სივრცითი და დინამიური მოდელები. მოდელირების ტიპების კლასიფიკაცია

არსებობს ამოცანების კლასი, რომელშიც ინფორმაცია ^ სტრუქტურა და კომპლექსური სცენის ობიექტების მოძრაობა (დახურულ ოთახებში ვიდეოთვალის ობიექტების გადაადგილება, ხალხის დიდი კასეტური ადგილების, რობოტოტექნიკური კომპლექსების გადაადგილების კონტროლი, მონიტორინგი მანქანების მოძრაობა და ა.შ.). Image Sequences არის კომპლექსური საინფორმაციო რესურსი, სივრცეში და დროში სტრუქტურირებული და მრავალმხრივი ინფორმაციით, მრავალმხრივი სიგნალების სახით, დინამიური ობიექტების კომპიუტერულ და ფიზიკურ მოდელებში მისი პრეზენტაციის ფორმა, ფენომენი, პროცესები. ციფრული გამოსახულების დამუშავების ახალი ტექნიკური შესაძლებლობები საშუალებას იძლევა ნაწილობრივ გაითვალისწინოთ გამოსახულებების ასეთი სპეციფიკა, ერთდროულად ვიზუალური გამოსახულების ადამიანის აღქმის შემეცნებითი თეორია.

სივრცითი-დროებითი რაოდენობის მონაცემების ანალიზი საშუალებას გაძლევთ არა მხოლოდ სტატიკური, არამედ სადამკვირვებლო ობიექტების დინამიური ნიშნები. ამ შემთხვევაში, აღიარების პრობლემა შეიძლება განისაზღვროს, როგორც სახელმწიფო კომპლექტის კლასიფიკაცია ან ტრაექტორიების კლასიფიკაციის კლასიფიკაცია, რომლის გადაწყვეტა არ არის აღიარების კლასიკური მეთოდებით, რადგან დროებითი გადასვლები ^ შეიძლება გენერირება, გარდაქმნას გამოსახულებები, რომლებიც არ არის აღწერილი ცნობილი ანალიტიკური დამოკიდებულებით; ასევე, დინამიური ობიექტების აღიარების ამოცანასთან ერთად, მაგალითად, აქტიური ქმედებების აღიარების ამოცანები წარმოიქმნება, მაგალითად, ადამიანთა კასეტური კლასტერის ადგილებში არასანქცირებული ქმედებების იდენტიფიცირება ან მულტიმედიური მონაცემთა ბაზების ინდექსირებისთვის სცენაზე ჟანრის განსაზღვრა. თუ ჩვენ მიგვაჩნია, რომ ობიექტებისა და მოვლენების ამოცანების ამოცანების ამოცნობა ერთი პროცესის სახით გამოსახულებების თანმიმდევრობით, მაშინ ყველაზე შესაფერისი პარალელური დამუშავების ელემენტებით იერარქიული მიდგომა.

სტატიკური სურათების სახით (ფოტოსურათების) და ვიდეო sequences- ის ინფორმაციის შეგროვებისა და რეპროდუქციის ტექნიკური საშუალებების გაუმჯობესება მოითხოვს მეთოდებისა და ალგორითმების შემდგომ განვითარებას მათი დამუშავების, სიტუაციის ანალიზისა და გამოსახულებული ობიექტების აღიარებაზე. გამოსახულების აღიარების ამოცანების თავდაპირველი თეორიული ფორმულირება 1960-1970 წლებში. და აისახა ცნობილი ავტორების რამდენიმე ნამუშევარში. გამოსახულების აღიარების ამოცანას შეიძლება განსხვავდებოდეს ობიექტების აღიარების ფაქტობრივი ამოცანად, სცენების ანალიზის ამოცანების ანალიზის ამოცანები და მანქანების ხედვის პრობლემების ამოცანები. ამ შემთხვევაში, ინტელექტუალური გადაწყვეტილების მიღების სისტემები სურათების და გამოსახულების აღიარების მეთოდების საფუძველზე კომპლექსური ტიპის შეყვანის შესახებ ინფორმაციის გამოყენების შესახებ. იგი ეკუთვნის ელექტრომაგნიტური სპექტრის ფართო ტალღის ფართო სპექტრს (ულტრაიისფერი, ხილული, ინფრაწითელი და ა.შ.) და ინფორმაციას ხმის სურათებისა და ადგილმდებარეობის მონაცემების სახით. მიუხედავად სხვადასხვა ფიზიკური ბუნება, ასეთი ინფორმაცია შეიძლება წარმოდგენილი იყოს როგორც რეალური გამოსახულებები ობიექტების და კონკრეტული გამოსახულებები. Radiometric მონაცემები არის ბინა გამოსახულებები სცენა წარმოდგენილი პერსპექტიული ან orthogonal პროექტორის. ისინი ჩამოყალიბებულია გარკვეული სპექტრული დიაპაზონის ელექტრომაგნიტური ტალღების ინტენსივობის გაზომვით, აისახება ან გამოიმუშავეს სცენა. ჩვეულებრივ გამოიყენოთ ფოტომეტრული მონაცემები, რომლებიც შეფასებულია ხილული სპექტრული დიაპაზონის - მონოქრომატული (ნათელი) * ან ფერადი სურათები: მდებარეობს მონაცემების სივრცული კოორდინატები სცენაზე. თუ კოორდინატები იზომება ყველა წერტილის სცენაზე, მაშინ ასეთი ადგილას მონაცემების მასივი შეიძლება ეწოდოს სცენაზე სიღრმე. არსებობს გამარტივებული გამოსახულებები გამოსახულებები (მაგალითად, არასრულყოფილი პროექტორის მოდელი, რომელიც წარმოდგენილია სუსტად პერსპექტიული, para- პერსპექტიული, ორთოგონალური და პარალელური პროგნოზებით), რომელშიც სცენაზე სიღრმე განიხილება მუდმივი მნიშვნელობა და სცენარის ადგილმდებარეობა არ განახორციელოს სასარგებლო ინფორმაცია. ხმის ინფორმაცია ამ შემთხვევაში დამხმარე მოვლენაშია.

ფოტომეტრული მონაცემები ყველაზე სწრაფად იზომება. ობიექტური ინფორმაცია, როგორც წესი, გამოითვლება სპეციალური მოწყობილობებისგან მიღებული მონაცემების მიხედვით (მაგალითად, ლაზერული დიაპაზონი, რადარი) ან სიკაშკაშის სურათების ანალიზის სტერეოსკოპიული მეთოდის გამოყენებით. ადგილმდებარეობის მონაცემების ოპერატიული მიღების სირთულეების გამო (განსაკუთრებით სცენაზე ვიზუალური ობიექტების სწრაფად შეცვლისთვის), დომინირებს ერთ ვიზუალურ სურათზე სცენაზე აღწერის ამოცანები. სცენაზე მონოკულური ვიზუალური აღქმის ამოცანები. ზოგადად, შეუძლებელია სრულიად განსაზღვროს სცენარის გეომეტრია ერთი გამოსახულება. მხოლოდ გარკვეული შეზღუდვები საკმარისად მარტივი მოდელის სცენაზე და პრიორიტეტების თანდასწრებით ობიექტების სივრცითი ადგილმდებარეობის შესახებ შეიძლება აშენდეს სრული სამგანზომილებიანი აღწერის ერთი გამოსახულება. ამ სიტუაციის გასასვლელად ერთი გზა არის ერთი ან მეტი ვიდეოკამერისგან მიღებული ვიდეოკამერების დამუშავება და ანალიზი, რომელიც მოქმედებს ან სივრცეში მოძრავი.

ამრიგად, გამოსახულებები რეალურ სამყაროს შესახებ ინფორმაციის გავრცელების ძირითადი ფორმაა და საჭიროა ინდივიდუალური სურათებისა და ვიდეოს თანმიმდევრობის ტრანსფორმაციისა და სემანტიკური ანალიზის შემდგომი განვითარების მეთოდები. ასეთი ინტელექტუალური სისტემების განვითარების ერთ-ერთი უმნიშვნელოვანესი მიმართულებაა გამოსახულების აღწერისა და კონვერტაციის მეთოდების შერჩევა, მათი ინფორმაციის ბუნების და აღიარების მიზნების გათვალისწინებით უკვე გამოსახულების დამუშავების საწყის ეტაპებზე.

ამერიკის შეერთებული შტატების მკვლევართა პირველი ნამუშევრები (ლუიზიანას სახელმწიფო უნივერსიტეტი, კარნეგე მელონის უნივერსიტეტი, პიტსბურგი), შვედეთი ("გამოთვლითი ხედვა და აქტიური აღქმის ლაბორატორია (CVAP), რიცხვითი ანალიზისა და კომპიუტერული მეცნიერების დეპარტამენტი), საფრანგეთი (INRIA), გაერთიანებული სამეფო (Leeds University), გერმანია (Karlsruhe უნივერსიტეტი), ავსტრია, ჩინეთი (კომპიუტერული მეცნიერების სკოლა, Fudan University) გამოსახულების თანმიმდევრობის დამუშავების შესახებ და 1980-იანი წლების ბოლოს გამოქვეყნდა დინამიური ობიექტების აღიარება. მოგვიანებით, მსგავსი სამუშაოები დაიწყო და გამოჩნდა რუსეთში: მოსკოვში (MSU, MAI (GTU), MIPT, Gosniy AS), S. Petherburg (SPSU, Guap, Fsue Goi, Lomo), Ryazan (RGTU), Samara (SGAU), Voronezh (VSU), Yaroslavl ( Yargu), Kirov (VSU), Taganrog (TTI YUFU), Novosibirsk (NSU), Tomsk (TGPU), Irkutsk (IRGU), Ulan-Ude (VGTU) და სხვა ქალაქები. უნდა აღინიშნოს ასეთი გამოჩენილი რუსი მეცნიერები ჩართული ამ სფეროში, ისევე როგორც აკადემიკოსი RAS, ექიმი N. Yu. I. Zhuravlev, შესაბამისი წევრი RAS, D.T.N. V. A. SHANIFER, D.T.N. ნ. გ. Zagorukhiko, d.t.n. ლ. მ. ბელიცკი, დ.ტ.N. ბ) ა. ალპატოვი და სხვა. თუმცა, რეალურ მსოფლიო ობიექტების ქცევის სირთულისა და მრავალფეროვნების გამო, დინამიური გამოსახულების აღიარებისას გადაუჭრელი პრობლემებია. ამდენად, ამ მიმართულებით უნდა გააუმჯობესოს მოდელები, მეთოდები და ალგორითმები დინამიური ობიექტებისა და მოვლენების აღიარებისათვის სხვადასხვა ელექტრომაგნიტური რადიაციული მერყეობის სურათების თანმიმდევრობის შესახებ, რაც საშუალებას მოგცემთ განახორციელოს ვიდეო-უარყოფითი სისტემების განვითარება ხარისხობრივად ახალ დონეზე.

სადისერტაციო სამუშაოების მიზანია დინამიური ობიექტების აღიარების ეფექტურობის გაზრდა, მათი აქტიური ქმედებები და მოვლენები გარე და შიდა ვიდეო სათვალთვალო სისტემების გამოსახულების თანმიმდევრობის კომპლექსური სცენებით.

მიზანი განისაზღვრა შემდეგი ამოცანების მოსაგვარებლად:

მოძრაობის შეფასების მეთოდების ანალიზისთვის ზედიზედ სურათების კომპლექტზე ობიექტების გადაადგილების მეთოდების ანალიზი, კომპლექსური სცენების დინამიური ობიექტების სეგმენტაციის მეთოდები, ასევე სხვადასხვა დინამიური ობიექტების დინამიური ობიექტების აღიარების და თვალთვალის სისტემების მიდგომების მიდგომები სამიზნეები.

სტატიკური და დინამიური გამოსახულების აღიარების მოდელები, რომლებიც ეფუძნება დროებითი სერიის დამუშავების იერარქიულ პროცედურას, კერძოდ, გამოსახულების თანმიმდევრობით.

ელექტრომაგნიტური რადიაციის სხვადასხვა რიცხვებში მიღებული სივრცითი-დროებითი ინფორმაციის დინამიური სტრუქტურების გადაადგილების მეთოდის შემუშავება, რომელიც საშუალებას გაძლევთ აირჩიოთ სეგმენტაციის მეთოდები, რაც დამოკიდებულია მოძრაობის ბუნებაზე და ამით, დინამიური სურათების ადაპტაციური აღიარების შესასრულებლად.

შექმენით დინამიური სტრუქტურების მრავალმხრივი მოძრაობის მოდელი კომპლექსური სცენაში, რაც საშუალებას იძლევა დინამიური სტრუქტურების ტრაექტორია მოპოვების საფუძველზე და გამოაქვეყნოს ჰიპოთეზები ანალიზის საფუძველზე ვიზუალური ობიექტების არსებობის შესახებ ფერისტორიის მოძრაობები.

სეგმენტაციის ყოვლისმომცველი ალგორითმის შემუშავება, რომელიც ითვალისწინებს დინამიური სტრუქტურების განსაზღვრულ ნიშნებს, მოძრაობის თვითნებურ მიმართულებებსა და ობიექტის პროგნოზების გადაფარვას, კომპლექსურ სცენაზე მრავალ დონის მოძრაობის მოდელების საფუძველზე.

სცენარის ფორმალური გრამატიკისა და ვიდეოჩანაწერის დინამიური სურათების აღიარების მეთოდის შემუშავება კოლექტიური გადაწყვეტილების მიღების მეთოდის საფუძველზე, ასევე კომპლექსური სცენარის აქტიური ქმედებების და მოვლენების აღიარების მეთოდების გამოყენებით აქტიური სვეტების გამოყენებით ქმედებები და მოვლენები (კომპლექსური სცენის ვიდეოს გაფართოება) და Bayesian ქსელი.

განვითარებული მეთოდებისა და მოდელების მიხედვით, სხვადასხვა მიზნებისათვის დიზაინის ექსპერიმენტული სისტემების საფუძველზე; განკუთვნილია იმ ობიექტების გამოსახულების დამუშავებისათვის, რომლებიც ახასიათებს 2 £-abosculation- ის ფიქსირებულ და თვითნებურ კომპლექტს და დინამიური სურათების აღიარებას. კომპლექსური სცენები.

მეთოდები, კვლევა. დისერტაციის მუშაობის შესრულებისას გამოსახულებების აღიარების თეორიის მეთოდები, სურათების, სიგნალის დამუშავების თეორიის აღიარების თეორია, ვექტორული ანალიზის მეთოდები და ტიენსორის კალკულაცია, ასევე ჯგუფების თეორია, ფორმალური გრამატიკის თეორია.

სადისერტაციო სამუშაოების სამეცნიერო სიახლე ასეთია:

1. დინამიური სურათების ტრანსფორმაციის ახალი მოდელი, რომელიც ახასიათებს სეგმენტაციის გაფართოებულ იერარქიულ დონეს (ადგილობრივ და გლობალურ მოძრაობას) და აღიარებას (ობიექტებსა და მათ აქტიურ ქმედებებს), რომელიც საშუალებას აძლევს იპოვონ სამიზნე ფუნქციები სტატიკური სცენაზე მოძრავი ობიექტებისა და დინამიური სცენებით მაქსიმალური დინამიური ინვარიანტის კონცეფციის საფუძველზე.

2. გამოსახულების აღიარების აღწერითი თეორია გაფართოვდა ოთხი ახალი პრინციპის დანერგვით: აღიარების მიზნებისათვის ანალიზის საწყის ეტაპებზე, დინამიური ობიექტების ქცევის აღიარება, ფონდის შეფასება, სადამკვირვებლო ობიექტების ცვლადი რაოდენობა, რომელიც საშუალებას იძლევა მოძრავი ობიექტების აღიარების ხარისხის გაუმჯობესება წყაროს მონაცემების საინფორმაციო შინაარსის გაზრდით.

3. პირველად, ადაპტირებული სივრცითი-დროებითი მეთოდი, რომელიც შეაფასებს მოძრაობის შესაფასებლად სინქრონული ელექტრომაგნიტური რადიაციული რადიაციის სინქრონული თანმიმდევრობით, რაც საშუალებას იძლევა, სხვადასხვა იერარქიულ დონეზე მოძრაობის ნიშნები, ორივე ტიპის უპირატესობებით აერთიანებს გამოსახულების თანმიმდევრობები.

4. შემუშავდა მრავალ დონის მოძრაობის ახალი მოდელი; რომელიც საშუალებას აძლევს სცენას ცალკეულ დონეზე; არა\u003e შეზღუდული; ზოგადად მიღებული გაყოფა წინა პლანზე და ფონზე, რომელიც საშუალებას გაძლევთ შეასრულოს ობიექტების გამოსახულებების უფრო საიმედო სეგმენტაცია; კომპლექსური პერსპექტიული სცენები.

5: გამართლებული? და აშენდა; ახალი; დინამიური ობიექტების განზოგადებული სეგმენტაციის ალგორითმი; ერთად, გამოიყენოთ, ბევრი ნიშნები ^ ქცევის პრეისტორია; და საშუალებას აძლევს მონიტორინგს ინდივიდუალური ვიზუალური ობიექტების დინამიკას და ობიექტების ურთიერთქმედებას სცენაზე (პროგნოზების გადაფარვა, ვიდეო სენსორების თვალსაზრისით) გამოჩენა / გაუჩინარება) ჯგუფური ტრანსფორმაციის საფუძველზე; და პირველად, ობიექტის პროგნოზების (ორი მეზობელი პერსონალის) შემოთავაზებული ანალიზი (ორი მეზობელი პერსონალი) ინტეგრალური და ინვარტნირებული შეფასების გამოყენებით.

6. კოლექტიური გადაწყვეტილების მიღების მეთოდი, რომელიც ხასიათდება ობიექტის ურთიერთქმედების პროგნოზების მოძიებაში და საშუალებას გაძლევთ გაითვალისწინონ დაკვირვების პრეპარატი, რათა აღიარონ Bayesian Network- ის აქტიური ქმედებები და მოვლენები და ასევე შემოთავაზებული ოთხი ტიპის ფსევდო- დინამიური ნიშნების პრეზენტაციის მიხედვით დინამიური სურათების მსგავსად V დინამიური გამოსახულების მსგავსების დისტანციებზე.

პრაქტიკული მნიშვნელობა. სადისერტაციო და ალგორითმებში შემოთავაზებული მეთოდები და ალგორითმები განკუთვნილია პრაქტიკული გამოყენებისათვის "საავტომობილო სატრანსპორტო საშუალებების მონიტორინგთან სახელმწიფო პროექტის" უსაფრთხო ქალაქის "მონიტორინგთან ერთად, ავტომატური კონტროლის სისტემებში სხვადასხვა ტექნოლოგიური წარმოების პროცესებზე, გარე ვიდეო სათვალთვალო სისტემებში და ვიდეოთვალის დახურულ ოთახებში, აგრეთვე საჰაერო ფოტოსურათების ობიექტების იდენტურობის სისტემებში და ლანდშაფტის სურათების აღიარების სისტემებში. სადისერტაციო კვლევების საფუძველზე სხვადასხვა სფეროებში გამოყენებული დინამიური ობიექტების დამუშავებისა და აღიარების საფუძველზე შეიქმნა საქმიანობა.

სამუშაოს შედეგების განხორციელება. კომპიუტერული პროგრამების რუსეთის რეესტრში რეგისტრირებული პროგრამები: პროგრამა "ხელნაწერი ტექსტური სურათების სეგმენტაცია (სეგმენტი)" (სერთიფიკატი No. 2008614243, მოსკოვი, 5 სექტემბერი, 2008); პროგრამა "მოძრაობის განმარტება (MotionStimation)" (სერთიფიკატი № 2009611014, მოსკოვი, 2009 წლის 16 თებერვალი); პროგრამა "Face Localization (Facedetection)" (სერთიფიკატი No. 2009611010, მოსკოვი, 2009 წლის 16 თებერვალი); პროგრამა "სტატიკური გამოსახულების (ბუნებრივი ეფექტების იმიტაცია) ვიზუალური ბუნებრივი ეფექტების დაწესების სისტემა (სერთიფიკატი №19612794, მოსკოვი, 2009 წლის 30 ივლისი); პროგრამა "კვამლის ვიზუალური გამოვლენა" (მტკიცებულება №2009612795, მოსკოვი, 2009 წლის 30 ივლისი); "საავტომობილო სატრანსპორტო საშუალებების სახელმწიფო სატრანსპორტო საშუალებების ვიზუალური რეგისტრაციის პროგრამა მრავალრიცხოვანი მოძრაობის (FNX Ctranalyzer)" (FNX Ctranalyzer) "(FNX Ctranalyzer)" (FNX Ctranalyzer) "2010612795, მოსკოვი, 23 მარტი, 2010), პროგრამა" არაწრფივი გამოსახულების გაფართოება (არაწრფივი გამოსახულების გაფართოება) "(სერტიფიკატი №2010610658, გ. მოსკოვი, 31 მარტი, 2010

აქტების მიღება ალგორითმური და პროგრამული უზრუნველყოფის გადაცემის და გამოყენების შესახებ მაცივარის ხაზის შესახებ (OJSC KZH "Biryusa", Krasnoyarsk), ლანდშაფტირებული სურათების ობიექტების ობიექტების იდენტიფიცირება (რადიო შენობა "Vega", OJSC KB "მსუბუქი ", Rybinsk Yaroslavl რეგიონში), სეგმენტაცია ტყის მცენარეული ფოტოსურათების (Altex Geomatics LLC, მოსკოვი) კომპლექტი, რათა გამოავლინოს სახელმწიფო რეგისტრაციის ნიშნების ფირფიტები ვიდეო sequences ერთად multithreadeded მოძრაობით და გააუმჯობესოს ხარისხის მათი რუკების ^ (Ukibdd Guvd Krasnoyarsk ტერიტორია, Krasnoyarsk).

განვითარებული ალგორითმები და პროგრამული უზრუნველყოფა გამოიყენება საგანმანათლებლო პროცესში დისციპლინების "ინტელექტუალური მონაცემთა დამუშავების" გაკვეთილების ჩატარებისას, "კომპიუტერული ტექნოლოგიები მეცნიერებისა და განათლების მეცნიერებისა და განათლების სფეროში", "ციფრული გამოსახულების დამუშავების თეორიული საფუძვლები", "სურათების აღიარება", "ნერვული ქსელები" , "ალგორითმების სურათები", "დამუშავების ვაკანსიების ალგორითმები", "სცენების ანალიზი და მანქანების ხედვა" ციმბირის სახელმწიფო კოსმოსურ უნივერსიტეტში აკადემიკოს მ.ფ. Reshetnyeva (Sibgaau).

სადისერტაციო საქმიანობაში მიღებული შედეგების სიზუსტე უზრუნველყოფილია შესრულებული კვლევის მეთოდების სისწორეში, აგრეთვე განხორციელებული ტრანსფორმაციის მათემატიკური სიმძიმის მიერ გამოყენებული კვლევის მეთოდების სისწორე, აგრეთვე მათი ექსპერიმენტული გადამოწმების შედეგების ფორმულირებული დებულებების და დასკვნების შესაბამისად.

ძირითადი დებულებები დაცულია:

1. კომპლექსური სცენების დინამიური სურათების დამუშავებისა და აღიარების მოდელი, არსებითად გაგრძელდება "სეგმენტაციის იერარქიული დონეებისა და არა მხოლოდ ობიექტების აღიარება, არამედ მათი აქტიური ქმედებები.

2. დროებითი სერია (Image Sequences) გამოსახულების აღიარების შეფასების თეორიის გაფართოება ანალიზის მონაცემების ინფორმირობის გაზრდით არა მხოლოდ სივრცითი რეგიონში, არამედ დროის კომპონენტებით.

3. ტრაფიკის შეფასების ადაპტური სივრცითი დროებითი მეთოდი. ხილული და ინფრაწითელი ელექტრომაგნიტური რადიაციის სინქრონული თანმიმდევრობით მოცულობის ადგილობრივი ტერიტორიების ტენსორის წარმომადგენლობების საფუძველი.

4. მრავალმხრივი მოძრაობის მოდელი კომპლექსურ სცენებში, ობიექტური მოძრაობის ტრაექტორიების უფრო საიმედო ანალიზის გამოყოფის პერსპექტიული სცენების დაშლა.

5. დინამიური ობიექტების სეგმენტაციის განზოგადებული ალგორითმი, რომელიც საშუალებას აძლევს ჯგუფურ ტრანსფორმაციებს ჯგუფური ტრანსფორმაციის საფუძველზე ჯგუფური ტრანსფორმაციები და შემოთავაზებული ინტეგრალური და ინვარიანტული შეფასებები, იდენტიფიცირება ობიექტის პროგნოზების გადაფარვის, ვიდეოს მგრძნობიარე ობიექტების გამოჩენა / გაუჩინარება.

6. კოლექტიური გადაწყვეტილების მიღების მეთოდის საფუძველზე დინამიური სურათების აღიარების მეთოდები მეტრულ სივრცეებში, ასევე აქტიური ქმედებები და მოვლენები კომპლექსური სცენებით.

სამუშაოს დამტკიცება. ძირითადი დებულებები და სადისერტაციო კვლევების შედეგები დაფიქსირდა და განიხილეს 10 საერთაშორისო კონფერენციაზე "ნიმუში აღიარება და გამოსახულების ანალიზი: თანამედროვე საინფორმაციო ტექნოლოგიები", (ს.-პეტერბურგი, 2010), საერთაშორისო კონგრესი "ულტრა თანამედროვე სატელეკომუნიკაციო და კონტროლის სისტემები ICUMT2010 "(მოსკოვი, 2010); XII საერთაშორისო სიმპოზიუმი არაპარამეტრიული მეთოდების შესახებ კიბერნეტიკისა და სისტემის ანალიზში (კრასნოიარსკი, 2010), II საერთაშორისო სიმპოზიუმი "ინტელექტუალური გადაწყვეტილების ტექნოლოგიები - IDT 2010" (ბალტიმორ, 2010), III საერთაშორისო კონფერენცია. "ავტომატიკა, კონტროლი? და საინფორმაციო ტექნოლოგიები - Aoit-ICT "2010" (ნოვოსიბირსკი, 2010), მე -10, მე -12 და მე -12 საერთაშორისო კონფერენციებს "ციფრული სიგნალის დამუშავება და მისი გამოყენება" (მოსკოვი, 2008-2010), X საერთაშორისო სამეცნიერო და ტექნიკური კონფერენცია "თეორიული და თანამედროვე საინფორმაციო ტექნოლოგიების გამოყენებითი კითხვები "(ULAN-UDE, 2009), IX საერთაშორისო სამეცნიერო და ტექნიკური კონფერენცია" XXI საუკუნის Cybernetics და მაღალი ტექნოლოგიები "(Voronezh, 2008), ყველა რუსეთის კონფერენცია" მოდელები და მეთოდების დამუშავება "(კრასნოიარსკი 2007), XI, XI და XIII საერთაშორისო სამეცნიერო კონფერენციებში "Re-Shetynevsky Readings" (კრასნოიარსკი, 2006, 2007, 2009), ისევე როგორც კოსმოსური აპარატურის სახელმწიფო უნივერსიტეტის სამეცნიერო სემინარებში (სთერბურგი, 2009 ), კომპიუტერული მოდელირების ინსტიტუტი

RAS (Krasnoyarsk, 2009), გამოსახულების დამუშავების სისტემების ინსტიტუტი RAS (Samara, 2010).

პუბლიკაციები. სადისერტაციო კვლევის შედეგების მიხედვით, 53 ბეჭდური ნამუშევარი გამოქვეყნდა, რომელთა 1 მონოგრაფია, 26 სტატია 14 სტატია - პუბლიკაციებში WAK სიაში შედის, 2 სტატიები - Thomson Reuters- ში ჩამოთვლილი პუბლიკაციები: მეცნიერება ციტირების ინდექსი გაფართოებული / საკონფერენციო პროცედურების ციტირების ინდექსი "), 19 ანგარიშების რეზიუმე, კომპიუტერული პროგრამების რუსეთის რეესტრში რეგისტრირებული 7 მტკიცებულება, ისევე როგორც 3 ანგარიშზე NIR.

პირადი წვლილი. დისერტაციებში მითითებული ყველა ძირითადი შედეგი, მათ შორის, ამოცანების ჩამოყალიბება და მათი მათემატიკური და ალგორითმული გადაწყვეტილებების ჩამოყალიბება, ავტორის პირადად, ან მისი სამეცნიერო ხელმძღვანელობით და პირდაპირი მონაწილეობით. სამუშაოების მიხედვით, ტექნიკურ მეცნიერებათა კანდიდატისთვის კიდევ ორი \u200b\u200bდისერტაცია დაიცვა, როდესაც ავტორი ოფიციალური ხელმძღვანელი იყო.

სამუშაო სტრუქტურა. სამუშაო შედგება შესავალი, ექვსი თავი, დასკვნა, ბიბლიოგრაფიული სია. თეზისის ძირითადი ტექსტი შეიცავს 326 გვერდს, პრეზენტაციას ილუსტრირებულია 63 მოღვაწე და 23 მაგიდა. ბიბლიოგრაფიული სია მოიცავს 232 ნომერს.

6.7 დასკვნები თავში

ამ თავში, ექსპერიმენტული პროგრამული კომპლექსის სტრუქტურა და ძირითადი ფუნქციები, U.1.02, რომელიც ასევე აღწერილია დეტალურად, რომელიც ასრულებს გამოსახულების თანმიმდევრობის სისტემურ იერარქიულ დამუშავებას, უფლება აქვს ობიექტური აღიარებისა და მოვლენების მაღალ დონეზე. ეს არის ავტომატური სისტემა, რომელიც მოითხოვს პირის მონაწილეობას ტრენინგისა და კონფიგურაციისთვის. Count Graphs, ქსელები და კლასიფიკატორები. ავტომატური რეჟიმში მოქმედებს რიგი დაბალი დონის სისტემის მოდულები. პროგრამული პაკეტის სტრუქტურა ისეთია, რომ მოდულების მოდიფიკაცია შესაძლებელია სხვა სისტემის მოდულების გავლენას ახდენს სისტემის ძირითადი მოდულების ფუნქციური სქემები: მოდული, წინასწარი დამუშავება, მოძრაობის შეფასების მოდული, სეგმენტაციის მოდული, ობიექტის აღიარების მოდული და აქტიური მოქმედების აღიარების მოდული.

ექსპერიმენტული კვლევები ამ პროგრამული პაკეტზე დაფუძნებული ექსპერიმენტული კვლევები ჩატარდა რამდენიმე ვიდეო sequences და ინფრაწითელი sequences საწყისი ტესტი ბაზა "OTCBVS ^ 07", ტესტი ვიდეო ბეჭდების "ჰამბურგის ტაქსი", "Rubik Cube". "მდუმარე", ისევე როგორც საკუთარი ვიდეომასალაზე. შემოწმდა ხუთი მოძრაობის მეთოდი. ეს იყო ექსპერიმენტულად, რომ ინფრაწითელი თანმიმდევრობისთვის ბლოკებისა და შემოთავაზებული მეთოდის შედარება დახურულ ღირებულებებს აჩვენებს და ნაკლებად ზუსტია. ვიდეოს თანმიმდევრობისთვის შემოთავაზებული მეთოდი და თვალთვალის წერტილის მეთოდი ახლო შედეგების დემონსტრირებას ახდენს. ამავდროულად, განვითარებული tensor მიდგომა მოითხოვს კომპიუტერული კომპიუტერული კომპიუტერის მცირე მოცულობას, ვიდრე თვალთვალის წერტილის მახასიათებლების მეთოდით. სინქრონიზებული ვიდეო თანმიმდევრობის გაზიარება და ინფრაწითელი თანმიმდევრობები მიზანშეწონილია გამოიყენოთ სიჩქარის ვექტორული მოდულის მოძიება და შემცირებული სცენის განათების პირობებში.

ვიზუალური ობიექტების აღიარების მიზნით, ფსევდო-დისტანციებზე ოთხი ტიპის გამოყენება იყო (Hausdorff, Gromovo-Hausdorff, Frechech, Natural Pseudo-Distance) შეყვანის დინამიური სურათების მსგავსება დინამიური სურათებით (დინამიური პრეზენტაციის მიხედვით შესვლა - რიცხვითი მახასიათებლების კომპლექტი, ვექტორების კომპლექტი, ფუნქციების კომპლექტი). მათ აჩვენეს მათი თანმიმდევრულობა სურათების დასაშვები მორფოლოგიური ტრანსფორმაციისთვის. პირობითად მიმდებარე ჩარჩოებსა და მთლიანი ნაწილის 5E და ინვარიანტის შეფასების ობიექტის ზოგადი ნაწილის გენერალური ნაწილის ინტეგრირებული ნორმალიზებული შეფასებები, FCOR- ის საერთო ნაწილების კორელაციის ფუნქციაა პროგნოზები. კოლექტიური გადაწყვეტილების მიღების მეთოდის შეცვლილი მეთოდის გამოყენება საშუალებას გაძლევთ "გაუქმდეს" წარუმატებელი სურათების წარუმატებელი მოსაზრებები (ობიექტის პროგნოზების გადაფარვის შემთხვევები, სინათლის წყაროებიდან სცენაზე დამახინჯება და ა.შ.) და აირჩიეთ ყველაზე შესაფერისი დაკვირვება. ექსპერიმენტებმა აჩვენა, რომ კოლექტიური გადაწყვეტილების მაკიაჟის მოდიფიცირებული მეთოდის გამოყენება აუმჯობესებს ცნობის სიზუსტეს საშუალოდ 2.4-2.9% -ით.

მოძრაობის, სეგმენტაციისა და ობიექტების შეფასების ექსპერიმენტული შედეგები მიღებული იქნა სურათების გამოცდის თანმიმდევრობით ("ჰამბურგის ტაქსი", "რუბიკი კუბი". "მდუმარე", ვიდეო თანმიმდევრობა და ინფრაწითელი თანმიმდევრობები ტესტი ბაზის "SVVS" 07 " ). ხალხის აქტიური ქმედებების აღიარების მიზნით გამოყენებული იქნა ტესტირების ბაზების მაგალითები "ცხოველები", "ხიზილალა", "Vace". ტესტის ვიზუალური თანმიმდევრობის ხასიათი გავლენას ახდენს ინდიკატორებზე. მაღალი აღიარების ობიექტები, რომლებიც ახორციელებენ როტაციულ მოძრაობას ("რუბიკ კუბი "), უკეთესი - კაცის პატარა ობიექტები (" ჰამბურგის ტაქსი "," ვიდეო 1 "). საუკეთესო შედეგების ჩვენება ორი თანმიმდევრობით აღიარებას. ასევე საუკეთესო ექსპერიმენტული შედეგები მიღწეული იქნა იმ ადამიანთა პერიოდული აქტიური ქმედებების აღიარებისას, რომლებიც არ არიან ჯგუფებში (ფეხით, გაშვებული, იზრდება, ხელები). ყალბი პასუხები გამოწვეულია ზოგიერთ ადგილას ჩრდილების დაცემის გამო.

მეექვსე თავში, ასეთი გამოყენებული "პროექტები, როგორიცაა" სახელმწიფო ლიცენზიის ფირფიტების ვიზუალური რეგისტრაცია მრავალფუნქციური მოძრაობით "," ალგორითმები, "ალგორითმები, ლანდშაფტის გამოსახულებები, ობიექტების იდენტიფიკაცია" ალგორითმი და პროგრამული უზრუნველყოფა გადაეცემა დაინტერესებულ, ორგანიზაციებს: ტესტის შედეგებმა აჩვენა პროგრამული უზრუნველყოფის საფუძველზე შემუშავებული პროგრამული უზრუნველყოფის შესრულება და სადისერტაციო სამუშაოებში შემოთავაზებული მეთოდების საფუძველზე.

დასკვნა

სადისერტაციო სამუშაოები განხორციელდა და გადაწყდა ელექტრომაგნიტური გამოსხივების ხილული და ინფრაწითელი მერყეობის თანმიმდევრობით მიღებული სივრცის დროის მნიშვნელოვანი სამეცნიერო და ტექნიკური პრობლემა, და კომპლექსური სცენების დინამიური სურათების აღიარება. სივრცის დროის მონაცემების გადამუშავებისა და მოპოვების ნიშნების იერარქიული მეთოდების სისტემა არის მეთოდური საფუძველი გამოყენებითი ვიდეოთვალის ამოცანების გადაჭრისათვის.

შესავალში, სადისერტაციო სამუშაოების შესაბამისობა დასაბუთებულია, კვლევის მიზანი და ამოცანებია ჩამოყალიბებული, სამეცნიერო სიახლე და კვლევის პრაქტიკული ღირებულება ნაჩვენებია, წარმოდგენილია დაცვის ძირითადი დებულებები.

პირველი თავი გვიჩვენებს, რომ ვიდეოს თანმიმდევრობით ვიზუალური ობიექტები ხასიათდება უფრო მულტიდმიანადმიზმების დამახასიათებელ ვექტორულ ნიშნებს, ვიდრე "სტატიკური გამოსახულების აღიარების ამოცანების კლასიკურ ფორმულაში. სადისერტაციო სამუშაოებს საშუალოდ განსაზღვრავს ნაბიჯებს საშუალო და მაღალი გადამუშავების დონეები, რომლებიც აუცილებელია დინამიური სურათები.

სტატიკური სურათების აღიარების ამოცანების ძირითადი ტიპების კლასიფიკაცია, სტატიკური სცენები მოძრაობისა და გამოსახულების თანმიმდევრობით, რომელიც ასახავს ამ სფეროში მათემატიკური მეთოდების განვითარების ისტორიულ ხასიათს. გადაადგილების მეთოდების დეტალური ანალიზი, მოძრავი ობიექტების სეგმენტაციისთვის ალგორითმები, კომპლექსური სცენებით მოვლენების ინტერპრეტაციის მეთოდები განხორციელდა.

არსებული კომერციული ტექნიკური და პროგრამული კომპლექსები განიხილება ისეთ სფეროებში, როგორიცაა სხვადასხვა მიზნებისათვის, დამუშავების სპორტული ვიდეო მასალების მონიტორინგი, უსაფრთხოება (ინდივიდუალური აღიარება, დაცული ტერიტორიის არასანქცირებული შეღწევადობა), ასევე განიხილება ვიდეო სათვალთვალო სისტემების კვლევა.

მე -19 თავი 1-ის დასასრულს წარმოადგენს გამოსახულების თანმიმდევრობის სივრცის შემუშავების ფორმულირება, რომელიც წარმოდგენილია სამი დონის სახით და ხუთი ეტაპის დამუშავების ხუთი ეტაპისა და გამოსახულების თანმიმდევრობის შესახებ ვიზუალური ინფორმაციის აღიარება.

შემუშავდა თეზისის მეორე თავში, მათი სტატიკური გამოსახულებისა და გამოსახულების თანმიმდევრობის ობიექტების ფორმალური მოდელები. აშენებულია გამოსახულების სივრცეში და უშუალო ამოცანის მახასიათებლების დასაშვები. მოცემულია ინვარიანტის გადამწყვეტი ფუნქციების მშენებლობის წესები და განზოგადებული მაქსიმალური დინამიური ინვარიანტი. მრავალმხრივი სივრცის სხვადასხვა სურათების ტრაექტორია, ნიშნები შეიძლება იკვეთება. ობიექტების პროგნოზების გადაკვეთისას, განზოგადებული მაქსიმალური დინამიური ინვარიანტის მოძიება კიდევ უფრო რთულია და ზოგიერთ შემთხვევაში შეუძლებელი ამოცანაა.

გამოსახულებების აღიარების აღწერითი თეორიის ძირითადი პრინციპები განიხილება, რომელიც ეფუძნებოდა სურათების აღიარებისას ალგორითმული პროცედურების შერჩევისა და სინთეზირების რეგულარულ მეთოდებს. დამატებითი პრინციპები შემოთავაზებულია, რომ დინამიური სურათების აღწერილობითი თეორიის გაფართოება: სურათების თანმიმდევრულობის დამუშავების საწყის ეტაპზე აღიარების აღრიცხვა, დინამიური ობიექტების ქცევითი სიტუაციების აღიარება, დინამიური ობიექტების პრეისტორიის შეფასება, დაკვირვების ცვლადი რაოდენობა ობიექტების კომპლექსური სცენები.

სურათების თანმიმდევრობის ანალიზისთვის სამიზნე თვისებების ძიების პრობლემა დეტალურად განიხილება. სროლის ტიპის მიხედვით (განკარგვის შემთხვევაში), ვიდეო სენსორის მოძრაობა და ხილვადობის ზონაში მოძრავი ობიექტების ყოფნა. არსებობს ოთხი სიტუაციის აღწერილობა, როგორც ამოცანა, როგორც ამოცანა, როგორც ამოცანა ამოცანა.

მესამე ნაწილში ჩამოყალიბებულია გამოსახულებების თანმიმდევრობის დამუშავების ეტაპები და ობიექტების, აქტიური ქმედებების, მოვლენების, მოვლენების, მოვლენების აღიარების შესახებ. ეტაპები ასახავს ვიზუალური ინფორმაციის დამუშავების თანმიმდევრული იერარქიული ხასიათის. გამოსახულების Sequences- ის სივრცის დროის დამუშავების იერარქიული მეთოდების პირობები და შეზღუდვები.

გამოსახულების დინამიური რეგიონების კლასიფიკაცია ხორციელდება სტრუქტურული ტენსორის 31-ის 31) ანალიზით, რომლის საკუთარი ვექტორები განისაზღვრება მეზობელი ჩარჩოების ინტენსივობის ადგილობრივ გადაადგილებასთან და გამოიყენება ადგილობრივი ორიენტირებული დინამიური რეგიონების შესაფასებლად. ამ თვალსაჩინოა და ინფრაწითელი რადიაციული რადიაციული მოცულობის სივრცის მოცულობის მოძრაობის შეფასების ახალი მეთოდი დასაბუთებულია. სივრცითი შეცვლის ბირთვის გამოყენების შესაძლებლობა, ადაპტირებადი ზომისა და ორიენტაციის შესახებ. გარემოს ადაპტირება, პირველ რიგში, წრე ფორმას, შემდეგ კი 2-3 iterations- ის შემდეგ ორიენტირებული ელიფსის სახით საშუალებას გაძლევთ გააუმჯობესოთ გამოსახულების ორიენტირებული სტრუქტურების შეფასება. ასეთი სტრატეგია აუმჯობესებს გრადიენტურ შეფასებებს სივრცის დროში მონაცემების კომპლექტში.

ადგილობრივი მოძრაობის პარამეტრების შეფასება ხდება გეომეტრიული პრიმიტიული და ადგილობრივი რეგიონის სპეციალური პუნქტების გაანგარიშებით. ამრიგად, რეგიონების მოძრაობის ადგილობრივი ნიშნების შეფასება საფუძველია ვიზუალური ობიექტების აქსესუარების შემდგომი ჰიპოთეზების გაგრძელების საფუძველი ერთი ან სხვა კლასისთვის. სინქრონული ვიდეო-თანმიმდევრობისა და ინფრაწითელი თანმიმდევრობის გამოყენება საშუალებას იძლევა სურათის მოძრავი რეგიონების სეგმენტაციის შედეგების გაუმჯობესება და ადგილობრივი მოძრაობის ვექტორების მოძიება.

ნაჩვენებია, რომ ნაჩვენებია საზღვრების ყველა მიმართულებით აშენებული მრავალგანზომილებიანი გრადიენტური მეთოდების საფუძველზე, ფერადი სურათების გამოყენებით ორდერის მეთოდების ყველა მიმართულებით აშენებული მრავალგანზომილებიანი გრადიენტური მეთოდების საფუძველზე, ფერადი გამოსახულების გამოყენებით, აგრეთვე ტიპორის მიდგომის გამოყენებით მრავალგანზომილებიანი გრადიენტი მეთოდები. კონტურის ინფორმაციის გასარკვევად მეთოდები აუცილებელია რეგიონებისათვის დასაშვები პროგნოზების თვითნებური რაოდენობით.

მეოთხე თავში, მრავალმხრივი მოძრაობის მოდელი მოძრაობის სტრუქტურების საფუძველზე აშენებულია, რეალურ სცენის ობიექტების დინამიკას ასახავს და სცენაზე ორი დონის პრეზენტაციის გაფართოება ინტერესთა ობიექტებში დაყოფილია.

გამოკვლეულია თვითმფრინავის ობიექტების გადაადგილების მოდელები, რომლებიც ეფუძნება კომპაქტური ტყუილის ჯგუფების თეორიას. მოდელები წარმოდგენილია პროექტების ტრანსფორმაციისა და ტანსაცმლის მოდელების ჯიშებზე. ასეთი ტრანსფორმაციები კარგად აღწერს მოძრაობის სტრუქტურებს შეზღუდული რაოდენობის პროგნოზებით (ადამიანის მიერ შექმნილი ობიექტები). სტრუქტურების წარმომადგენლებმა შეუზღუდავი რაოდენობის პროგნოზები (ანთროპოგენური ობიექტები) (ანთროპოგენური ობიექტები) Affine ან Projective Transformations- თან ერთად თან ახლავს დამატებითი პირობები (კერძოდ, ვიდეოს სენსორის, მცირე ზომის ობიექტების და ა.შ.) . განმარტებები და თეორემა მოცემულია, დადასტურებულია ლ. ს. ფლრეციგიგინის საფუძველზე, რომლის საფუძველზეც შესაძლებელი იყო ჯგუფის კოორდინატების შიდა ავტომოქსიზმის მოძებნა, რომელიც აღწერს გარკვეულ ობიექტს მიმდებარე ჩარჩოებს შორის ცვლილებების სიზუსტით. ცვლილებების სიდიდე განისაზღვრება ინტერკადონის მოძრაობის შეფასების მეთოდით 3 "თავში.

ტრანსფორმაციის ჯგუფებს შორის დასაშვები გარდამავალი გაფართოების გაფართოება ეფუძნება 2 £ ბუნების ბუნების ბუნებას) - გამოსახულება (ცალკეული ობიექტის პროექტში ცვლილებების ჩვენება რამდენიმე ობიექტის ვიზუალური კვეთა: (ობიექტის ურთიერთქმედება)). კრიტერიუმები, რომლებიც, როდესაც ტრანსფორმაციის ჯგუფების შეცვლისას, აღმოჩენილია აქტიური ქმედებები და მოვლენები, კერძოდ, კერძოდ, CU კონტურის ფორმის ინტეგრირებული შეფასებები, ძირითადი ნაწილი პირობით მიმდებარე ჩარჩოებსა და მთლიანი ნაწილის ფართობი 5e და Invariant შეფასებები არის RSUG- ის პროექტების საერთო ნაწილების კორელაციის ფუნქცია "D, რომელიც საშუალებას გვაძლევს შეაფასოს ცვალებადობის ხარისხი და შეინიშნება ობიექტების გადაადგილების ბუნების იდენტიფიცირება.

ასევე აშენებულია სურათების თანმიმდევრობით ობიექტების შუამდგომლობა, რომელიც მოიცავს გადაადგილების ტრაექტორიების დროის სერიას, ობიექტის ფორმაში ცვლილებებს, როდესაც იგი გადადის 3 £ -ს, აგრეთვე ობიექტის სახით ასოცირდება ობიექტების ურთიერთქმედება სცენაზე და სენსორების თვალსაზრისით ობიექტის გამოჩენა / გაუჩინარება (გამოიყენება სცენაზე აქტიური ქმედებებისა და მოვლენების აღიარების მიზნით). ერთი

განზოგადებული სეგმენტაციის ალგორითმი კომპლექსური სცენების ობიექტებზე შემუშავდა, სეგმენტაციის კომპლექსური შემთხვევების გათვალისწინებით (სურათების გადაფარვისა და ობიექტების გადაფარვისა და გაუჩინარების გაუჩინარების გამო, კამერის, გადაადგილების სფეროში), რომელიც მოიცავს სამ ქვე- გადაიხადე: წინასწარი სეგმენტაცია, სეგმენტაცია და პოსტ-სეგმენტაცია. თითოეული ქვე-ხელშეკრულების, ამოცანების, წყაროსა და გამომავალი მონაცემების ჩამოყალიბება, ალგორითმების ბლოკირების დიაგრამები, რომლებიც საშუალებას იძლევა, კომპლექსური სცენების სეგმენტაცია, სხვადასხვა რადიაციული მერყეობის სინქრონული თანმიმდევრობების უპირატესობებით.

მეხუთე თავი განიხილავს დინამიური სურათების აღიარების პროცესს ფორმალური გრამატიკის გამოყენებით, სცენაზე ვიდეოგრაფი და კოლექტიური გადაწყვეტილების მიღების მოდიფიცირებული მეთოდით. დინამიური სცენა მრავალ დონის მოძრაობას აქვს დროის შეცვლის სტრუქტურა, ამიტომ მიზანშეწონილია სტრუქტურული აღიარების მეთოდების გამოყენება. კომპლექსური სცენების აღიარების სამივე დონის კონტექსტური გრამატიკა ობიექტების მრავალრიცხოვანი დონის შუამდგომლობის აღიარების შესახებ ორ ამოცანას ახორციელებს: სურათების თანმიმდევრობის სინტაქსური ანალიზის ამოცანა და სცენარის სინტაქსური ანალიზის ამოცანა.

სცენაზე სემანტიკური აღწერილობის უფრო მეტი ვიზუალური საშუალებაა იერარქიული დაჯგუფების მეთოდის მიხედვით. დაბალი დონის ინტეგრირებული ნიშნების საფუძველზე, ადგილობრივი სივრცითი სტრუქტურები დროთა განმავლობაში იქმნება, ადგილობრივი სივრცითი ობიექტები და სცენა ვიდეო ვიდეო აშენებულია, მათ შორის აღიარებული სივრცითი ობიექტები, მათ შორის არსებულ სამოქმედო კომპლექტი, ისევე როგორც სივრცითი-დროებითი ურთიერთობები მათ.

კოლექტიური გადაწყვეტილების დამზადების შეცვლილი მეთოდი ეფუძნება ორ დონის აღიარებას. პირველი დონე აღიარებს ამ სურათის გამოსახულების აღიარებას ან კომპეტენციის სფეროში. მეორე დონეზე, გადამწყვეტი წესი ძალაში შედის, რომელთა კომპეტენცია მაქსიმუმ მითითებულ ტერიტორიაზეა. Pseudo-Distance- ის გამონათქვამები აშენებულია, როდესაც შეყვანის დინამიური სურათების მსგავსება დინამიური გამოსახულებით აშენებულია დინამიური ნიშნების წარმომადგენლობის მიხედვით - რიცხვითი მახასიათებლების კომპლექტი, მრავალი ვექტორი, ფუნქციების კომპლექტი.

მოვლენების აღიარებისას, კომპლექსური სცენაზე ვიდეოგრაფიის ვიდეო თამაშების გაფართოება ხდება: დინამიური ობიექტის ობიექტის დამოკიდებული მოდელი აშენებულია. როგორც კონფიგურაცია ფუნქცია, მარტივი კლასიფიკატორები გამოიყენება ნიშნები ნიშნები ნიშნები ნიშნები ^ -front მეთოდი), რადგან შედარებით ხორციელდება შეზღუდული მრავალჯერადი თარგები ასოცირებული ადრე იდენტიფიცირებული ობიექტი. განიხილება ვიზუალური ობიექტების პროგნოზების თარგების ფორმირების გზები.

თარიღის ვიდეო ინფორმაცია ეფუძნება მარკოვის ქსელებს. აგენტების აქტიური ქმედებების იდენტიფიცირების მეთოდები, აგრეთვე ვიდეო თამაშის მოვლენების მშენებლობისა და ჭრის ბრძანებით, განიხილება სცენაზე მოვლენები. ამავე დროს, თითოეული მოვლენისთვის, მისი მოდელი აშენებულია, რომელიც სწავლობს გამოცდის მაგალითებს. მოვლენების გამოვლენა შემცირდება Bayesian მიდგომის საფუძველზე თანმიმდევრულად შესრულებული აქტიური ქმედებების შესასრულებლად. შეყვანის ვიდეოს თანმიმდევრობით წონის კოეფიციენტების რეკურსიული ჭრის რეჟიმი და ტრენინგ-ეტაპზე მიღებული მოვლენები შესრულებულია. ეს ინფორმაცია * წყაროა, რათა დადგინდეს სცენა ჟანრი და, საჭიროების შემთხვევაში, მონაცემთა ბაზაში ვიდეოს თანმიმდევრობის ინდექსირება. შემუშავდა მულტიმედიური ინტერნეტ ბაზების ინდექსირების სურათები და ვიდეო მასალების სქემა.

მეექვსე თავი წარმოადგენს Spoer ექსპერიმენტული პროგრამული პაკეტის აღწერას, V.L.02 გამოსახულების თანმიმდევრობის დამუშავებისას და მოძრავი ობიექტებისა და მოვლენების აღიარებას. იგი ასრულებს სისტემურ იერარქიულ გადამუშავებას გამოსახულების თანმიმდევრობით ობიექტებისა და მოვლენების აღიარების უმაღლეს დონეზე. ეს არის ავტომატური სისტემა, რომელიც მოითხოვს პირის მონაწილეობას სწავლისა და გრაფიკების, ქსელების და კლასიფიკატორისთვის. რიგი დაბალი დონის სისტემის მოდულები ავტომატურად მუშაობს.

Spoer Software Package, VL02- ის გამოყენებით, VL02, მეორადი ვიდეოს თანმიმდევრობა და ინფრაწითელი გამოსახულების თანმიმდევრობები "OTCBVS" 07 ", Test Video Sequence" ჰამბურგის ტაქსი "," რუბიკ კუბი "." მდუმარე "და საკუთარი ვიდეომასალა. შემოწმების შეფასების ხუთი მეთოდი. ვიდეო თანმიმდევრობისთვის შემოთავაზებული მეთოდი აჩვენებს ყველაზე ზუსტ შედეგებს და მოითხოვს კომპიუტერულ გათვლების მცირე რაოდენობას სხვა მეთოდებთან შედარებით. სინქრონიზებული ვიდეო თანმიმდევრობის გაზიარება მიზანშეწონილია, როდესაც სიჩქარის ვექტორები მოდულები შემცირდა სცენა განათების მოდულები.

პროგნოზების დასაშვები მორფოლოგიური ტრანსფორმაციებით ვიზუალური ობიექტების აღიარების მიზნით, პირობითად მიმდებარე ჩარჩოებს შორის ობიექტის პროექტს შორის არსებული ობიექტის პროექტების ზოგადი ნაწილის ნორმალიზებული შეფასებები და საერთო ნაწილი 5E და ინვარიანტის ხარჯთაღრიცხვაა FCOR პროგნოზების საერთო ნაწილების კორელაციის ფუნქცია. კოლექტიური გადაწყვეტილების მიღების მეთოდის შეცვლილი მეთოდის გამოყენება საშუალებას გაძლევთ "შეყვანის სურათების წარუმატებელი მოსაზრებები (ობიექტის პროგნოზების გადაფარვის შემთხვევები, სინათლის წყაროების ვიზუალური დამახინჯების შემთხვევები და ა.შ.) და აირჩიეთ ყველაზე შესაფერისი დაკვირვება. ექსპერიმენტებმა აჩვენა, რომ კოლექტიური გადაწყვეტილების მაკიაჟის მოდიფიცირებული მეთოდის გამოყენება აუმჯობესებს ცნობის სიზუსტეს საშუალოდ 2.4-2.9% -ით.

შეფასების ექსპერიმენტული შედეგები - შუამდგომლობა; სეგმენტაცია და ობიექტის აღიარება მიღებული იქნა სურათების გამოცდის თანმიმდევრობით ("ჰამბურგის ტაქსი", "რუბიკ კუბი". "მდუმარე", ვიდეო თანმიმდევრობა და ინფრაწითელი თანმიმდევრობები OTCBVS * 07 ტესტი ბაზისგან). ხალხის აქტიური ქმედებების აღიარების მიზნით, მაგალითები იყენებდნენ Pets Test Bases, "Caviar", "Vace". საუკეთესო შედეგები მიუთითებს აღიარებაზე ორი თანმიმდევრობით. ასევე, საუკეთესო ექსპერიმენტული შედეგები მიღწეული იქნა იმ ადამიანთა პერიოდული აქტიური ქმედებების აღიარებისას, რომლებიც არ არიან ჯგუფებში (ფეხით, გაშვებული, იზრდება ხელები). ყალბი რეაგირება გამოწვეულია განათების და ჩრდილების არსებობის გამო.

ექსპერიმენტული კომპლექსის "რუსის" საფუძველზე, V. 1.02, სხვადასხვა მიზნებისათვის ვიდეო ინფორმაციის დამუშავების სისტემები შემუშავდა: "სახელმწიფო სატრანსპორტო საშუალებების ვიზუალური რეგისტრაცია საავტომობილო სატრანსპორტო საშუალებების მრავალრიცხოვანი მოძრაობით", "მაცივარის სისტემის საიდენტიფიკაციო სისტემა გამოსახულებები "," ლანდშაფტი და სეგმენტაცია ალგორითმები და სეგმენტაცია ალგორითმები. ობიექტების იდენტიფიკაცია. " ალგორითმული და პროგრამული უზრუნველყოფა დაინტერესებულ ორგანიზაციებს გადასცემს. ტესტირების შედეგებმა აჩვენა, რომ სადისერტაციო სამუშაოებში შემოთავაზებული მოდელების და მეთოდების დისერტაციაზე შემუშავებული პროგრამული უზრუნველყოფა.

ამრიგად, სადისერტაციო სამუშაოებში მიღებულ იქნა შემდეგი შედეგები:

1. ადაპტირებადი იერარქიული პროცედურის საფუძველზე სივრცის დროის სტრუქტურების დამუშავების და აღიარების ფორმალური მოდელები აშენებულია. დამუშავების გამოსახულების თანმიმდევრობა, რომელიც ხასიათდება, რომ ისინი ითვალისწინებენ იზომონფური და ჰომომორფური ტრანსფორმაციისა და სტატიკური და დინამიური ინვარიანტების განზოგადების ფუნქციებს. ასევე აშენებული მოდელები ობიექტების სტატიკური და დინამიური თვისებების ძიების მიზნით, გამოსახულების თანმიმდევრობის ანალიზის ოთხი პრობლემის ანალიზისთვის, რომელიც დამოკიდებულია მოძრაობის 1 ვიდეო სენსორის ყოფნისა და სცენაზე მოძრაობის ობიექტების მიხედვით.

2. გამოსახულების თანმიმდევრობის აღიარების შესახებ აღწერითი მიდგომის ძირითადი დებულებები, რომელიც საშუალებას აძლევს განიხილოს ობიექტური მიზნები გამოსახულების თანმიმდევრობის დამუშავების საწყის ეტაპებზე, შემდგომი სეგმენტაციით ინტერესთა სფეროების შემდგომი სეგმენტაციით, მოძრაობის ტრაექტორია და დინამიური ობიექტების ქცევის აღიარება, შეღწევას მათი პროგნოზების გადაკვეთისას ობიექტების გადაადგილების პრეისტორია, დაკვირვების ცვლადი რაოდენობის ობიექტები.

3. სპაო-დროებითი სტრუქტურების დამუშავებისა და აღიარების იერარქიული მეთოდი, რომელიც შედგება სამი დონისა და ხუთი ეტაპისგან, რომელიც ითვალისწინებს ობიექტის პროგნოზების ნორმალიზაციას, რომელიც ამცირებს კომპლექსური დინამიური ობიექტების აღიარებას.

4. ხილული და ინფრაწითელი ელექტრომაგნიტური რადიაციული რადიაციის სურათების გადაღების მოძრაობის შეფასების მეთოდი ხასიათდება იმ მონაცემების სივრცეში, რომელიც წარმოდგენილია 3 £\u003e სტრუქტურული tensors და tensors- ის სახით. ნაკადი, შესაბამისად. მოძრაობის შედეგების შეფასება საშუალებას გაძლევთ აირჩიოთ დინამიური ვიზუალური ობიექტების სეგმენტაციის ყველაზე ეფექტური მეთოდი, რომელიც განსხვავდება დასაშვები პროგნოზების რაოდენობაზე.

5. გამოსახულების მულტი-დონის გადაადგილების მრავალმხრივი მოძრაობის მოდელი, რომელიც ეფუძნება ადგილობრივ ვექტორებს, ხასიათდება, რომ ის საშუალებას გაძლევთ გაყოფა სცენაზე არა მარტო წინა პლანზე ობიექტებისა და ფონზე, არამედ ობიექტების გადაადგილების დონეზე დამკვირვებლისგან. ეს განსაკუთრებით შეესაბამება მოძრავი ვიდეო სენსორის მიერ რეგისტრირებულ კომპლექსურ სცენებს, როდესაც ყველა სცენა ობიექტებია ნათესავი მოძრაობაში.

6. ადაპტური სეგმენტაცია ალგორითმი დინამიური ობიექტებისათვის შემუშავდა: ა) ადგილობრივი დინამიური რეგიონების პრეისტორიის ანალიზზე დაფუძნებული ობიექტების მქონე ობიექტებისათვის, რომლებიც ხასიათდება იმ შემთხვევაში, როდესაც გამოსახულებები გახდება, ფორმა, რეგიონი მიმდინარე თარგი დასრულებულია და კალანის ფილტრის გამოყენებისას, იწინასწარმეტყველა, მიმდინარე, ტრაექტორია; ბ) ინტეგრირებული ანალიზის, ფერის, ტექსტურული, სტატისტიკური, ტოპოლოგიური, ტოპოლოგიური ნიშნების საფუძველზე პროგნოზების თვითნებური რაოდენობისთვის, ხასიათდება, როდესაც გამოსახულება გადაფარავს, რეგიონის ფორმა დასრულებულია აქტიური კონტურების გამოყენებით მეთოდი.

7. კომპლექსური სცენის დინამიური ვიდეო მაგოგრაფიის მშენებლობის მეთოდი ადგილობრივი სივრცითი სტრუქტურების უმწეოთიშნული ნიშნების იერარქიული დაჯგუფების მეთოდის მიხედვით, ადგილობრივი სივრცითი ობიექტების მდგრადია და ადგილობრივი სივრცითი ობიექტების შემდგომი. ჩამოყალიბებული ვიდეო შეესაბამება ობიექტებს შორის დროებითი ურთიერთობისას და ინარჩუნებს ყველა განზოგადებულ ფუნქციას, რათა მოვლენების აღიარება სცენაზე. ორი განზომილებიანი გრამატიკა M.i. Schlesinger სტრუქტურული მეთოდის აღიარების სტრუქტურული მეთოდი სამი დონის კონტექსტური გრამატიკა.

8: კოლექტიური გადაწყვეტილების მიღების მეთოდი მოდიფიცირებულია დინამიური ობიექტების აღიარების მიზნით, თავდაპირველად კომპეტენციის ადგილის სივრცის გამოსახულების აღიარებას და შემდეგ გადამწყვეტ წესს, რომლის კომპეტენციაც არის მაქსიმუმ მითითებულ ტერიტორიაზე. ოთხი ტიპის ფსევდო-დისტანციებზე აშენდა, რათა შეიქმნას დინამიური ნიშნების პრეზენტაციის დინამიური სურათების მსგავსება.

9. Bayesian Network- ზე დაფუძნებული მოვლენების აღიარების მეთოდი, რომელიც ასრულებს წონაში კოეფიციენტების მატრიცის შემცირებას შეყვანის ვიდეოში და შედარებით სასწავლო ფაზის დროს მიღებული მითითების მოვლენებთან შედარებით. ეს ინფორმაცია არის თავდაპირველი, რათა დადგინდეს სცენა და მულტიმედიური ინტერნეტ მონაცემთა ბაზებში ვიდეოს თანმიმდევრობის ინდექსირება.

10. გამოსახულების თანმიმდევრობის დამუშავების და აღიარების პრაქტიკული ამოცანები გადაწყდება სივრცის დროის დამუშავების ადაპტური იერარქიული მეთოდით, მეთოდის შესრულება ნაჩვენებია, იერარქიული დამუშავების მეთოდების სისტემის ეფექტურობა აჩვენა. ვიზუალური ინფორმაციის აღიარება ნიშნების ადაპტური შერჩევის შესაძლებლობით. პრობლემის მოგვარების პროცესი. შემუშავებული ექსპერიმენტული სისტემების სახით მიღებული შედეგები დაინტერესებულ ორგანიზაციებს გადაეცა.

ამრიგად, ამ სადისერტაციაში, სამუშაოებმა გადაწყვიტეს ვიდეოთვალის მეთვალყურეობის სისტემების საინფორმაციო მხარდაჭერის მნიშვნელოვანი სამეცნიერო და ტექნიკური პრობლემა და ახალი მიმართულება შეიქმნა სივრცე-დროის დამუშავების სფეროში და დინამიური სურათების აღიარებისას.

1. კომპლექსური სურათების ავტომატური ანალიზი / ედ. Em. სკრინშოტები. M.: Mir, 1969. - 309 გვ. Bongard m.m. აღიარების პრობლემები. - მ. მეცნიერება, 1967.-320 გვ.

2. ალპატოვი, ბ.ა., მოძრავი ობიექტის გამოვლენა სურათების თანმიმდევრობით შეზღუდვების თანდასწრებით და ობიექტის სიჩქარე / ბ.ა. ალპატოვი, ა.ა. ჩინეთი // ციფრული გამოსახულების დამუშავება, №1, 2007. გვ. 11-16.

3. ალპატოვი, ბ.ა., გამოსახულების გეომეტრიული დამახინჯების პირობებში მოძრავი ობიექტების განაწილება / ბ.ა. ალპატოვი, P.V. Babayan // სიგნალების ციფრული მკურნალობა, № 45 2004. გვ. 9-14.

4. Alpatov, B.A., Babayan P.V. სურათების დამუშავებისა და ანალიზის მეთოდები "ობიექტების / B.A. Alpatov, P.V. Babayan // ციფრული სიგნალის დამუშავება, 2006 წლის 2, 2006. 45-51 გვ.

5. ბოლშაკოვი, ა.ა., მრავალგანზომილებიანი მონაცემებისა და დროის სერიის დამუშავების მეთოდები: სამეურვეო უნივერსიტეტებისთვის / ა. ბოლშაკოვი, რ. კირმოვი / მ.: Hotline-Telecom, 2007. 522 PPM: Bongard, M.m. აღიარების / მ.მ. Bongard / m.: მეცნიერება, 1967.-320 გვ.

6. Bully, A.B. შემთხვევითი პროცესების თეორია 1 / A.B. Bully, A.N. Shiryaev / m.: Fizmatlit, 2005. 408 გვ.

7. Weinzweig, M.N. ვიზუალური დინამიური სცენების პრეზენტაციის სისტემის არქიტექტურა Concepts / M.N.Vainzweig, M.N. პოლიაკოვა / / შაბათი Tr. მე -11 VSVIEW. კონფერენცია. "სურათების (MMRO-11) აღიარების მათემატიკური მეთოდები", მ., 2003. C.261-263.

8. Vapnik, V.N. ამოცანა სწავლის აღიარება სურათები / v.N. Vapnik / m.: ცოდნა, 1970. - 384 გვ.

9. P.Vapnik, V.N. სურათების აღიარების თეორია (სწავლის სტატისტიკური პრობლემები) / V.N. Vapnik, a.ya. Chervonenkis / m.: მეცნიერება, 1974. 416 გვ.

10. ვასილიევი, ვ. ტელ / ვ.ი. ვასილიევი, A.g. Ivaknenko, v.e. Reutsky et al. // ავტომატიკა, 1967, №6, გვ. 47-52.

11. ვასილიევი, ვ. აღიარების სისტემები / ვ. ვასილიევი / კიევი: მეცნიერებები. დუმა, 1969. 292 გვ.

12. ვასილიევი, ვ. აღიარების სისტემები. დირექტორია / V.I. ვასილიევი / კიევი, მეცნიერება, დუმა, 1983. 422 გვ.

13. Visilter, Yu.V. Morphological მტკიცებულებათა ანალიზის მეთოდის გამოყენება ძრავის ხედვის ამოცანებში\u003e / Yu.V. Vizilter // საინფორმაციო ტექნოლოგიების ბიულეტენი, № 9, 2007 გვ. 11-18.

14. Vizilter, Yu.V. პროექტული მორფოლოგია ინტერპოლაციის / იუ.ვ. Vizilter // საინფორმაციო ტექნოლოგიების ბიულეტენი, №4, 2008.-ს. 11-18.

15. Vizilter, Yu.V., პროექტული მორფოლოგია და მათი გამოყენება ციფრული სურათების სტრუქტურულ ანალიზში / Yu.V. Vizilter, S.yu. ყვითელი // Izv. ჭრილობები თის, № 6, 2008. C. 113-128.

16. Vizilter, Yu.V. ციფრული ვიდეო Sequences- ის მოძრაობის / იუ.ვ. Vizilter, B.V. Vishnyakov // საინფორმაციო ტექნოლოგიების ბიულეტენი, № 8, 2008. - ერთად. 2-8.

17. Vizilter, Yu.V. სურათების პროექტული მორფოლოგია, რომელიც აღწერილია სტრუქტურის ფუნქციებს /უ. Vizilter, S.yu. კომპიუტერული და საინფორმაციო ტექნოლოგიების ყვითელი // ბიულეტენი, 2009 წლის 11.- 12-21.

18. Vishnyakov, B.V. შეცვლილი ოპტიკური ნაკადის მეთოდის გამოყენებით გამოვლენისა და ინტერკადერის თვალთვალის ამოცანასთან დაკავშირებით.

19. Ganebny, S.N. სცენების ანალიზი სურათების / S.N. Ganebny- ის ხის წარმომადგენლობების გამოყენების საფუძველზე, M.M. ლანგი / / შაბათი Tr. მე -11 ყველა ross. კონფერენცია. "სურათების აღიარების მათემატიკური მეთოდები (MMRO-11)", მ., 2003.-s. 271-275.

20. გლუშკოვი, V.M. შესავალი კიბერნეტიკურ / V.M. გლუშკოვი / კიევი: უკრაინის სსრ მეცნიერებათა აკადემიის გამომცემლობა, 1964. 324 გვ.

21. გონსალესი, რ., ტყე რ. ციფრული გამოსახულების დამუშავება. ინგლისური. Ed. P.a. Sochi / R. Bongsalez, რ. ვუდსი / მ.: Technosphere, 2006. 1072 გვ.

22. გორშკინი, A.N., ხელნაწერის სურათების სეგმენტაცია (SEGPIC) / A.N. გორშკინი, მ. Favorskaya // სერთიფიკატი №200614243. რეგისტრირებული რეგისტრაცია პროგრამების მოსკოვის, 2008 წლის 5 სექტემბერი

23. გრენანდერი, ლექციები სურათების თეორიის შესახებ / W. გრენანდერი / 3 ტ. Ed. Yu.i. Zhuravleva. M. Mir, 1979-1983. 130 ს.

24. კარმენი, ი. ციფრული გამოსახულების დამუშავება საინფორმაციო სისტემებში: განათლება. მექანიკური / I.S. Gruzman, B.C. კირიჩუკი, V.P. Kosy, G.i.pertiagin, A.a. Spector / Novosibirsk, გამომცემლობა NSTU, 2003. გვ. 352.

25. ინტელექტუალური სისტემების საიმედო და დამაჯერებელი გამომავალი. V.N. საშოში, დ.ა. Pospelova. მე -2 ედ. და დაამატეთ. - მ.: Fizmatlit, 2008 - 712 გვ.

26. დუდა, რ. გამოსახულების აღიარება და სცენები / რ. დუდა, პ. ჰარტ / მ.: გამომცემლობა "მშვიდობა", 1978. 512 გვ.

27. ჟურავლევი, იუ.ი. ალგებრული მიდგომის შესახებ აღიარების და კლასიფიკაციის ამოცანების გადაჭრის მიზნით. Zhuravlev // Cybernetics პრობლემები: Sat. ხელოვნება., Vol. 33, მ.: მეცნიერება, 1978. გვ. 5-68.

28. ჟურავლევი, იუ.ი. ინფორმაციის / Yu.i. Zhuravlev- ის გადამუშავების პროცედურების (ტრანსფორმაციის) ალგებრული კორექციის შესახებ K.V. Rudakov // გამოყენებითი მათემატიკისა და ინფორმატიკის პრობლემები, მ.: მეცნიერება, 1987. 187-198 წ.

29. ჟურავლევი, იუ.ი. სურათების გამოსახულების და სურათების აღიარება / იუ.ი. Zhuravlev, I.b. Gurevich // yearbook "აღიარება. კლასიფიკაცია. პროგნოზი. მათემატიკური მეთოდები და მათი გამოყენება ", Vol. 2, მ.: მეცნიერება, 1989.-72 გვ.

30. ჟურავლევი, იუ.ი. სურათების სურათები და ანალიზის აღიარება / Yu.i. Zhuravlev, I.B. Gurevich / ხელოვნური ინტელექტი 3-ქ. Kn. 2. მოდელები და მეთოდები: დირექტორია / ედ. დიახ. Pospelova, m.: გამომცემლობა "რადიო და კომუნიკაცია", 1990. - C.149-190.

31. Zagorukhiko, N.g. აღიარების მეთოდები და მათი გამოყენება / N.g. გორუიკო / მ.: SOV. რადიო, 1972. 206 გვ.

32. Zagorukhiko, N.g. ხელოვნური ინტელექტი და ემპირიული პროგნოზირება / N.g. Zagorukhiko / Novosibirsk: ედ. NSU, \u200b\u200b1975. 82 გვ.

33. ivaknenko, a.g. InvariSe- ის თეორიის გამოყენების შესახებ და კომბინირებული კონტროლის სინთეზისა და სტუდენტების / A.G. Ivakhnenko // ავტომატიკა, 1961, №5, გვ. 11-19.

34. ivaknenko, გ.ი. თვითმმართველობის სწავლის აღიარება და ავტომატური კონტროლის სისტემები / A.g. Ivakhnenko / კიევი: ტექნიკა, 1969. 302 გვ.

35. კაშკინი, VB დედამიწის დისტანციური ზონდირება სივრცეში. ციფრული გამოსახულების დამუშავება: სამეურვეო / V.B. კაშკინი, ა.ი. სუ-კინინი / მ.: ლოგოები, 2001. 264 გვ.

36. კობზარი, ა.ი. გამოყენებითი მათემატიკური სტატისტიკა. ინჟინრებისა და მეცნიერებისათვის / ა. კობზარი / მ.: Fizmatlit, 2006. 816 გვ.

37. კოვალევსკი, ვ. სურათების აღიარების კორელაციის მეთოდი / V.A. Kovalevsky // Zhurn. გამოითვლება. მათემატიკა და მეთიები ფიზიკა, 1962, 2, №4, გვ. 684-690.

38. Kolmogorov, A.N: Epsilon-entropy და Epsilon-Container კომპლექტი ფუნქციონალური ფართები / A.N. Kolmogorov, v.m. Tikhomirov // ინფორმაციის თეორია და ალგორითმების თეორია. ნუკა, 1987. 119-198.

39. სიმინდი, მათემატიკის დირექტორია მეცნიერებისა და ინჟინრების / Korn, T. Corn // M.: მეცნიერება, ჩ. ed. ფიზიკური mat. 1984. 832 გვ.

40. Crocker, R. Fractals და Chaos დინამიური სისტემების / R. Krono-ver // m.: Technosphere, 2006. 488 P.

41. ლაპკო, A.B. არა-პარამეტრიული * და დიფერენციალური მონაცემების ჰიბრიდული კლასიფიკაციის სისტემები / A.V. Lappko, BLA. ლაპტო // TR. მე -12 vsisuros. კონფერენცია. "მათემატიკური მეთოდები და ნიმუში აღიარების მოდელები" (MMRO-12), მ, 2005.- 159-162.

42. ლეტინი, კ. ვიზუალური კვამლის გამოვლენა (კვამლი) / k.e.levutin, მ. Favorskaya // სერთიფიკატი No. 2009612795. რეგისტრირებული რეგისტრაცია პროგრამების მოსკოვის, 2009 წლის ივლისი

43. ლუზივი, ვ.რ. ოპტიკური რობოტების სისტემების გაერთიანების პრინციპები / V.R. ლუზივი, მ. Favorskaya // v- knn. "სამრეწველო რობოტების გაერთიანება და სტანდარტიზაცია", ტაშკენტი, 1984. გვ. 93-94.

44. ლუზივი, ვ.რ. უნივერსალური ოპტიკური სისტემა GAP / V.R. ლუზივი, მ. Favorskaya // in kn. "ასოციაციებსა და საწარმოებში ASUTP- ის შექმნის, განხორციელებისა და გამოყენების გამოცდილება", L., LDNTP, 1984. გვ. 44-47.

45. მედვედევა, E.V. ვიდეო სურათების მოპოვების ვექტორების შეფასების მეთოდი / E.V.V.V. Medvedeva, B.o. Timofeev // მე -12 საერთაშორისო კონფერენციისა და გამოფენის "სიგნალებისა და მისი განცხადების ციფრული მკურნალობა", მ.: 2 ტონა. 2 ტონა. თ. 2, 2010. C. C. 158-161.

46. \u200b\u200bკომპიუტერული დამუშავების მეთოდები / ედ. V.a.syofer. მე -2 ედ., SP. - მ.: Fizmatlit, 2003. - 784 გვ.

47. ავტომატური გამოვლენის მეთოდები და ობიექტების შენარჩუნება. გამოსახულების დამუშავება და მენეჯმენტი / B. A. Alpatov, P.V. Babayan, O.E. ბალაშოვი, ა.ი. სტეფაშკინი. -M.: რადიო ინჟინერია, 2008 წ. - 176 გვ.

48. კომპიუტერული ოპტიკა / ედის მეთოდები. V.a.syofer. მ.: Fizmatlit, 2003. - 688 გვ.

49. Mudrov, A.E. რიცხვითი მეთოდები PEVM BaseIk, Fortran და Pascal / A.E. ბრძენი / ტომსკი: დეპუტატი "რასკო", 1991. 272 \u200b\u200bგვ.

50. პაჰირკი, ა.ი. სახეზე (Facedetection) / A.I. Pakhirka, M.N. Favorskaya // სერთიფიკატი №19611010. რეგისტრირებული რეგისტრაცია პროგრამების მოსკოვის, 2009 წლის 16 თებერვალი

51. Pahirk, A.i. არაწრფივი გამოსახულების გაფართოება / A.I. Pakhirka, M.N. Favorskaya // სერთიფიკატი №201610658. რეგისტრირებული რეგისტრაცია პროგრამების მოსკოვის, 31 მარტი, 2010

52. PontryAgin, L. S. უწყვეტი ჯგუფები J L. S. PontryAgin // 4th ed., M.: მეცნიერება, 1984.-520 გვ.

53. ფოტოფოვი, ა.ა. Radiophysics და Radar- ში Fractals: ტოპოლოგია შერჩევის / A.A. Potapov // ed. მე -2, დასვენება. და დაამატეთ. - მ.: უნივერსიტეტის წიგნი, 2005. 848 გვ.

54. რადჩენკო, იუ.ს. სპექტრალური გამოვლენის ალგორითმის "ცვლილებების კვლევა" ცვლილებები ვიდეო Sequence / Yu.S. Maradchenko, A.V. Buligin, T.a.A. Radchenko // Izv უნივერსიტეტები. რადიოელექტრონიკა,; №7, 2009 წ. 49-59.

55. სალნიკოვი, ი.ი. რასტრული სივრცის დროის სიგნალები გამოსახულების ანალიზის სისტემებში / I.I. Salnikov // m.: Fizmatlit, 2009. -248 გვ.

56. სერგუნინი, ს.იუ. სურათების / S.YU. სერგუნინის მრავალ დონის აღწერის დინამიური მშენებლობის სქემა, K.m. Kvashinn, M.i. Kumskov // Sat. Tr. მე -11 VSVIEW. Con: "გამოსახულების აღიარების მათემატიკური მეთოდები (MMRO-11)", მ., 2003. გვ. 436-439:

57. Slynyko, Yu.V. ერთდროული თანმხლები და პროტარეზის პრობლემის გადაჭრა მაქსიმალური მორწმუნე / იუ.ვ. Slyanko // სიგნალების ციფრული მკურნალობა, №4, 2008. გვ. გვ. 7-10.

58. სოლო, რ. შემეცნებითი ფსიქოლოგია / რ. სოლკო / სპურგი: პეტრე, მე -6 ედ., 2006. 590 s.

59. Tarasov, I.E. ციფრული მოწყობილობების განვითარება XI-LINX PLS- ის გამოყენებით VHDL / I.E. ენის გამოყენებით Tarasov / m.: HOTLINE-TELECOM, 2005. - 252 გვ.

60. Favorskaya, M.N. ციფრული გამოსახულების აღიარების ალგორითმების განვითარება ადაპტაციულ რობოტულ კომპლექსებში / მ. Favorskaya // l!, ლენინგრადის ინსტიტუტი In-T Avez. ინსტრუმენტი., 1985. დეპარტამენტის ხელნაწერი: Viniti 23.01.85. №659-85 დეპ.

61. Favorskaya; მ. ადაპტირებადი რობოტი კომპლექსების / მ.ნ.N. * გამოსახულების ნორმალიზაციისა და აღიარების სპექტრალური მეთოდების გამოყენება. Favorskaya // L., ლენინგრადსკი, ინსტიტუტის ავიატანები. ინსტრუმენტი., 1985. დეპარტამენტის ხელნაწერი. Viniti23.01.85 წელს. № 660-85 DEP.

62. Favorskaya, M.N. წარმოების / მ.ნ.N.- სთვის ობიექტების აღიარების ალგორითმების განვითარების გამოცდილება Favorskaya // in kn. "ინტეგრირებული ავტომატიზაციის შესახებ მუშაობის სტატუსი, გამოცდილება და მიმართულებები GPS, RTK და PR", Penza, 1985. გვ. 64-66.

63. Favorskaya, M.N. ობიექტების ჯგუფების პროექტების შესწავლა / მ. Favorskaya, yu.b. კოზლოვა / ციმბირის სახელმწიფო კოსმოსური უნივერსიტეტის ბიულეტენი. ტომი. 3, კრასნოიარსკი, 2002. - ერთად. 99-105.

64. Favorskaya, M.N. ობიექტის ობიექტის სტრუქტურის განსაზღვრა Motion / M.N. Favorskaya // ციმბირის სახელმწიფო კოსმოსური უნივერსიტეტის ბიულეტენი, Vol. 6, კრასნოიარსკი, 2005. - ერთად. 86-89.

65. Favorskaya-m.n. გამოსახულების აღიარების / M-N-. Favorskaya // B.< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Invariant გადამწყვეტი ფუნქციები ამოცანები აღიარების სტატიკური გამოსახულებები / მ. Favorskaya // ციმბირის სახელმწიფო კოსმოსური უნივერსიტეტის ბიულეტენი. ტომი. 1 (14), კრასნოიარსკი, 2007. გვ. 65-70.

67. Favorskaya, M.N. ვიდეო ნაკადის სეგმენტაციის Probabilistic მეთოდები, როგორც ამოცანა დაკარგული მონაცემები / მ. Favorskaya // ციმბირის სახელმწიფო კოსმოსური უნივერსიტეტის ბიულეტენი. ტომი. 3 (16), კრასნოიარსკი, 2007. გვ. 4-8.

68. Favorskaya, M.N. სამიზნე ინფორმაციული მახასიათებლების შერჩევა გამოსახულების აღიარების სისტემებში / მ. Favorskaya // In მასალების XI შორის Dunar. Სამეცნიერო კონფერენცია. "Devetnev კითხვა" Sibghau, Krasnoyarsk, 2007 გვ. 306-307.

69. Favorskaya, M.N. სეგმენტაცია სტრატეგიები ორგანზომილებიანი გამოსახულებები / მ. Favorskaya // ყველა რუსული სამეცნიერო კონფერენციის "მოდელები და მეთოდები Image Processing MMO", Krasnoyarsk, 2007. გვ. 136-140.

70. Favorskaya, M.N. ლანდშაფტის სურათების სეგმენტაცია, რომელიც ეფუძნება fractal მიდგომას / მნ Favorskaya // მე -10 საერთაშორისო კონფერენციისა და გამოფენის მასალებში "სიგნალების ციფრული მკურნალობა და მისი განაცხადის ციფრული მკურნალობა", 2008. გვ. 498-501.

71. Favorskaya, M.N. ხელნაწერის ტექსტის აღიარების მოდელი / მ. Favorskaya, A.N. Goroshkin // ციმბირის სახელმწიფო 4-ის ბიულეტენი, Aerospace უნივერსიტეტი. ტომი. 2 "(19), კრასნოიარსკი, 2008. გვ. 52-58.

72. Favorskaya, M.N. ალგორითმები ვიდეომეთვალყურეობის სისტემებში / მ.ნ Favorskaya, a.C. Shilov // სისტემების მართვის საინფორმაციო ტექნოლოგიები. პერსპექტიული კვლევა / IPU RAS; VGTU, № 3.3 (33), მ.-ვორონეჟი, 2008. გვ. 408 ^ 12.

73. Favorskaya, M.N. ფორმალური გრამატიკის გამოყენებისას კომპლექსური სცენების ობიექტების აღიარებისას / / მ.ნ. Favorskaya / XIII საერთაშორისო საჯარო მეცნიერებათა მასალებში. Conf. "Devetnev კითხვები." 2 სთ. 4.2, კრასნოიარსკი, 2009. გვ. 540-541.

74. Favorskaya, M.N. დინამიური სურათების აღიარება ფილტრების / მ.ნ Favorskaya // ციმბირის სახელმწიფო კოსმოსური უნივერსიტეტის ბიულეტენი. ტომი. 1 (22) ზე 2 საათზე. 4F. 1, კრასნოიარსკი, 20091 წ. 64-68.

75. Favorskaya, M.N., მეთოდები, საგზაო მოძრაობის V.Videoslerts / M.N. Favorskaya, A.i. Pahir, A.C. შლოვი; M.V. დუმა // ბიულეტენი. ციმბირის სახელმწიფო კოსმოსური უნივერსიტეტი. ტომი. 1 (22) 2 გვ. 2, კრასნოიარსკი, 2009. გვ. 69-74.

76. Favorskaya, M.N. მოძიებაში მოძრავი ვიდეო ობიექტები, განაცხადის - ადგილობრივი 3D სტრუქტურული Tensors / M.N. Favorskaya // ციმბირის სახელმწიფო კოსმოსური უნივერსიტეტის ბიულეტენი. ტომი. 2 (23), კრასნოიარსკი, 2009. გვ. 141-146 წ.

77. Favorskaya, M.N. კომპლექსური სცენების ობიექტების გადაადგილების შეფასება, რომელიც ეფუძნება Tensor მიდგომას / მ. Favorskaya // ციფრული სიგნალის დამუშავება, № 1,2010.-გ. 2-9.

78. Favorskaya, M.N. ლანდშაფტის სურათების მახასიათებლების კომპლექსური გაანგარიშება / მ. Favorskaya, n.yu. Petukhov // ოპტიკური ჟურნალი, 77, 8, 2010.- 54-60.

79. FIJ, B.C. გამოსახულების აღიარება / B.C. ჯარიმა // მ. მეცნიერება, 1970.-284 გვ.

80. FORSYT, D.A. კომპიუტერული ხედვა. თანამედროვე მიდგომა / დ.ა. Forsait, J. Pons / m.: გამომცემლობა "Villama", 2004. 928 გვ.

81. FU, K. Sequential მეთოდები გამოსახულებისა და ტრენინგების აღიარების მანქანები / K. Fu / M.

82. FU, K. სტრუქტურული მეთოდები Images / K. Fu / M.: მშვიდობა, 1977.-320 გვ.

83. Fukunaga, K. გამოსახულებების აღიარების სტატისტიკური თეორიის შესავალი / K. Fukunaga / M. მეცნიერება, 1979. 368 გვ.

84. Shelukhin, O.i. თვითმმართველობის მსგავსი და fractals. სატელეკომუნიკაციო პროგრამები / ო.ი. Shelukhin, A.V. OSIN, S.M. Smolsky / ed. ო.ი. შეტუხინი. მ.: Fizmatlit, 2008. 368 გვ.

85. შილოვი, ა. მოძრაობის განმარტება (MotionStimation) / A.S. შლოვი, მ. Favorskaya // სერთიფიკატი №1961014. რეგისტრირებული რეგისტრაცია პროგრამების მოსკოვის, 2009 წლის 16 თებერვალი

86. შ. შლევინგერი, მ. სურათების Sequences- ის აღიარების კორელაციის მეთოდი / M.I. Schlesinger / წიგნში: კითხვა მანქანები. კიევი: Nauk .Dadka, 1965. ერთად. 62-70.

87. Schlesinger, M.i. სინტაქსის ანალიზი ორ განზომილებიანი ვიზუალური სიგნალების ჩარევის პირობებში / მ. Schlesinger // Cybernetics, № 4, 1976. - P.76-82.

88. Stark, G.-G. Wavelets- ის გამოყენება COS / G.-G. Stark / ML: Technosphere, 2007. 192 გვ.

89. Shup, T. გამოყენებითი რიცხვითი მეთოდები ფიზიკაში და ტექნოლოგიაში: თითო. ინგლისურიდან / T. Shup / ed. ს.P. მერკურიევა; მ. Shk., 19901 - 255 P.11 "5. ელექტრო, რესურსი: http: // www.cse.ohio-scate.edu/otcbvs-bench

90. ელექტრო რესურსი: http://www.textures.forrest.cz/ ელექტრონული რესურსი (ტექსტურები ბიბლიოთეკა Forrest ტექსტურა გამოსახულება).

91. ელექტრო, რესურსი: http://www.ux.uis.no/tionranden/brodatz.html ელექტრონული რესურსი (Brodatz ტექსტურა გამოსახულების ბაზა).

92. Allili M.s., Ziou D. აქტიური კონტურები ვიდეო ობიექტის თვალთვალისთვის რეგიონის, საზღვართან და ფორმის შესახებ ინფორმაციისთვის / / Sivip, Vol. 1, არა. 2, 2007. PP. 101-117.

93. Almeida J., Minetto R., Almeida T.a., Da S. Torres R., Leite N.j. კამერის მოძრაობის ძლიერი შეფასება ოპტიკური ნაკადის მოდელების გამოყენებით // ლექციის შენიშვნები

94. კომპიუტერული მეცნიერებები (მათ შორის, ხელოვნური ინტელექტისა და ლექციების ლექციების ლექციების ჩათვლით ბიოინფორმატიკაში) 5875 LNCS (ნაწილი 1), 2009. PP. 435-446.

95. Ballan L. Bimbo A. D., Serra G. ვიდეო ღონისძიების კლასიფიკაცია სიმებიანი კერნებისთვის / მულტიმედია. ინსტრუმენტები Appl., Vol. 48, არა. 1, 2009. PP. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. სამოქმედო კატეგორიზაცია Soccer Videos გამოყენებით სიმებიანი Kernels // in: Proc. IEEE INT "L სემინარი შინაარსი მულტიმედიური ინდექსირების შესახებ (CBMI). ჭანია, კრეტა, 2009. გვ. 13-18.

97. Barnard K., გულშემატკივარი QF, Swaminathan R., Hoogs A., Collins R, Rondot P. და Kaufhold J. ლოკალიზებული სემანტიკის შეფასება: მონაცემთა, მეთოდოლოგია და ექსპერიმენტები // საერთაშორისო ჟურნალი კომპიუტერული ხედვა, IJCV 2008, ტომი. 77, არა. 1-3,2008.-PP. 19-217.

98. ბერტინი მ., დელ ბიმბო ა., სერარა გ. სემანტიკური ვიდეო ღონისძიების სწავლების წესები ანოტაცია // ლექცია შენიშვნები კომპიუტერულ მეცნიერებაში; In: proc. Int "L კონფერენცია ვიზუალური საინფორმაციო სისტემების (ვიზუალური), Vol. 5188, 2008. PP. 192-203.

99. Bobick A.F., Davis J.W. ადამიანური მოძრაობის აღიარება დროებითი თარგების გამოყენებით // IEEE გარიგებები ნიმუშის ანალიზისა და მანქანების დაზვერვის შესახებ, Vol. 23, არა. 3, 2001. PP. 257-267.

100. Boiman O., ირანის მ. გამოსახულებებში და ვიდეოში არარეგულარულობის გამოვლენა / კომპიუტერული ხედვის საერთაშორისო ჟურნალი. 74, არა. 1, 2007. PP. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.-p. ობიექტის სეგმენტაციის ვარიაციის მოდელი საზღვრის სეგმენტაციის გამოყენებით, Mumford-Shah ფუნქციონალური / კომპიუტერული ხედვის საერთაშორისო ჟურნალი, Vol. 68, არა. 2, 2006.-PRP. 145-162.

102. Cavallaro A. Salvador E., Ebrahimi T. Shadow-Aware ობიექტის დაფუძნებული ვიდეო დამუშავება // Ieee Vision; გამოსახულება და სიგნალი დამუშავება, Vol. 152, არა. 4, 2005.-PP. 14-22.

103. ჩენ ჯ., YA J. ტრენინგი SVM ერთად განუსაზღვრელი კერნელი // in: Proc. მე -22 საერთაშორისო კონფერენციის მანქანების სწავლების შესახებ (ICML), Vol. 307, 2008. PP. 136-143.

104. Cheung S.-m., მთვარე Y.- ს. დისტანციური ინტენსივობის ნიმუშების გამოყენებით ფეხით მოსიარულეთა დაახლოების გამოვლენა / MVA2009, Vol. 10, არა. 5, 2009. -PP. 354-357.

105. Dalai N., Triggs B. და Schmid G. ადამიანის გამოვლენა გამოყენებით ორიენტირებული ჰისტოგრამების ნაკადის და გამოჩენა // ECCV, Vol. II, 2006. PP. 428 ^ 141.

106. Dalai N., Triggs B. ჰისტოგრამები ორიენტირებულ გრადიენტებისათვის ადამიანის გამოვლენისათვის // IEEE კონფერენცია კომპიუტერული ხედვისა და ნიმუში აღიარების (CVPR), Vol. II, 2005-PP. 886-893.

107. Dani A.P., Dixon W.E. ერთჯერადი კამერის სტრუქტურა და მოძრაობის შეფასება // ლექცია შენიშვნები საკონტროლო და საინფორმაციო მეცნიერებებში, 401, 2010. PP. 209-229 წ.

108. Datta Ri, Joshi D, Li J. და Wang J1 Image Retrieval: იდეები, გავლენა და ტენდენციები ახალი ასაკის / ACM "-კომპიბიციის კვლევები, Vol. 40: არა: 2, 2008. ■ -PP. 1-60.

109. Dikbas S., Arici T., Altunbasak Y. სწრაფი მოძრაობის შეფასება ინტერპოლაციის თავისუფალი სუბ-ნიმუშის სიზუსტით // IEEe ოპერაციები Circuits and Systems ვიდეო ტექნოლოგიებისათვის 20 (7), 2010. -PP. 1047-1051.

110. დოლარი P., Rabaud V., Cottrell G., ეკუთვნის S. ქცევის აღიარება მეშვეობით Sparse Spatio-Temporal მახასიათებლები // in: Proc. მე -2 ერთობლივი IEEE საერთაშორისო სემინარი მიკვლევა და ზედამხედველობის შეფასების შესახებ, VS-Pets, 2005. PP. 65-72.

111. დონათინი პ. და Frosini P. P. Pseudodistances შორის დახურული ზედაპირები // ჟურნალი ევროპის მათემატიკური საზოგადოება, Vol. 9, არა. 2, 2007 PP. 231-253.

112. დონატინი პ. და Frosini P. P. Pseudodistances შორის დახურული მოსახვევებში // ფორუმი მათემატიკუმი, Vol. 21, არა. 6, 2009. PP. 981-999.

113. Ebadollahi S., L., X., Chang S.F., სმიტი J.r. ვიზუალური ღონისძიების გამოვლენა მრავალგანზომილებიანი კონცეფციის დინამიკის გამოყენებით // in: Proc. IEEE INT "UN კონფერენცია მულტიმედიური და ექსპო (ICME), 2006. PP. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. სატყეო ზრდის რეალისტური 3D- მოდელირება ბუნებრივი ეფექტი / / მეორე KES საერთაშორისო სიმპოზიუმის IDT 2010, Baltimore. ᲐᲨᲨ. SPRINGER-VERLAG, Berlin, Heidelberg. 2010.-PP. 191-199 წ.

115. Francois A.r.j., Nevatia R., Hobbs J.r., Bolles R.C. VERL: ვიდეო მოვლენების წარმოდგენისა და ანოტირების ონტოლოგიის ჩარჩო // IEEE მულტიმედია, Vol: 12; არა. 4, 2005. PP. 76-86.

116. Gao J., Kosaka A: Kak A.C. მრავალფუნქციური კალმახის ფილტრაციის მიდგომა ადამიანთა დამონტაჟებული ობიექტების ვიდეო მიკვლევა Cluttered "გარემოში // Ieee Com-Puter Vision & Image Government, 2005, V. 1, NO. 1. PP. 1-57.

117. Gui L., Thian J.-P., Paragios N. ერთობლივი ობიექტის სეგმენტაცია და ქცევის კლასიფიკაცია გამოსახულების Sequences // Ieee Conf. კომპიუტერული ხედვისა და ნიმუში აღიარების შესახებ, 2007 წლის 17-22 ივნისს. PP. 1-8.

118. Haasdonk B. SMMM- ის ფუნქცია SVMS- ის ფუნქცია განუსაზღვრელი კერნებით // IEEE ოპერაციები ნიმუში ანალიზისა და მანქანების დაზვერვის შესახებ. ტომი. 27, არა. 4, 2005. PP. 482-492.

119. Harris C. და Stephens M. კომბინირებული კუთხე და Edge Detector // მეოთხე alvey vision კონფერენცია, მანჩესტერ, დიდი ბრიტანეთი, 1988. PP. 147-151.

120. 178-185 წ.

121. Haykin S. Neural Networks: არჩეული შესავალი. / N.y.: Prentice-Hall, 1999; - 658 PI.

122. Hoynck M., Unger M., Wellhausen J. და Ohm J.-r. მყარი მიდგომა გლობალური მოძრაობის შეფასების შესახებ შინაარსზე დაფუძნებული ვიდეო ანალიზისათვის / / SPIE Vol. 5601, Bellingham, WA, 2004. PP. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Deinterlacing გამოყენებით იერარქიული მოძრაობის ანალიზი // Ieee გარიგებები Circuits და სისტემები ვიდეო ტექნიკა 20 (5), 2010. PP. 673-686.

124. Jackins C.L., Tanimoto S.l. Quad-trees, Oct-Trees და K- ხეები: განზოგადებული მიდგომა Euclidean SPACE- ის რეკურსიურობისთვის // IEEE გარიგებები ONPAMI, Vol. 5, არა. 5, 1983.-PP. 533-539.

125. KE Y., Sukthankar R:, Hebert Mi. ეფექტური ვიზუალური ღონისძიების გამოვლენა მოცულობითი მახასიათებლების გამოყენებით // in: Proc. Int "L კონფერენცია კომპიუტერული ხედვა (ICCV), Vol.1, 2005.-PRP. 166-173.

126. Klaser A., \u200b\u200bMarszalek M. და Schmid C.A Spatio-Temporal Descriptor საფუძველზე 3D- Gradients // BMVC, ბრიტანეთის მანქანა ხედვა, კონფერენცია, 2008. -PP. 995-1004.

127. Kovashka, A., Grauman, სწავლის იერარქიული დისკრიმინაციული სივრცის დროის სამეზობლო თვისებები ადამიანის სამოქმედო აღიარება // IEEE კომპიუტერული საზოგადოების კონფერენცია კომპიუტერული ხედვისა და ნიმუში აღიარების შესახებ. PP.2046-2053.

128. Kumskov M.i. ობიექტების მოდელების გაანგარიშების სქემა აღიარებული // ნიმუში აღიარება და გამოსახულების ანალიზი, Vol. 11, არა. 2, 2001. გვ. 446-449:

129. Kwang-Kyu S. Content- ზე დაფუძნებული გამოსახულების მოძიება გენეტიკური ალგორითმის კომბინაციით და ვექტორული მანქანების მხარდაჭერის საშუალებით // ICANN- ში (2), 2007. PP. 537-545.

130. ლაი C.-L., Tsai S.-t., hung y.-p. შესწავლა სამგანზომილებიანი კოორდინირებული კალიბრაციის შესახებ საეჭვო სისტემის გამოყენებით // საერთაშორისო სიმპოზიუმი კომპიუტერზე, კომუნიკაციასთან, საკონტროლო და ავტომატიზაციის შესახებ 2010. - PP. 358-362.

131. ლაპტევი I. კოსმოსური დროის საპროცენტო განაკვეთზე / კომპიუტერული ხედვის საერთაშორისო ჟურნალი, Vol. 64, არა. 23, 2005. PP. 107-123.

132. Leibe B., Schiele B. საცალფეხო გამოვლენა ხალხმრავლობაა * სცენები // IEEE კონფერენცია კომპიუტერის ხედვა და "ნიმუში აღიარება, Vol. 1, 2005.-PRP. 878- 885.

133. Lew M. S., Sebe N., Djeraba C. და Jain R. შინაარსი დაფუძნებული მულტიმედია ინფორმაცია 1 Retriereval: სახელმწიფო ხელოვნების და გამოწვევების / / ACM ოპერაციების მულტიმედიური კომპიუტერული, კომუნიკაციების და პროგრამები, Vol. 2, არა. 1, 2006. PP. 1-19.

134. Li J. და Wang J. Z. რეალურ დროში კომპიუტერიზებული ანოტაცია სურათები // Ieee Trans. PAMI, Vol. 30, 2008. PP. 985-1002.

135. Li L., Luo R., Ma R., Huang W. და Leman K. შეფასების IVS სისტემის მიტოვებული ობიექტის გამოვლენის Pets 2006 მონაცემთა ბაზა // Proc. 9 IEEE სტაჟიორი. სემინარი ცხოველებზე, ნიუ-იორკში, 2006 წელს. PP. 91-98.

136. Li L., SOCHER R. და FEI-FEI L. სულ სცენაზე გაგება: კლასიფიკაცია, ანოტაცია და სეგმენტაცია ავტომატური ჩარჩოებში // Ieee კონფერენცია კომპიუტერული ხედვისა და ნიმუში აღიარების შესახებ, CVPR, 2009. PP. 2036-2043.

137. Li Q., \u200b\u200bWang G., Zhang G.) Chen S. ზუსტი გლობალური მოძრაობის შეფასების საფუძველზე პირამიდის ნიღაბი // Jisuanji Fuzhu ერთად არა. 6, 2009. PP. 758-762.

138. Lindemberg T., Akbarzadeh A. და Laptev I. Galilean-Diagonalized Spatio- დროებითი საპროცენტო ოპერატორები / / მე -17 საერთაშორისო კონფერენციის შესახებ PASTICAL აღიარების შესახებ (ICPR "04), 2004. PP. 1051-1057.

139. Lim J., Barnes, N. Epipole- ის შეფასების ოპტიკური ნაკადის გამოყენებით Antipodal ქულა // კომპიუტერული ხედვა და გამოსახულება გაგება 114, არა. 2, 2010. PP. 245-253.

140. Lowe D. G. გამორჩეული გამოსახულება მახასიათებლები მასშტაბური ინვარიანტული Keypoints / Computer Vision- ის საერთაშორისო ჟურნალი. 60, არა. 2, 2004. PP. 91-110.

141. Lucas B.D., Kanade T. Atterative Image Registration Technique განაცხადის გამოყენებით სტერეო ხედვა // საერთაშორისო ერთობლივი კონფერენცია ხელოვნური ინტელექტი, 1981. PP. 674-679.

142. Mandelbrot B; ბ. ბუნების fractal გეომეტრია / n.y.: Freeman ^ 1982. 468 P.; Russ, პოსტი: Mandelbrot B. Fractal, ბუნება გეომეტრია: თითო. ინგლისურიდან / M.: კომპიუტერული კვლევების ინსტიტუტი, 202. - 658 გვ.

143. Mandelbrot V.V., ჩარჩო M.l. Fractals, გრაფიკა და მათემატიკა განათლება / ნ. წ: SPRINGER-VERLAG, 2002. 654 გვ.

144. Mandelbrot B.B. Fractals და Chaos: Mandelbrot Set.and Beyond / n.y.: SPRINGER-VERLAG, 2004. 308 P.

145. Memori F. Gromov-Hausdorff დისტანციების გამოყენების შესახებ ფორმის შედარება / / Eurographics სიმპოზიუმის წარმოების შესახებ Point- ზე დაფუძნებული გრაფიკა. პრაღა, ჩეხეთი, 2007. PP. 81-90.

146. Mercer J. პოზიტიური და უარყოფითი ტიპის ფუნქციები და მათი კავშირი ინტეგრალური განტოლების თეორიასთან / ლონდონის ფილოსოფიური საზოგადოების ტრანზიტებთან (A), VOL. 209, 1909. PP. 415-446.

147. Mikolajczyk K. ადგილობრივი მახასიათებლების გამოვლენა ინვარიანტის გარდაქმნას, Ph.D.Thesis, ინსტიტუტების ეროვნული პოლიტექნიკა de Grenoble, საფრანგეთი. 2002.171 გვ.

148. Mikolajczyk K. და Schmid G. Affine Invariant საპროცენტო განაკვეთი დეტექტორი / / ECCV. ტომი. 1. 2002. PP. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. ადამიანის სამოქმედო აღიარება გამოყენებით ექსტრემალური სასწავლო მანქანა საფუძველზე ვიზუალური ლექსიკა // Neurocomputing, Vol. 73 (10-12), 2010. PP. 1906-1917 წლებში.

150. მლადენური დ., სკვერრონ ა, EDS: ECML. ტომი. 4701 ლექცია შენიშვნები კომპიუტერულ მეცნიერებაში, Springer, 2007. PP. 164-175 წ.

151. Moshe Y., Hel-al ან H. ვიდეო ბლოკის მოძრაობის შეფასების საფუძველზე ნაცრისფერი კოდის Kernels // Ieee ოპერაციები გამოსახულების დამუშავების 18 (10), 2009. PP. 22432254.

152. Nakada T., Kagami S; Mizoguchi H. საცალფეხო გამოვლენა 3D ოპტიკური ნაკადის Sequences- ის გამოყენებით, Afmobile Robot // Ieee სენსორები, 2008. PP: 116-119:

153. Needleman, S.B: ,. Wuntsch C.D; მოლეკულური ბიოლოგიის ორი პროტეინის amino მჟავა თანმიმდევრობის მსგავსების ძიების ზოგადი მეთოდი 48, არა: 3, 1970. PP. 443-453.

154. Neuhaus M., Bunke H. რედაქტირება მანძილი დაფუძნებული Kernel ფუნქციები- for სტრუქტურული ნიმუში კლასიფიკაცია // ნიმუში აღიარება. ტომი. 39, არა. 10, 2006. PP: 1852-1863.

155. Nevatia R., Hobbs J. და Bolles B. Ontology ვიდეო ღონისძიების წარმომადგენლობა // სემინარი ღონისძიების გამოვლენისა და აღიარების შესახებ. IEEE, Vol.12, არა. 4, 2004. PP. 76-86.

156. Nguyen.N.-T.-T, Laurendeau D:, Branzan-Albu A. Robust მეთოდი კამერა მოძრაობის შეფასების ფილმებში ოპტიკური ნაკადის საფუძველზე // მე -6 საერთაშორისო