentuk elips yang berorientasi memungkinkan Anda untuk meningkatkan estimasi struktur yang berorientasi pada gambar. Strategi semacam itu meningkatkan perkiraan gradien dalam serangkaian data ruang-waktu.

Evaluasi parameter gerak lokal dibuat dengan menghitung primitif geometris dan poin khusus dari wilayah setempat. Dengan demikian, penilaian tanda-tanda lokal pergerakan wilayah adalah dasar untuk perluasan hipotesis selanjutnya dari aksesori objek visual ke satu atau kelas lain. Penggunaan urutan video sinkron dan urutan inframerah memungkinkan untuk meningkatkan hasil segmentasi wilayah yang bergerak dalam gambar dan menemukan vektor gerak lokal.

Ditunjukkan bahwa itu ditunjukkan untuk memperkirakan batas-batas gambar warna berdasarkan metode gradien multidimensi yang dibangun di semua arah di setiap titik batas, metode vektor menggunakan statistik ordinal pada gambar berwarna, serta menggunakan pendekatan tensor di metode gradien multidimensi. Metode untuk mengklarifikasi informasi kontur sangat penting bagi daerah dengan jumlah proyeksi yang diizinkan secara sewenang-wenang.

Di bab keempat, model gerak multi-level berdasarkan struktur gerakan dibangun, mencerminkan dinamika objek adegan nyata dan memperluas presentasi dua tingkat adegan dibagi menjadi objek bunga dan latar belakang tetap.

Model pergerakan objek pada pesawat berdasarkan teori kelompok kebohongan kompak diselidiki. Model disajikan untuk transformasi proyektif dan varietas model konversi affine. Transformasi semacam itu dengan baik menggambarkan struktur gerakan dengan sejumlah proyeksi (benda buatan manusia). Representasi struktur dengan jumlah proyeksi yang tidak terbatas (objek antropogenik) affine atau transformasi proyek disertai dengan sejumlah kondisi tambahan (khususnya, persyaratan keterpencilan objek dari sensor video, benda berukuran kecil, dll.) . Definisi dan teorema diberikan, Terbukti L. S. Polltryagin, berdasarkan yang dimungkinkan untuk menemukan automorfisme internal koordinat kelompok yang menggambarkan beberapa objek dengan keakuratan pergeseran antara bingkai yang berdekatan. Besarnya pergeseran ditentukan oleh metode penilaian pergerakan perbedaan intercadron yang dikembangkan dalam bab 3 ".

Ekspansi transisi yang diizinkan antara kelompok transformasi didasarkan pada dualitas sifat 2 £) - pencitraan (tampilan perubahan dalam proyeksi objek terpisah dan persimpangan visual dari beberapa objek: (interaksi objek)). Kriteria bahwa, ketika mengubah kelompok transformasi, ditemukan tindakan aktif dan peristiwa, dalam adegan, yaitu, estimasi terintegrasi dari bentuk kontur CU bagian umum dari proyeksi antara frame yang berdekatan dan luas total. Perkiraan 5e dan invarian adalah fungsi korelasi dari bagian umum dari proyek RSUG dan struktural konstanta kelompok kebohongan dengan "D, yang memungkinkan kita untuk memperkirakan tingkat variabilitas dan mengidentifikasi sifat gerakan objek yang diamati.

Prasejarah gerakan benda dalam urutan gambar juga dibangun, yang mencakup serangkaian waktu lintasan perpindahan, perubahan bentuk objek ketika dipindahkan pada 3 £\u003e -Pare, serta perubahan dalam bentuk objek Terkait dengan interaksi objek dalam adegan dan penampilan / hilangnya objek dari bidang tampilan sensor (digunakan untuk mengenali tindakan dan peristiwa aktif dalam adegan). satu

Algoritma segmentasi umum untuk objek dalam adegan yang kompleks telah dikembangkan, dengan mempertimbangkan kasus-kasus segmentasi yang kompleks (tumpang tindih gambar, kemunculan dan hilangnya benda-benda dari bidang pandang kamera, gerakan ke kamera), yang mencakup tiga sub- Bayar: pra-segmentasi, segmentasi dan pasca segmentasi. Untuk setiap sub-langkah, tugas, sumber dan data output dirumuskan, memblokir diagram algoritma, yang memungkinkan untuk melaksanakan segmentasi adegan kompleks, menggunakan keunggulan urutan sinkron dari berbagai rentang radiasi.

Bab kelima membahas proses mengenali gambar dinamis menggunakan tata bahasa formal, Venographer Videoografer dan metode pengambilan keputusan kolektif yang dimodifikasi. Adegan dinamis dengan gerakan multi-level memiliki struktur yang berubah waktu, oleh karena itu disarankan untuk menggunakan metode pengenalan struktural. Tata bahasa kontekstual tiga tingkat yang diusulkan dari pengakuan adegan kompleks dengan gerakan multi-level benda mengimplementasikan dua tugas: tugas analisis sintaksis dari urutan gambar dan tugas analisis sintaksi adegan.

Cara yang lebih visual dari deskripsi semantik tentang adegan ini adalah video video yang dibangun sesuai dengan metode pengelompokan hierarkis. Berdasarkan tanda-tanda terintegrasi tingkat terendah, struktur spasial lokal yang tahan terhadap waktu terbentuk, objek spasial lokal dan video video adegan dibangun, termasuk objek spasial yang dikenali, serangkaian tindakan yang melekat pada mereka, serta hubungan temporal spasial antara mereka.

Metode pengambilan keputusan kolektif yang dimodifikasi didasarkan pada prosedur pengenalan dua tingkat. Level pertama mengakui pengakuan gambar ini atau bidang kompetensi ini. Di tingkat kedua, aturan yang menentukan mulai berlaku, kompetensi yang maksimal di area yang ditentukan. Ekspresi untuk jarak pseudo dibangun ketika ukuran kesamaan input gambar dinamis dengan referensi gambar dinamis dibangun tergantung pada representasi tanda-tanda dinamis - satu set karakteristik numerik, banyaknya vektor.

Ketika mengakui peristiwa, Videoografer dari adegan kompleks berkembang ke acara video acara: model objek dinamis yang bergantung pada objek dibangun. Sebagai fungsi yang sesuai, pengklasifikasi sederhana digunakan dalam tanda-tanda tanda (misalnya, sesuai dengan metode ^ -front), karena perbandingan dilakukan sesuai dengan beberapa templat yang terkait dengan objek yang diidentifikasi sebelumnya. Cara untuk membentuk template proyeksi objek visual dipertimbangkan.

Informasi video acara didasarkan pada jaringan Markov. Metode untuk mengidentifikasi tindakan aktif agen, serta urutan membangun dan memotong acara video game untuk pengakuan, peristiwa dalam adegan dipertimbangkan. Pada saat yang sama, untuk setiap peristiwa, modelnya dibangun, yang sedang mempelajari contoh tes. Deteksi peristiwa dikurangi menjadi pengelompokan tindakan aktif yang dilakukan secara konsisten berdasarkan pendekatan Bayesian. Mode pemotongan rekursif koefisien berat dalam urutan video input dan perbandingan dengan referensi, peristiwa yang diperoleh selama tahap pelatihan dilakukan. Informasi ini adalah * sumber untuk menentukan genre pemandangan dan, jika perlu, mengindeks urutan video dalam database. Skema pemahaman dan interpretasi gambar dan bahan video untuk pengindeksan di pangkalan internet multimedia telah dikembangkan.

Bab keenam menyajikan deskripsi paket perangkat lunak eksperimen Spoer, v.l.02 pada pemrosesan urutan gambar dan mengenali objek dan acara yang bergerak. Ini melakukan pemrosesan hierarkis sistemik dari urutan gambar hingga tingkat pengakuan objek dan peristiwa tertinggi. Ini adalah sistem otomatis yang membutuhkan partisipasi seseorang untuk belajar dan menetapkan grafik, jaringan dan pengklasifikasi. Sejumlah modul sistem tingkat rendah beroperasi secara otomatis.

Dalam studi eksperimental yang dilakukan menggunakan paket perangkat lunak spoer, VL02, urutan video bekas dan urutan gambar inframerah dari basis tes "OTCBV" 07 ", uji urutan video" Hamburg Taxi "," Rubik Cube "dan rekaman video. Lima metode penilaian gerak diuji. Metode yang diusulkan untuk urutan video menunjukkan hasil yang paling akurat dan memerlukan volume perhitungan komputer yang lebih kecil dibandingkan dengan metode lain. Berbagi urutan video yang disinkronkan dan urutan inframerah disarankan ketika vektor kecepatan dikurangi. Modul pencahayaan adegan.

Untuk mengenali objek visual dengan transformasi morfologis yang diizinkan dari proyeksi, perkiraan normal terintegrasi dari bentuk kontur COP dari bagian umum dari proyeksi objek antara frame yang berdekatan dengan kondisional dan luas total 5e dan perkiraan invarian fungsi korelasi bagian umum dari proyeksi FCOR. Penggunaan metode yang dimodifikasi dari metode pengambilan keputusan kolektif memungkinkan Anda untuk "membuang" pengamatan yang tidak berhasil dari gambar input (kasus-kasus proyeksi objek yang tumpang tindih, distorsi visual dari adegan dari sumber cahaya, dll.) Dan memilih pengamatan yang paling tepat. Eksperimen telah menunjukkan bahwa penggunaan metode pengambilan keputusan kolektif yang dimodifikasi meningkatkan akurasi pengakuan dengan rata-rata 2,4-2,9%.

Hasil eksperimental penilaian - gerak; Segmentasi dan pengenalan objek diperoleh pada urutan pengujian gambar ("Hamburg Taxi", "Rubik Cube". "Silent", urutan video dan urutan inframerah dari basis uji OTCBVS * 07). Untuk pengakuan tindakan aktif orang, contoh-contoh digunakan dari pangkalan uji hewan peliharaan, "Caviar", "VACE". Hasil terbaik menunjukkan pengakuan dalam dua urutan. Juga, hasil eksperimen terbaik dicapai ketika mengenali tindakan aktif berkala orang yang tidak dalam kelompok (berjalan, berlari, naik tangan). Respons palsu disebabkan oleh iluminasi dan keberadaan bayangan dalam sejumlah adegan.

Atas dasar kompleks eksperimental "Rusie", V. 1.02, sistem pemrosesan informasi video untuk berbagai target dikembangkan: "Pendaftaran visual lisensi negara untuk kendaraan bermotor dengan gerakan multi-utas", "sistem identifikasi sistem kulkas Enclosures pada gambar "," algoritma lansekap dan segmentasi dan algoritma segmentasi. Identifikasi benda. " Algoritmik dan perangkat lunak ditransfer ke organisasi yang tertarik. Hasil tes menunjukkan kinerja perangkat lunak yang dikembangkan pada disertasi model dan metode yang diusulkan dalam pekerjaan disertasi.

Dengan demikian, hasil berikut diperoleh dalam pekerjaan disertasi:

1. Model formal pemrosesan dan pengakuan struktur ruang-waktu berdasarkan prosedur hierarkis adaptif dibangun. Memproses urutan gambar, ditandai dengan bahwa mereka memperhitungkan transformasi isomorfik dan homomorfik dan fungsi umum dari invarian statis dan dinamis diturunkan. Juga dibangun model untuk pencarian fitur statis dan dinamis objek untuk empat masalah dalam menganalisis urutan gambar tergantung pada keberadaan sensor video moving1 dan objek bergerak dalam adegan.

2. Ketentuan utama dari pendekatan deskriptif untuk mengenali urutan gambar, memungkinkan untuk mempertimbangkan tujuan objektif pada tahap awal pemrosesan urutan gambar dengan segmentasi selanjutnya dari bidang minat, membangun lintasan gerakan dan mengakui perilaku objek dinamis, Akun prasejarah pergerakan benda saat melintasi proyeksi mereka, menemani nomor variabel observasi.

3. Metode hierarkis pemrosesan dan pengakuan struktur spatio-temporal, yang terdiri dari tiga tingkat dan lima tahap, dan menunjukkan normalisasi proyeksi objek, yang mengurangi jumlah standar untuk satu kelas ketika mengenali objek dinamis yang kompleks.

4. Metode untuk memperkirakan pergerakan untuk urutan gambar dari rentang radiasi elektromagnetik yang terlihat dan inframerah ditandai dalam bahwa set ruang-waktu data, disajikan dalam bentuk 3 £\u003e tensor struktural dan tensor. Mengalir, masing-masing. Evaluasi yang dihasilkan dari gerakan memungkinkan Anda memilih metode segmentasi objek visual yang paling efektif yang berbeda dalam jumlah proyeksi yang diizinkan.

5. Model gerakan multi-level dari wilayah gambar berdasarkan vektor kecepatan lokal, ditandai dengan itu memungkinkan Anda untuk membagi adegan tidak hanya ke objek latar depan dan latar belakang, tetapi juga pada tingkat pergerakan objek jarak jauh dari pengamat. Ini terutama berlaku untuk adegan kompleks yang terdaftar oleh sensor video yang bergerak, ketika semua objek adegan berada dalam gerakan relatif.

6. Algoritma segmentasi adaptif untuk objek dinamis telah dikembangkan: a) Untuk objek dengan sejumlah proyeksi, berdasarkan analisis prasangka wilayah dinamis lokal, ditandai dengan saat gambar, bentuk, wilayah tersebut Menurut template saat ini selesai dan, tunduk pada aplikasi filter Kalman, diprediksi, saat ini, lintasan; b) Untuk objek dengan jumlah proyeksi sewenang-wenang berdasarkan analisis terintegrasi, warna, tekstur, statistik, tanda-tanda topologi dan tanda-tanda gerak, ditandai dengan saat gambar tumpang tindih ^, bentuk wilayah selesai menggunakan kontur aktif. metode.

7. Metode untuk membangun magiografi video dinamis dari adegan kompleks sesuai dengan metode pengelompokan hierarkis tanda-tanda komprehensif tingkat yang lebih rendah ke dalam struktur spasial lokal yang tahan pada waktu, dan lebih jauh ke objek spasial lokal. Video yang terbentuk sesuai dengan hubungan sementara antara objek dan mempertahankan semua fitur umum untuk mengenali peristiwa dalam adegan. Tata bahasa dua dimensi m.i. Schlesinger dalam rangka metode struktural pengakuan terhadap tata bahasa kontekstual tiga tingkat.

8: Metode pengambilan keputusan kolektif dimodifikasi untuk mengenali objek dinamis, awalnya melakukan pengakuan atas citra area kompetensi, dan kemudian memilih aturan menentukan yang kompetensinya maksimum di area yang ditentukan. Empat jenis jarak pseudo dibangun untuk menemukan ukuran kesamaan dari input gambar dinamis dengan standar, tergantung pada penyajian tanda-tanda dinamis.

9. Metode pengakuan peristiwa berdasarkan jaringan Bayesian, yang melakukan pemotongan rekursif dari matriks koefisien berat dalam video input dan perbandingan dengan peristiwa referensi yang diperoleh selama fase studi. Informasi ini adalah inisial untuk menentukan genre adegan dan mengindeks urutan video dalam database internet multimedia.

10. Tugas praktis pemrosesan dan pengakuan urutan gambar diselesaikan dengan menggunakan metode hierarkis adaptif dari pemrosesan ruang-waktu, kinerja metode ditampilkan, efisiensi sistem metode pemrosesan hierarkis ditunjukkan. Pengakuan atas informasi visual dengan kemungkinan pemilihan tanda-tanda adaptif di. Proses memecahkan masalah. Hasil yang diperoleh dalam bentuk sistem eksperimental yang dirancang dipindahkan ke organisasi yang tertarik.

Dengan demikian, dalam disertasi ini, pekerjaan telah memecahkan masalah ilmiah dan teknis yang penting dari dukungan informasi sistem pengawasan video dan arah baru dikembangkan di bidang pemrosesan ruang-waktu dan mengenali gambar dinamis.

1. Analisis otomatis gambar kompleks / ed. Em. Screenshot. M.: MIR, 1969. - 309 p. Bongard m.m. Masalah pengakuan. - m.: Sains, 1967.-320 p.

2. Alpatov, B.A., Deteksi objek bergerak dalam urutan gambar dengan adanya pembatasan pada area dan kecepatan objek / B.A. Alpatov, A.A. China // Pemrosesan Gambar Digital, №1, 2007. hal. 11-16.

3. Alpatov, B.A., Alokasi objek bergerak dalam kondisi distorsi geometris dari gambar / B.A. Alpatov, P.V. Babayan // Perawatan Digital dari Sinyal, No. 45 2004. P. 9-14.

4. Alpatov, B.A., Babayan P.V. Metode pemrosesan dan analisis gambar "Di sistem onboard untuk mendeteksi dan memelihara objek / B. Alpatov, P.V. pemrosesan sinyal digital Babayan //, No. 2, 2006. 45-51 p.

5. Bolshakov, A.A., Metode untuk memproses data multidimensi dan seri waktu: Tutorial untuk Universitas / A.A. Bolshakov, r.i. Karimov / m.: Hotline-Telecom, 2007. 522 ppm: Bongard, M.M. Masalah Pengakuan / M.M. Bongard / m.: Sains, 1967.-320 p.

6. Bully, A.B. Teori proses acak1 / A.B. Bully, A.n. Shiryaev / m.: Fizmatlit, 2005. 408 p.

7. Weinzweig, M.N. Arsitektur sistem presentasi adegan dinamis visual dalam hal konsep / m.n.vainzweig, M.N. Polyakova // Sat. Tr. 11 vsview. conf. "Metode matematika pengakuan gambar (MMRO-11)", M., 2003. C.261-263.

8. VAPNIK, V.N. Belajar tugas untuk mengenali gambar / v.n. VAPNIK / M.: Pengetahuan, 1970. - 384 p.

9. P.VAPNIK, V.N. Teori pengakuan gambar (masalah statistik pembelajaran) / v.n. Vapnik, uda. Chervonenkis / m.: Sains, 1974. 416 p.

10. Vasiliev, V.i. Pengakuan Memindahkan TEL / V.I. Vasilyev, A.g. Ivaknenko, v.e. Reutsky et al. // otomatisasi, 1967, No. 6, hal. 47-52.

11. Vasiliev, V.i. Mengenali sistem / v.i. Vasilyev / Kiev: Sains. Dumka, 1969. 292 p.

12. Vasiliev, v.i. Mengenali sistem. Direktori / v.i. Vasilyev / Kiev, Sciences, Dumka, 1983. 422 p.

13. Visilter, Yu.v. Penerapan metode menganalisis bukti morfologis dalam tugas penglihatan mesin\u003e / Yu.v. Vizilter // Buletin dari komputer dan teknologi informasi, No. 9, 2007 p. 11-18.

14. Vizilter, Yu.v. Morfologi proyektif berdasarkan interpolasi / yu.v. Vizilter // Buletin Teknologi Komputer dan Informasi, №4, 2008.-s. 11-18.

15. Vizilter, Yu.v., morfologi proyektif dan penggunaannya dalam analisis struktural gambar digital / Yu.v. Vizilter, S.Yu. Kuning // izv. Luka TISA, № 6, 2008. C. 113-128.

16. Vizilter, Yu.v. Investigasi perilaku filter autoregresi dalam tugas alokasi dan analisis gerak pada urutan video digital / Yu.v. Vizilter, B.V. Vishnyakov // Buletin dari komputer dan teknologi informasi, No. 8, 2008. - Dengan. 2-8.

17. Vizilter, Yu.v. Morfologi Proyektif Gambar berdasarkan model yang dijelaskan oleh fungsional fungsionals /U.v. Vizilter, S.Yu. Kuning // Buletin Teknologi Komputer dan Informasi, No. 11, 2009.- 12-21.

18. Wisnyakov, B.V. Menggunakan metode aliran optik yang dimodifikasi dalam tugas pelacakan deteksi dan interkader bergerak.

19. Ganebny, S.N. Analisis adegan berdasarkan penggunaan representasi pohon dari gambar / S.N. Ganebny, M.M. Lange // Sat. Tr. 11th All-Ross. conf. "Metode matematika pengakuan gambar (MMRO-11)", M., 2003.-S. 271-275.

20. Glushkov, V.M. Pengantar Cybernetic / v.m. Glushkov / Kiev: Publishing House of the Academy of Sciences SSR Ukraina, 1964. 324 p.

21. Gonzalez, R., Woods R. Digital Image Processing. Bahasa Inggris. Ed. P.a. Sochi / R. Bongsalez, R. Woods / M.: Technosphere, 2006. 1072 p.

22. Goroshkin, A.N., Segmentasi gambar naskah (Segpic) / A.N. Goroshkin, M.N. Favorskaya // Sertifikat No. 2008614243. Terdaftar dalam Daftar Program untuk Eum Moskow, 5 September 2008

23. Grenander, W. Kuliah tentang Teori Gambar / W. Grenander / pada 3 t. / Per. Bahasa Inggris. Ed. Yu.i. zhuravleva. M.: Mir, 1979-1983. 130 s.

24. Carman, I.S. Pemrosesan gambar digital dalam sistem informasi: pendidikan. Manual / I.S. Gruzman, B.C. KIRICHUK, V.P. Kosy, g.i.pertiagin, a.a. Spector / Novosibirsk, penerbitan House of Nstu, 2003. hlm. 352.

25. Output yang dapat diandalkan dan masuk akal dalam sistem intelektual / ed. V.n. Vagina, D.A. PosPelova. 2nd ed. dan tambahkan. - m.: Fizmatlit, 2008. - 712 p.

26. Duda, R. Pengakuan Gambar dan Analisis Adegan / R. Duda, P. Hart / m.: Publishing House "Peace", 1978. 512 p.

27. Zhuravlev, Yu.i. Pada pendekatan aljabar untuk menyelesaikan tugas pengakuan dan klasifikasi / yu.i. Zhuravlev // Masalah Sibernetika: Sat. Seni., Vol. 33, m.: Sains, 1978. p. 5-68.

28. Zhuravlev, Yu.i. Pada koreksi aljabar dari prosedur pemrosesan (transformasi) informasi / yu.i. Zhuravlev, K.V. Rudakov // Masalah Matematika Terapan dan Informatika, M.: Sains, 1987. 187-198.

29. Zhuravlev, Yu.i. Pengakuan gambar dan pengakuan gambar / yu.i. Zhuravlev, I.B. Pengakuan Gurevich // Tahun Bebas ". Klasifikasi. Ramalan cuaca. Metode matematika dan aplikasi mereka ", Vol. 2, m.: Sains, 1989.-72 p.

30. Zhuravlev, Yu.i. Pengakuan gambar dan analisis gambar / yu.i. Zhuravlev, I.B. Kecerdasan Gurevich / buatan dalam 3-kn. KN. 2. Model dan Metode: Direktori / ed. IYA. PosPelova, M.: Rumah penerbitan "Radio dan Komunikasi", 1990. - C.149-190.

31. Zagorukhiko, N.G. Metode pengakuan dan aplikasi mereka / n.g. Goruiko / m.: SOV. Radio, 1972. 206 p.

32. Zagorukhiko, N.G. Kecerdasan buatan dan prediksi empiris / n.g. Zagorukhiko / Novosibirsk: Ed. NSU, \u200b\u200b1975. 82 p.

33. Ivaknenko, A.G. Pada penggunaan teori invarian dan kombinasi kontrol ke sintesis dan menganalisis siswa / A.g. Ivakhnenko // Otomasi, 1961, No. 5, hal. 11-19.

34. Ivaknenko, G.I. Pengakuan belajar mandiri dan sistem kontrol otomatis / A.g. Ivakhnenko / Kiev: Teknik, 1969. 302 p.

35. Kashkin, VB Penginderaan jauh bumi dari luar angkasa. Pemrosesan Gambar Digital: Tutorial / V.B. Kashkin, A.I. Su-kinin / m.: Logo, 2001. 264 p.

36. Kobzar, A.I. Statistik matematika terapan. Bagi para insinyur dan ilmuwan / A.i. Kobzar / m.: Fizmatlit, 2006. 816 hal.

37. Kovalevsky, v.a. Metode korelasi pengakuan gambar / v.a. Kovalevsky // Zhurn. dihitung. Matematika dan Mat. Fisika, 1962, 2, No. 4, hal. 684-690.

38. Kolmogorov, A.N: epsilon-entropi dan epsilon-wadah set di ruang fungsional / A.N. Kolmogorov, v.m. Tikhomirov // Teori informasi dan teori algoritma. M.: Nauka, 1987. 119-198.

39. Jagung, Direktori Matematika untuk Ilmuwan dan Insinyur / Korn, T. jagung // m.: Sains, Ch. ed. tikar fisik. LIT., 1984. 832 p.

40. Crocker, R. Fraktals dan kekacauan dalam sistem dinamis / R. krono-ver // m.: Technosphere, 2006. 488 p.

41. Lapko, A.B. Sistem klasifikasi non-parametrik * dan hybrid data diferensial / A.v. Lappko, BLA. Lapto // tr. Vsisuro ke-12. conf. "Metode matematika dan model pengenalan pola" (MMRO-12), M., 2005.- 159-162.

42. Levtine, K.E. Deteksi Asap Visual (SmokeDection) / K.E.Levutin, M.N. Favorskaya // Sertifikat No. 2009612795. Terdaftar dalam Daftar Program untuk Eum Moskow, Juli 2009

43. LUZIV, V.R. Prinsip penyatuan sistem robot optik / v.r. LUZIV, M.N. Favorskaya // v- knn. "Unifikasi dan Standarisasi Robot Industri", Tashkent, 1984. hlm. 93-94.

44. LUZIV, V.R. Sistem Optik Universal untuk GAP / V.R. LUZIV, M.N. Favorskaya // di kn. "Pengalaman dalam menciptakan, mengimplementasikan dan menggunakan ASUTP dalam asosiasi dan perusahaan", L., LDNTP, 1984. hlm. 44-47.

45. Medvedeva, E.V. Metode untuk memperkirakan vektor gerak dalam gambar video / E.V. Medvedeva, B.O. Timofeev // dalam materi Konferensi Internasional ke-12 dan pameran "pengobatan digital sinyal dan penerapannya", m.: Dalam 2 ton. T. 2, 2010. C. 158-161.

46. \u200b\u200bMetode gambar pemrosesan komputer / ed. V.a.syofer. 2 ed., Sp. - m.: Fizmatlit, 2003. - 784 p.

47. Metode deteksi otomatis dan pemeliharaan benda. Pemrosesan dan Manajemen Gambar / B. A. Alpatov, P.V. Babayan, O.E. Balashov, A.I. Kulit Stepash. -M.: Radio Radio, 2008. - 176 p.

48. Metode Optik Komputer / Ed. V.a.syofer. M.: Fizmatlit, 2003. - 688 p.

49. Mudrov, A.E. Metode numerik untuk PEVM dalam BendaK, Fortran dan Pascal / A.E. WISE / TOMSK: MP "RASCO", 1991. 272 \u200b\u200bp.

50. Pahirk, A.I. Lokalisasi wajah (keunggulan) / A.I. Pakhirka, M.N. Favorskaya // Sertifikat No. 2009611010. Terdaftar dalam Daftar Program untuk Eum Moskow, 16 Februari 2009

51. Pahirk, A.I. Peningkatan gambar nonlinear / A.I. Pakhirka, M.N. Favorskaya // Sertifikat No. 2010610658. Terdaftar dalam Daftar Program untuk Eum Moskow, 31 Maret 2010

52. Pontryagin, L. S. Kelompok Berkelanjutan J L. S. Polltryagin // 4 Ed., M.: Sains, 1984.-520 p.

53. Potapov, A.A. Fraktal di Radiofisika dan Radar: Topologi Sampling / A.A. Potapov // ed. 2nd, rekreasi. dan tambahkan. - M.: Buku Universitas, 2005. 848 p.

54. Radchenko, Yu.S. Penelitian algoritma deteksi spektral "Perubahan dalam urutan video / Yu.s. Maradchenko, A.v. Buligin, T.A. Radchenko // IZV. Universitas. Radioelektronika,; P. 49-59.

55. Salnikov, I.i. Sinyal waktu-waktu raster dalam sistem analisis gambar / I.I. Salnikov // m.: Fizmatlit, 2009. -248 p.

56. Sergunin, S.Yu. Skema Konstruksi Dinamis Deskripsi Multi-Level Gambar / S.Yu. Sergunin, Kvashinn, M.I. Kumskov // Sat. Tr. 11 vsview. CON: "Metode matematika pengenalan gambar (MMRO-11)", M., 2003. hal. 436-439:

57. Slynyko, Yu.v. Memecahkan masalah iringan simultan dan tonjolan dengan metode Percaya Maksimum / Yu.v. Slyanko // Digital Treatment of Signals, No. 4, 2008. hal. 7-10.

58. Solo, R. Psikologi Kognitif / R. SOLCO / SPB.: Peter, 6 Ed., 2006. 590 p.

59. Tarasov, I.E. Pengembangan perangkat digital berdasarkan xi-linx pls menggunakan bahasa VHDL / I.E. Tarasov / m.: Hotline-Telecom, 2005. - 252 p.

60. Favorskaya, M.N. Pengembangan algoritma pengenalan gambar digital di kompleks robot adaptif / m.n *. Favorskaya // l!, Leningrad Institute of In-T Avez. Instrumen., 1985. Departemen Naskah: Viniti 23.01.85. No. 659-85 dep.

61. Favorskaya; M N. Menerapkan metode spektral untuk normalisasi dan pengakuan gambar dalam kompleks robot adaptif / M.N. *. Favorskaya // L., Leningradsky, Institut Aviator. Instrumen., 1985. Naskah departemen. di viniti23.01.85. № 660-85 dep.

62. Favorskaya, M.N. Pengalaman mengembangkan algoritma untuk pengakuan objek untuk produksi stamping / M.N. Favorskaya // di kn. "Status, pengalaman, dan petunjuk kerja pada otomatisasi terintegrasi berdasarkan GPS, RTK, dan PR", Penza, 1985. hlm. 64-66.

63. Favorskaya, M.N. Studi properti proyektif dari kelompok objek / M.N. Favorskaya, Yu.B. Kozlova // Buletin dari Universitas Aerospace Negara Siberia. Vol. 3, Krasnoyarsk, 2002. - Dengan. 99-105.

64. Favorskaya, M.N. Penentuan struktur affine objek yang bergerak / M.N. Favorskaya // Buletin dari Universitas Aerospace Negara Bagian Siberia, Vol. 6, Krasnoyarsk, 2005. - Dengan. 86-89.

65. Favorskaya- M.N. Klasifikasi umum pendekatan untuk pengenalan gambar / m-.n. Favorskaya // B.< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Invarian fungsi-fungsi menentukan dalam tugas mengenali gambar statis / M.N. Favorskaya // Buletin dari Universitas Aerospace Negara Bagian Siberia. Vol. 1 (14), Krasnoyarsk, 2007. hal. 65-70.

67. Favorskaya, M.N. Metode probabilistik segmentasi aliran video sebagai tugas dengan data yang hilang / M.N. Favorskaya // Buletin dari Universitas Aerospace Negara Bagian Siberia. Vol. 3 (16), Krasnoyarsk, 2007. hal. 4-8.

68. Favorskaya, M.N. Pemilihan fitur informatif target dalam sistem pengenalan gambar / M.N. Favorskaya // di materi XI antara Dunar. Ilmiah conf. "Devetnev membaca" Sibghau, Krasnoyarsk, 2007 p. 306-307.

69. Favorskaya, M.N. Strategi segmentasi dari gambar dua dimensi / M.N. Favorskaya // Dalam bahan-bahan konferensi ilmiah All-Rusia "model dan metode pemrosesan gambar MMO", Krasnoyarsk, 2007. hal. 136-140.

70. Favorskaya, M.N. Segmentasi gambar lansekap berdasarkan pendekatan fraktal / M.N. Favorskaya // Dalam materi Konferensi Internasional ke-10 dan pameran "pengobatan digital sinyal dan penerapannya", M., 2008. hal. 498-501.

71. Favorskaya, M.N. Model pengakuan teks tulisan tangan / M.N. Favorskaya, A.N. Goroshkin // Buletin dari Siberian State4 i, ventilasi Universitas Aerospace. Vol. 2 "(19), Krasnoyarsk, 2008. hal. 52-58.

72. Favorskaya, M.N. Algoritma untuk mengimplementasikan penilaian gerak dalam sistem pengawasan video / M.N. Favorskaya, A.C. Shilov // Teknologi Informasi Manajemen Sistem. Penelitian yang menjanjikan / IPU RAS; VGTU, № 3.3 (33), M.-Voronezh, 2008. hal. 408 ^ 12.

73. Favorskaya, M.N. Pada penggunaan tata bahasa formal ketika mengenali objek dalam adegan yang kompleks //m. Favorskaya / dalam materi ilmu publik internasional XIII. Conf. "Pembacaan Devetnev." Dalam 2 jam 4.2, Krasnoyarsk, 2009. hal. 540-541.

74. Favorskaya, M.N. Pengakuan gambar dinamis berdasarkan prediksi filter / M.N. Favorskaya // Buletin dari Universitas Aerospace Negara Bagian Siberia. Vol. 1 (22) dalam 2 jam. 4f. 1, Krasnoyarsk, 20091 S. 64-68.

75. Favorskaya, M.N., Metode, Mencari Traffic V.VideoSlerts / M.N. Favorskaya, A.I. Pahir, A.C. Shilov; M.v. Duma // Buletin. Universitas Aerospace Negara Siberia. Vol. 1 (22) Pada 2 p. 2, Krasnoyarsk, 2009. hal. 69-74.

76. Favorskaya, M.N. Menemukan Objek Video Bergerak, dengan aplikasi - Tensor Struktural 3D Lokal / M.N. Favorskaya // Buletin dari Universitas Aerospace Negara Bagian Siberia. Vol. 2 (23), Krasnoyarsk, 2009. hal. 141-146.

77. Favorskaya, M.N. Evaluasi pergerakan objek dalam adegan kompleks berdasarkan pendekatan tensor / M.N. Favorskaya // pemrosesan sinyal digital, No. 1.2010.-c. 2-9.

78. Favorskaya, M.N. Perhitungan Kompleks Karakteristik Gambar Lanskap / M.N. Favorskaya, N.Yu. PETUKHOV // Jurnal Optik, 77, 8, 2010.- 54-60.

79. Fij, B.C. Pengenalan Gambar / B.C. Fine // m.: Sains, 1970.-284 p.

80. FORSYT, D.A. Visi komputer. Pendekatan Modern / D.A. Forsait, J. pons // m.: Penerbitan rumah "Villama", 2004. 928 p.

81. Fu, K. Metode berurutan dalam mengenali gambar dan pelatihan mesin / K. fu / m.: Sains, 1971. 320 p.

82. Fu, K. Metode struktural dalam pengakuan gambar / K. fu / m.: Perdamaian, 1977.-320 p.

83. Fukunaga, K. Pengantar Teori Pengakuan Statistik Gambar / K. fukunaga / m.: Sains, 1979. 368 p.

84. Shelukhin, O.i. Seperti diri dan fraktal. Aplikasi Telekomunikasi / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / ed. Ih. Shelukhin. M.: Fizmatlit, 2008. 368 p.

85. Shilov, A.s. DEFINISI GERAKAN (SUKAU) / A.S. Shilov, M.n. Favorskaya // Sertifikat No. 200961014. Terdaftar dalam Daftar Program untuk Eum Moskow, 16 Februari 2009

86. SH. Shlevinger, M.I. Metode korelasi pengakuan urutan gambar / M.I. Schlesinger / Dalam buku: Membaca mesin. Kiev: Nauk .Dadka, 1965. Dengan. 62-70.

87. Schlesinger, M.i. Analisis sintaks sinyal visual dua dimensi dalam kondisi interferensi / M.I. Schlesinger // Cybernetics, No. 4, 1976. - P.76-82.

88. Stark, G.-g. Penggunaan wavelets untuk COS / G.-G. Stark / ML: Technosphere, 2007. 192 p.

89. Shup, T. Menerapkan metode numerik dalam fisika dan teknologi: per. dari bahasa Inggris / T. shup / ed. S.P. merkuryeva; M.: Lebih tinggi. SHK., 19901 - 255 hal.11 "5. Listrik, Sumber Daya: http: // www.cse.ohio-scate.edu/otcbvs-bench

90. Sumber daya listrik: http://www.textures.forrest.cz/ Sumber daya elektronik (tekstur pustaka gambar tekstur forrest).

91. Electr, Resource: http://www.ux.uis.no/~tranden/brodatz.html sumber daya elektronik (basis gambar tekstur brodatz).

92. Allili M.S., Ziou D. Kontur Aktif untuk Pelacakan Objek Video Menggunakan Wilayah, Batas dan Bentuk Informasi // Sivip, Vol. 1, tidak. 2, 2007. PP. 101-117.

93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. Estimasi gerak kamera yang kuat menggunakan model aliran optik // catatan kuliah di

94. Ilmu Komputer (termasuk catatan kuliah subserties dalam kecerdasan buatan dan catatan kuliah dalam bioinformatika) 5875 LNCS (Bagian 1), 2009. PP. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Klasifikasi acara video menggunakan kernel string // multimed. Alat appl., Vol. 48, tidak. 1, 2009. PP. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Konsorisasi Aksi dalam video sepak bola menggunakan kernel string // in: Proc. IEEE INT "L Workshop pada Pengindeksan Multimedia Berbasis Konten (CBMI). Chania, Crete, 2009. PP. 13-18.

97. Barnard K., Fan QF, Swaminathan R., Hoogs A., Collins R, Rondot P., dan Kaufold J. Evaluasi semantik lokal: data, metodologi, dan eksperimen // International Journal of Computer Vision, IJCV 2008, Vol. 77, tidak. 1-3.2008.-PP. 199-217.

98. Bertini M., Del Bimbo A., Serra G. Aturan Belajar untuk Acara Video Semantik Anotasi // Catatan Kuliah dalam Ilmu Komputer; Dalam: Proc. Dari int "l konferensi tentang sistem informasi visual (visual), vol. 5188, 2008. PP 192-203.

99. BoBick A.F., Davis J.W. Pengakuan gerakan manusia menggunakan templat temporal // ieee transaksi pada analisis pola dan intelijen mesin, vol. 23, Tidak. 3, 2001. PP. 257-267.

100. Boiman O., Iran M. Mendeteksi penyimpangan dalam gambar dan dalam video // International Journal of Computer Vision, Vol. 74, tidak. 1, 2007. PP. 17-31.

101. Bresson X., Vandegheynst P., Thiran J.-p. Model variasi untuk segmentasi objek menggunakan informasi batas dan bentuk sebelumnya didorong4 oleh Mumford-Shah Fungsional // International Journal of Computer Vision, Vol. 68, tidak. 2, 2006.-PRP. 145-162.

102. Cavallaro A. Salvador E., Ebrahimi T. Shadow-Sadar Pemrosesan video berbasis objek // IEEE Vision; Pemrosesan gambar dan sinyal, Vol. 152, tidak. 4, 2005.-pp. 14-22.

103. Chen J., Ya J. Pelatihan SVM dengan kernel tidak terbatas // di: Proc. Dari konferensi internasional 25 tentang pembelajaran mesin (ICML), Vol. 307, 2008. PP. 136-143.

104. Cheung S.-m., Moon Y.-s. Deteksi Pendekatan Pejalan Kaki dari kejauhan menggunakan pola intensitas temporal // MVA2009, Vol. 10, tidak. 5, 2009. -PP. 354-357.

105. DALAI N., Triggs B., dan Schmid G. Deteksi Manusia menggunakan histogram aliran dan penampilan yang berorientasi // dalam ECCV, Vol. II 2006. PP. 428 ^ 141.

106. Dalai N., Triggs B. Histogram Gradien Berorientasi untuk Deteksi Manusia // Konferensi IEEE tentang Visi Komputer dan Pengenalan Pola (CVPR), Vol. II 2005-PP. 886-893.

107. Dani A.P., Dixon W.E. Struktur kamera tunggal dan estimasi gerak // catatan kuliah dalam ilmu kontrol dan informasi, 401, 2010. PP. 209-229.

108. Datta Ri, Joshi D;, Li J., dan Wang J. Z1 Pengambilan Gambar: Gagasan, Pengaruh, dan Tren Usia Baru // ACM "- Survei Komputasi, Vol. 40: No: 2, 2008. ■ -PP. 1-60.

109. Dikbas S., Arici T., Altunbasak Y. Estimasi gerak cepat dengan akurasi sub-sampel bebas interpolasi // IEEE transaksi pada sirkuit dan sistem untuk teknologi video 20 (7), 2010. -pp. 1047-1051.

110. Dolar P., RACAUD V., Cottrell G., Pengakuan perilaku S. S.LEMEN MELALUI FITUR SPATIO-TOBAMA // DI: PROC. Lokakarya Internasional IEEE Bersama ke-2 tentang Evaluasi Pelacakan dan Pengawasan, VS-PETS, 2005. PP. 65-72.

111. Donatini P. Dan Frosini P. Pseudodistance alami antara permukaan tertutup // Jurnal Masyarakat Matematika Eropa, Vol. 9, tidak. 2, 2007 pp. 231-253.

112. Donatini P. Dan Frosini P. Pseudodistance Alami antara kurva tertutup // Forum Mathematicum, Vol. 21, tidak. 6, 2009. PP. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Deteksi Acara Visual Menggunakan Dinamika Konsep Multi-Dimensional // Di: Proc. IEEE INT "L Conference on Multimedia dan Expo (ICME), 2006. PP. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Realistis 3D-pemodelan pertumbuhan hutan dengan efek alami // Prosiding KES International Symposium 2010, Baltimore. AMERIKA SERIKAT. Springer-Verlag, Berlin, Heidelberg. 2010.-pp. 191-199.

115. Francois A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL: Kerangka kerja ontologi untuk mewakili dan memberitahukan acara video // IEEE Multimedia, Vol: 12; tidak. 4, 2005. PP. 76-86.

116. Gao J., Kosaka A: KAK A.C. Pendekatan penyaringan multi-Kalman untuk pelacakan video benda-benda yang digambarkan manusia di "lingkungan // IEEE com-puter visi dan pemahaman gambar, 2005, V. 1, no. 1. PP. 1-57

117. GUI L., THAAN J.-P., PARAGIOS N. Segmentasi objek bersama dan klasifikasi perilaku dalam urutan gambar // IEEE Conf. Pada pengenalan visi dan pola komputer, 17-22 Juni 2007. PP. 1-8.

118. HaasDonk B. menampilkan interpretasi ruang angkasa SVMS dengan kernel tidak terbatas // ieee transaksi pada analisis pola dan kecerdasan mesin. Vol. 27, tidak. 4, 2005. PP. 482-492.

119. Harris C. dan Stephens M. Combined Corner and Edge Detector // Di Fourth Alvey Vision Conference, Manchester, UK, 1988. PP. 147-151.

120. Haubold A., Naphade M. Klasifikasi Acara Video Menggunakan Fitur Gerak Tertekan 4 Dimensi // Di Civr "07: Prosiding dari The6th ACM International Confcrccnce Pada Gambar dan Video Pengambilan, NY, 2007. . 178-185.

121. Jaringan Saraf S. Haykin: Pendahuluan yang Sesuai. / N.y.: Prentice-Hall, 1999; - 658 PI.

122. Hoynck M., Unger M., Wellhausen J. dan Ohm J.-r. Pendekatan yang kuat untuk estimasi gerak global untuk analisis video berbasis konten // Prosiding Spie Vol. 5601, Bellingham, WA, 2004. PP. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Deinterlacing menggunakan Hierarchical Motion Analysis // IEEE Transaksi pada Sirkuit dan Sistem untuk Teknologi Video 20 (5), 2010. PP. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-Pohon, Pohon Oktober dan K-Pohon: Pendekatan umum untuk decuksi rekursif ruang Euclidean // Transaksi IEEE Onpami, Vol. 5, tidak. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R:, Hebert Mi. Deteksi acara visual yang efisien menggunakan fitur volumetrik // di: Proc. Dari Int "L Conference on Computer Vision (ICCV), Vol.1, 2005.-PRP. 166-173.

126. Klaser A., \u200b\u200bMarszalek M., dan Schmid C.A deskriptor spatio-temporal berdasarkan gradien 3D // di BMVC, Visi Mesin Inggris, Konferensi, 2008. -P. 995-1004.

127. Kovashka, A., Grauman, untuk mempelajari hierarki fitur lingkungan ruang-waktu diskriminatif untuk pengenalan tindakan manusia // Prosiding Konferensi Masyarakat Komputer IEEE tentang visi komputer dan pengakuan pola, 2010. Pp.2046-2053.

128. Kumskov M.I. Skema perhitungan model objek yang akan dikenali // pengenalan pola dan analisis gambar, vol. 11, tidak. 2, 2001. hal. 446-449:

129. Kwang-Kyu S. Pengambilan gambar berbasis konten dengan menggabungkan algoritma genetik dan mendukung mesin vektor // di ICANN (2), 2007. PP. 537-545.

130. Lai C.-l., Tsai S.-t., Hung Y.-P. Sebuah studi tentang kalibrasi koordinat tiga dimensi menggunakan sistem fuzzy // simposium internasional pada komputer, komunikasi, kontrol dan otomatisasi 1, 2010. - pp. 358-362.

131. LAPTEV I. PADA POIN BUNGA RACE // International Journal of Computer Vision, Vol. 64, tidak. 23, 2005. PP. 107-123.

132. Leibe B., Seiln E., Deteksi Schiele B. Pejalan Kaki Terakhir * Adegan // Konferensi IEEE tentang Visi Komputer dan "Pengenalan Pola, Vol. 1, 2005.-PRP. 878- 885

133. Lew M. S., SEBE N., Djeraba C., dan Jain R. Multimedia berbasis konten1 Retriereval: Keadaan seni dan tantangan // transaksi ACM pada komputasi multimedia, komunikasi, dan aplikasi, Vol. 2, tidak. 1, 2006. PP. 1-19.

134. Li J. dan Wang J. Z. Anotasi gambar real-time terkomputerisasi // IEEE Trans. PAMI, VOL. 30, 2008. PP. 985-1002.

135. Li L., Luo R., MA R., Huang W., dan Leman K. Evaluasi sistem IVS untuk deteksi objek yang ditinggalkan pada dataset PETS 2006 // Proc. 9 ieee magang. Lokakarya di Hewan Piaraan, New York, 2006. PP. 91-98.

136. Li L., Socher R., dan Fei-Fei L. terhadap pemahaman adegan total: klasifikasi, anotasi dan segmentasi dalam kerangka kerja otomatis // Konferensi IEEE tentang pengenalan komputer dan pengenalan pola, CVPR, 2009. PP. 2036-2043.

137. Li Q., \u200b\u200bWang G., Zhang G.) Chen S. Estimasi Global Global yang Akurat Berdasarkan Piramida dengan Mask // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao / Jurnal dari Desain Berbantu Komputer dan Grafis Komputer, Vol: 21 , tidak. 6, 2009. PP. 758-762.

138. Lindemberg T., Akbarzadeh A. dan LAPTEV I. Operator Bunga Spatio-Temporal Galilean-Diasonalisasi / / Prosiding Konferensi Internasional 17 tentang Pengakuan Pola (ICPR "04), 2004. PP. 1051-1057

139. Lim J., Barnes, N. Estimasi epiPole menggunakan aliran optik pada titik antipodal // visi komputer dan pemahaman gambar 114, tidak. 2, 2010. PP. 245-253.

140. Lowe D. G. Fitur gambar khas dari keypoints skala-invarian // International Journal of Computer Vision, Vol. 60, tidak. 2, 2004. PP. 91-110.

141. Lucas B.D., Kanade T. Teknik pendaftaran gambar itteratif dengan aplikasi untuk Stereo Vision // Konferensi Bersama Internasional tentang Intelijen Buatan, 1981. PP. 674-679.

142. Mandelbrot B; b. Geometri fraktal Nature / N.Y.: Freeman ^ 1982. 468 p.; Russ, per: Mandelbrot B. Fraktal, Geometri Alam: Per. dari bahasa Inggris / M.: Institut Studi Komputer, 202. - 658 p.

143. Mandelbrot v.v., Frame M.L. Fraktal, Grafik, dan Pendidikan Matematika / N. Y.: Springer-Verlag, 2002. 654 p.

144. Mandelbrot B.B. Fraktal dan kekacauan: mandelbrot set. Dan di luar / tidak.: Springer-Verlag, 2004. 308 p.

145. Memoli F. Pada penggunaan jarak Gromov-Hausdorff untuk perbandingan bentuk // Prosiding Simposium Eurografi pada grafis berbasis titik. Praha, Republik Ceko, 2007. PP. 81-90.

146. Mercer J. Fungsi tipe positif dan negatif dan hubungannya dengan teori persamaan integral // transaksi masyarakat filosofis London (a), vol. 209, 1909. PP. 415-446.

147. Mikolajczyk K. Deteksi fitur lokal Invarian ke transformasi affine, Ph.D.thesis, Institut National Polytechnique de Grenoble, Prancis. 2002.171 p.

148. Mikolajczyk K. dan Schmid G. Pendeteksi Poin Bunga Invarian Invarian // Prosiding ECCV. Vol. 1. 2002. PP. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Pengakuan tindakan manusia menggunakan mesin pembelajaran ekstrim berdasarkan kosakata visual // neurocomputing, vol. 73 (10-12), 2010. PP. 1906-1917.

150. Mladenic D., Skowron A., EDS: ECML. Vol. 4701 catatan kuliah dalam Ilmu Komputer, Springer, 2007. PP. 164-175.

151. Estimasi Moshe Y., HEL-atau H. Video Block Estimasi Berdasarkan Kernel Kode Abu-abu // IEEE Transaksi Pada Pemrosesan Gambar 18 (10), 2009. PP. 22432254.

152. Nakada T., Kagami S; Mizoguchi H. Deteksi Pejalan Karat Menggunakan urutan aliran optik 3D For- Afmobile Robot // IEEE Sensors, 2008. PP: 116-119:

153. Needleman, S.B:,. Wuntsch C.D; Metode umum yang berlaku untuk pencarian kesamaan dalam * urutan asam amino dari dua protein // jurnal "biologi molekuler vol. 48, No: 3, 1970. PP. 443-453.

154. Neuhaus M., Bungkuk H. Edit fungsi kernel berbasis jarak - untuk klasifikasi pola struktural // pengenalan pola. Vol. 39, tidak. 10, 2006. PP: 1852-1863.

155. Nevatia R., Hobbs J., dan Bolles B. Ontologi untuk perwakilan acara video // di bengkel pada deteksi dan pengakuan peristiwa. IEEE, vol.12, tidak. 4, 2004. PP. 76-86.

156. Nguyen.n.-t., Laurendeau D:, Branzan-Albu A. Metode yang kuat untuk estimasi gerak kamera dalam film berdasarkan aliran optik // 6 internasional