Modele spațiale și dinamice. Clasificarea tipurilor de modelare

Există o clasă de sarcini în care informațiile privind structura și mișcarea obiectelor într-o scenă complexă au o importanță deosebită (supraveghere video în spații închise, în locuri aglomerate, controlul mișcării sistemelor robotizate, monitorizarea mișcării vehiculelor etc. ). Secvențele de imagini sunt complexe resursă informațională, structurat în spațiu și timp și combinând informații inițiale sub formă de semnale multidimensionale, forma reprezentării acesteia într-un computer și modele fizice obiecte dinamice, fenomene, procese. Noile capacități tehnice ale procesării imaginilor digitale fac posibilă luarea în considerare parțială a acestei specificități a imaginilor, utilizând simultan realizările teoriei cognitive a percepției umane a imaginilor vizuale.

Analiza volumului spațio-temporal al datelor face posibilă identificarea nu numai a semnelor statice, ci și dinamice ale obiectelor de observație. În acest caz, problema recunoașterii poate fi definită ca o clasificare a mulțimilor de stări sau ca o clasificare a traiectoriilor, a cărei soluție nu poate fi găsită prin metodele clasice de recunoaștere, deoarece tranzițiile în timp^ pot genera transformări de imagine care nu sunt descrise de dependențe analitice cunoscute; De asemenea, alături de sarcina de recunoaștere a obiectelor dinamice, există probleme de recunoaștere a acțiunilor și evenimentelor active, de exemplu, pentru a identifica acțiuni neautorizate în locuri aglomerate sau pentru a determina genul unei scene pentru indexare în baze de date multimedia. Dacă luăm în considerare sarcina recunoașterii obiectelor și evenimentelor din secvențe de imagini ca un proces unic, atunci cea mai potrivită este o abordare ierarhică cu elemente de procesare paralelă la fiecare nivel.

Îmbunătățirea mijloacelor tehnice de colectare și reproducere a informațiilor sub formă de imagini statice (fotografii) și secvențe video necesită dezvoltarea în continuare a metodelor și algoritmilor pentru procesarea acestora, analiza situației și recunoașterea obiectelor reprezentate. Formularea teoretică inițială a problemei recunoașterii imaginilor datează din anii 1960-1970. și se reflectă într-o serie de lucrări ale unor autori celebri. Formularea unei probleme de recunoaștere a imaginii poate varia de la problema de recunoaștere a obiectelor în sine, probleme de analiză a scenei până la probleme de înțelegere a imaginii și probleme de vedere pe computer. În același timp, sistemele inteligente de luare a deciziilor bazate pe metode de recunoaștere a modelelor și imaginilor utilizează informații de intrare de tip complex. Aceasta include atât imaginile obținute într-o gamă largă de lungimi de undă a spectrului electromagnetic (ultraviolet, vizibil, infraroșu etc.), cât și informații sub formă de imagini sonore și date de locație. În ciuda naturii lor fizice diferite, astfel de informații pot fi reprezentate sub formă de imagini reale ale obiectelor și imagini specifice. Datele radiometrice sunt imagini plate ale unei scene prezentate în perspectivă sau proiecție ortografică. Ele se formează prin măsurarea intensității undelor electromagnetice dintr-un anumit interval spectral reflectate sau emise de obiectele din scenă. În mod obișnuit, sunt utilizate date fotometrice măsurate în domeniul spectral vizibil - imagini monocromatice (luminozitate)* sau color: datele de locație sunt coordonatele spațiale ale punctelor observate din scenă. Dacă coordonatele sunt măsurate pentru toate punctele din scenă, atunci o astfel de matrice de date de locație poate fi numită o imagine de adâncime a scenei. Există modele de imagine simplificate (de exemplu, modele de proiecție afine reprezentate prin proiecții cu perspectivă joasă, para-perspectivă, ortogonale și paralele) în care adâncimea scenei este considerată constantă, iar imaginea de locație a scenei nu poartă Informatii utile. În acest caz, informațiile sonore sunt de natură eveniment auxiliar.

Datele fotometrice sunt măsurate cel mai rapid. Informațiile despre locație sunt de obicei calculate din datele obținute de la dispozitive speciale (de exemplu, un telemetru laser, radar) sau folosind o metodă stereoscopică de analiză a imaginilor cu luminozitate. Datorită dificultăților de obținere rapidă a datelor de locație (în special pentru scenele cu formele obiectelor vizuale care se schimbă rapid), predomină sarcinile de descriere a unei scene folosind o singură imagine vizuală, de exemplu. sarcini de percepție vizuală monoculară a scenei. În general, este imposibil să se determine complet geometria unei scene dintr-o singură imagine. Numai sub anumite restricții pentru scenele model destul de simple și disponibilitatea informațiilor a priori despre locația spațială a obiectelor este posibilă construirea unei descriere tridimensională completă dintr-o singură imagine. O cale de ieșire din această situație este procesarea și analizarea secvențelor video primite de la una sau mai multe camere video instalate staționar sau în mișcare în spațiu.

Astfel, imaginile sunt principala formă de reprezentare a informațiilor despre lumea reală și este necesară dezvoltarea în continuare a metodelor de transformare și analiză semantică atât a imaginilor individuale, cât și a secvențelor video. Una dintre cele mai importante direcții în dezvoltarea unor astfel de sisteme inteligente este automatizarea selecției metodelor de descriere și transformare a imaginilor, ținând cont de natura lor informațională și de scopurile de recunoaștere deja în fazele inițiale ale procesării imaginilor.

Primele lucrări ale cercetătorilor din SUA (Louisiana State University, Carnegie Mellon University, Pittsburgh), Suedia (Computational Vision and Active Perception Laboratory (CVAP), Department of Numerical Analysis and Computer Science), Franța (INRIA), Marea Britanie (University) din Leeds), Germania (Universitatea din Karlsruhe), Austria (Universitatea din Queensland), Japonia, China (Școala de Informatică, Universitatea Fudan) despre procesarea secvențelor de imagini și recunoașterea obiectelor dinamice au fost publicate la sfârșitul anilor 1980. Mai târziu, au început lucrări similare să apară în Rusia: la Moscova (MSU, MAI (GTU), MIPT, GosNII AS), Sankt Petersburg (SPbSU, GUAP, FGUP GOI, LOMO), Ryazan (RGRTU), Samara (SSAU), Voronezh (VSU), Yaroslavl ( YarSU), Kirov (VSU), Taganrog (TTI SFU), Novosibirsk (NSU), Tomsk (TSPU), Irkutsk (IrSU), Ulan-Ude (VSGU) și alte orașe. Trebuie remarcat contribuția specială a unor astfel de oameni de știință ruși remarcabili implicați în acest domeniu, în calitate de academician al Academiei Ruse de Științe, doctor în științe tehnice Yu. I. Zhuravlev, membru corespondent al Academiei de științe din Rusia, doctor în științe tehnice. V. A. Soifer, doctor în științe tehnice N. G. Zagoruiko, doctor în științe tehnice L. M. Mestetsky, doctor în științe tehnice B. A. Alpatov și alții.Până în prezent s-au înregistrat progrese semnificative în construcția sistemelor de supraveghere video, a sistemelor de autentificare a identității pe bază de imagini etc. Cu toate acestea, există probleme nerezolvate în recunoașterea dinamică a imaginilor din cauza complexității și varietății comportamentului obiectelor din lumea reală. Astfel, acest domeniu trebuie să îmbunătățească modelele, metodele și algoritmii de recunoaștere a obiectelor și evenimentelor dinamice din secvențe de imagini din diverse game de radiații electromagnetice, ceea ce va permite dezvoltarea sistemelor de supraveghere video la un nivel calitativ nou.

Scopul lucrării de disertație este de a crește eficiența recunoașterii obiectelor dinamice, a acțiunilor și evenimentelor active ale acestora în scene complexe folosind secvențe de imagini pentru sistemele de supraveghere video externe și interne.

Scopul stabilit a determinat necesitatea de a rezolva următoarele sarcini:

Să analizeze metode de evaluare a mișcării și găsire a semnelor de mișcare ale obiectelor dintr-un set de imagini secvențiale, metode de segmentare a obiectelor dinamice și analiză semantică a scenelor complexe, precum și abordări pentru construirea de sisteme de recunoaștere și urmărire a obiectelor dinamice în diverse scopuri.

Dezvoltați modele de recunoaștere pentru imagini statice și dinamice bazate pe o procedură ierarhică pentru procesarea seriilor temporale, în special a secvențelor de imagini.

Dezvoltarea unei metode de evaluare a mișcării structurilor dinamice pe baza informațiilor spațio-temporale obținute în diferite game de radiații electromagnetice, care să permită alegerea metodelor de segmentare în funcție de natura mișcării și, prin aceasta, efectuarea recunoașterii adaptive a imaginilor dinamice.

Crearea unui model de mișcare pe mai multe niveluri a structurilor dinamice într-o scenă complexă, care să permită, pe baza datelor odometrice obținute, să construiască traiectorii de mișcare a structurilor dinamice și să propună ipoteze despre existența obiectelor vizuale pe baza unei analize a istoria mișcărilor.

Dezvoltarea unui algoritm de segmentare complex care să ia în considerare totalitatea semnelor identificate ale structurilor dinamice cu direcții arbitrare de mișcare și suprapunere a proiecțiilor obiectelor, pe baza unui model de mișcare pe mai multe niveluri în scene complexe.

Dezvoltarea unei metode de recunoaștere a imaginilor dinamice, prezentate în termeni de gramatică formală și videografie a unei scene, bazată pe metoda de luare a deciziilor colective, precum și metode de recunoaștere a acțiunilor și evenimentelor active dintr-o scenă complexă, folosind grafice de acțiuni și evenimente active (extinderea videografului unei scene complexe) și o rețea bayesiană .

Pe baza metodelor și modelelor dezvoltate, proiectați sisteme experimentale în diverse scopuri; conceput pentru procesarea secvențelor de imagini ale obiectelor caracterizate printr-un set fix și arbitrar de 2£>-proiecții și recunoașterea dinamică a imaginii c. scene dificile.

Metode, cercetare. La efectuarea lucrării de disertație s-au folosit metode ale teoriei recunoașterii modelelor, teoria descriptivă a recunoașterii imaginilor, teoria procesării semnalului, metode de analiză vectorială și calcul tensorial, precum și teoria grupurilor și teoria gramaticilor formale.

Noutatea științifică a disertației este următoarea:

1. A fost construit un nou model de transformare a imaginilor dinamice, caracterizat prin niveluri ierarhice extinse de segmentare (prin vectori de mișcare locali și globali) și recunoaștere (a obiectelor și a acțiunilor lor active), care face posibilă găsirea caracteristicilor țintă pentru scenele statice cu obiecte în mișcare și scene dinamice bazate pe conceptul de invariant dinamic maxim.

2. Teoria descriptivă a recunoașterii imaginilor a fost extinsă prin introducerea a patru noi principii: luarea în considerare a scopului recunoașterii în fazele inițiale ale analizei, recunoașterea comportamentului obiectelor dinamice, evaluarea istoriei, a unui număr variabil de obiecte de observare, care face posibilă îmbunătățirea calității recunoașterii obiectelor în mișcare prin creșterea conținutului informațional al datelor sursă.

3. Pentru prima dată, a fost dezvoltată o metodă adaptivă spațio-temporală pentru estimarea mișcării în secvențe sincrone ale intervalelor de radiații electromagnetice vizibile și infraroșii, care permite extragerea caracteristicilor de mișcare la diferite niveluri ierarhice, combinând avantajele ambelor tipuri de secvențe de imagini.

4. A fost dezvoltat un nou model de mișcare pe mai multe niveluri; permițând descompunerii scenei în niveluri separate; nu > limitat; împărțirea general acceptată în prim-plan și fundal, care permite o segmentare mai fiabilă a imaginilor obiectelor; scene complexe de perspectivă.

5: justificat? și construit; nou; algoritm generalizat de segmentare a obiectelor dinamice; cu, utilizarea unui set de caracteristici^ inclusiv istoricul comportamentului; și vă permite să urmăriți atât dinamica obiectelor vizuale individuale, cât și interacțiunea obiectelor din scenă (suprapunerea proiecțiilor; apariția/dispariția obiectelor din câmpul vizual al senzorului video) pe baza transformărilor de grup; și prima analiză propusă a părții generale a proiecțiilor obiectului (din două cadre adiacente) folosind estimări integrale și invariante.

6. A fost modificată metoda de luare a deciziilor colective, care se distinge prin găsirea de semne ale proiecțiilor inter-cadre ale unui obiect și permite luarea în considerare a istoriei observațiilor pentru a recunoaște acțiunile și evenimentele active bazate pe o rețea bayesiană, și au fost propuse patru tipuri de pseudo-distanțe pentru a găsi o măsură a similitudinii v a imaginilor dinamice cu imaginile dinamice de referință în funcție de prezentarea caracteristicilor dinamice.

Semnificație practică. Metodele și algoritmii propuși în lucrarea de disertație sunt destinați utilizării practice în monitorizarea vehiculelor în trafic pe mai multe benzi în cadrul proiectului de stat „Oraș sigur”, în sisteme de control automatizat pentru diferite procese de producție tehnologică folosind secvențe video, în video în aer liber. sisteme de supraveghere și supraveghere video de interior, precum și în sistemele de identificare a obiectelor pe fotografii aeriene și de recunoaștere a imaginilor de peisaj. Pe baza cercetărilor disertației au fost dezvoltate sisteme software de procesare și recunoaștere a obiectelor dinamice, utilizate în diverse domenii de activitate.

Implementarea rezultatelor muncii. Programele dezvoltate sunt înregistrate în registru rusesc programe de calculator: programul „Segmentarea imaginii” text scris de mână(SegPic)" (certificat nr. 2008614243, Moscova, 5 septembrie 2008); programul „Estimarea mișcării” (certificat nr. 2009611014, Moscova, 16 februarie 2009); programul „Localizarea feței (FaceDetection)” (certificat nr. 2009611010, Moscova, 16 februarie 2009); programul „Sistem de suprapunere a efectelor vizuale naturale pe o imagine statică (Imitație efecte naturale)” (certificat nr. 2009612794, Moscova, 30 iulie 2009); programul „Detecția vizuală a fumului (SmokeDetection)” (certificat nr. 2009612795, Moscova, 30 iulie 2009); „Program pentru înregistrarea vizuală a plăcuțelor de înmatriculare de stat ale vehiculelor în timpul traficului cu mai multe fire (FNX CTRAnalyzer)” (certificat nr. 2010612795, Moscova, 23 martie 2010), programul „Îmbunătățirea imaginii neliniare” (certificat nr. 2010610658, g Moscow) 31 martie 2010

Acţionează asupra transferului şi utilizării algoritmice şi software pentru recunoașterea carcasei frigorifice pe o linie de asamblare (KZH Biryusa OJSC, Krasnoyarsk), pentru identificarea imaginilor obiectelor în imagini de peisaj (Radio Engineering Concern Vega, Luch Design Bureau OJSC, Rybinsk, Regiunea Yaroslavl), pentru segmentarea vegetației forestiere folosind un set de vegetație secvențială fotografii aeriene (Altex Geomatics LLC, Moscova), pentru a detecta plăcuțele plăcuțelor de înmatriculare de stat ale vehiculelor în secvențe video în timpul traficului cu mai multe fluxuri și pentru a îmbunătăți calitatea afișajului acestora^ (Inspectoratul de Stat pentru Siguranța Traficului pentru Teritoriul Krasnoyarsk, Krasnoyarsk).

Algoritmii și software-ul dezvoltați sunt utilizați în procesul educațional în timpul orelor la disciplinele „Procesarea intelectuală a datelor”, „Tehnologii informatice în știință și educație”, „Fundarii teoretice ale procesării digitale a imaginilor”, „Recunoașterea modelelor”, „Rețele neuronale”, Imagini „Algoritmi de procesare”, „Algoritmi pentru procesarea secvențelor video”, „Analiza scenei și viziune pe computer” la Universitatea Aerospațială de Stat din Siberia, numită după Academicianul M.F. Reșetnev (Universitatea Agrară de Stat din Siberia).

Fiabilitatea rezultatelor obținute în lucrarea de disertație este asigurată de corectitudinea metodelor de cercetare utilizate, de rigoarea matematică a transformărilor efectuate, precum și de conformitatea prevederilor și concluziilor formulate cu rezultatele verificării experimentale a acestora.

Principalele dispoziții depuse pentru apărare:

1. Un model de procesare și recunoaștere a imaginilor dinamice în scene complexe, extins semnificativ prin niveluri ierarhice de segmentare și recunoaștere nu numai a obiectelor, ci și a acțiunilor lor active.

2. Extinderea teoriei descriptive a recunoașterii imaginilor pentru serii de timp (secvențe de imagini) prin creșterea conținutului informațional al datelor analizate nu numai în domeniul spațial, ci și în componenta temporală.

3. Metoda de estimare a mișcării spațiotemporale adaptive. bazat pe reprezentări tensorale ale volumelor IR locale în secvențe sincrone ale intervalelor vizibile și infraroșii ale radiațiilor electromagnetice.

4. Un model de mișcare pe mai multe niveluri în scene complexe, extinzând descompunerea scenelor de perspectivă în niveluri individuale pentru o analiză mai fiabilă a traiectoriilor de mișcare a obiectelor.

5. Un algoritm generalizat de segmentare a obiectelor dinamice, care permite, pe baza transformărilor de grup și a estimărilor integrale și invariante propuse, să identifice suprapuneri ale proiecțiilor obiectelor, apariția/dispariția obiectelor din câmpul vizual al senzorului video.

6. Metode de recunoaștere a imaginilor dinamice bazate pe o metodă modificată de luare a deciziilor colective și de găsire a pseudodistanțelor în spații metrice, precum și a acțiunilor și evenimentelor active în scene complexe.

Aprobarea lucrării. Principalele prevederi și rezultate ale cercetării disertației au fost raportate și discutate la cea de-a 10-a conferință internațională „Recunoașterea modelelor și analiza imaginii: tehnologii informaționale moderne”, (S.-Petersburg, 2010), congresul internațional „Ultra Modern Telecommunications and Control Systems ICUMT2010 " (Moscova, 2010); XII International Symposium on Nonparametric Methods in Cybernetics and System Analysis (Krasnoyarsk, 2010), II International Symposium „Intelligent Decision-Technologies - IDT 2010” (Baltimore, 2010), III International Conference. „Automatizare, control? și Tehnologia Informației - AOIT-ICT „2010” (Novosibirsk, 2010), a 10-a, a 11-a și a 12-a conferințe și expoziții internaționale „Procesarea semnalului digital și aplicarea acesteia” (Moscova, 2008 - 2010), X conferință internațională științifică și tehnică „Teoretică și probleme aplicate ale tehnologiilor informaționale moderne” (Ulan-Ude, 2009), a IX-a conferință internațională științifică și tehnică „Cibernetica și tehnologiile înalte ale secolului XXI” (Voronezh, 2008), conferința integrală rusească „Modele și metode de procesare a imaginii” (Krasnoyarsk , 2007), la conferințele științifice internaționale X, XI și XIII „Reshetnev Readings” (Krasnoyarsk, 2006, 2007, 2009), precum și la seminariile științifice ale Universității de Stat de Instrumentare Aerospațială (S. -Petersburg, 2009), Institutul de Modelare Computațională SO

RAS (Krasnoyarsk, 2009), Institutul de Sisteme de Procesare a Imaginii RAS (Samara, 2010).

Publicații. Pe baza rezultatelor cercetării disertației au fost publicate 53 de lucrări tipărite, inclusiv 1 monografie, 26 de articole (dintre care 14 articole au fost publicate în publicații incluse în lista Higher Attestation Commission, 2 articole au fost publicate în publicații listate în Thomson Reuters: Science Citation Index Expanded / Conference Proceedings Citation Index"), 19 rezumate, 7 certificate înregistrate în Registrul rus al programelor de calculator, precum și 3 rapoarte de cercetare.

Contribuție personală. Toate principalele rezultate prezentate în disertație, inclusiv formularea problemelor și soluțiile lor matematice și algoritmice, au fost obținute de autor personal sau realizate sub supravegherea sa științifică și cu participare directă. Pe baza materialelor lucrării au fost susținute două dizertații pentru gradul de Candidat la Științe Tehnice, în care autorul a fost conducător oficial.

Structura muncii. Lucrarea constă dintr-o introducere, șase capitole, o concluzie și o bibliografie. Textul principal al disertației conține 326 de pagini, prezentarea este ilustrată cu 63 de figuri și 23 de tabele. Lista bibliografică include 232 de titluri.

6.7 Concluziile capitolului

Acest capitol examinează în detaliu structura și funcțiile principale ale complexului software experimental „ZROEL”, u.1.02, care realizează procesarea ierarhică sistemică a secvențelor de imagini până la cele mai înalte niveluri de recunoaștere a obiectelor și evenimentelor. sistem automatizat, care necesită participarea umană pentru a forma și configura grafice, rețele și clasificatoare. O serie de module de nivel scăzut ale sistemului funcționează în modul automat. Structura pachetului software este astfel încât modificarea modulelor este posibilă fără a afecta alte module ale sistemului. Prezentat diagrame funcționale modulele principale ale sistemului: modul, preprocesare, modul de estimare a mișcării, modul de segmentare, modul de recunoaștere a obiectelor și modul de recunoaștere a acțiunii active.

Studiile experimentale bazate pe acest pachet software au fost efectuate pe mai multe secvențe video și secvențe infraroșii din baza de date de testare „OTCBVS^07”, pe secvențe video de testare „Hamburg taxi”, „Rubik cube”. „Silent”, precum și pe propriul său material video. Au fost testate cinci metode de estimare a mișcării. Sa demonstrat experimental că metoda de potrivire a blocurilor și metoda propusă pentru secvența în infraroșu prezintă valori similare și sunt cele mai puțin precise. Metoda propusă pentru secvențele video și metoda de urmărire a caracteristicilor punctuale demonstrează rezultate similare. În același timp, abordarea tensorală dezvoltată necesită mai puține calcule computerizate în comparație cu metoda de urmărire a caracteristicilor punctuale. Partajarea Este recomandabil să folosiți secvențe video sincronizate și secvențe infraroșu pentru a găsi mărimea vectorului viteză chiar și în condiții de iluminare redusă a scenei.

Pentru recunoașterea obiectelor vizuale s-au folosit patru tipuri de pseudo-distanțe (Hausdorff, Gromov-Hausdorff, Fréchet pseudo-distanțele, pseudo-distanța naturală) pentru a găsi o măsură a similitudinii imaginilor dinamice de intrare cu imaginile dinamice de referință (în funcție de reprezentare). a unei caracteristici dinamice - un set de caracteristici numerice, seturi de vectori, seturi de funcții). Ei și-au arătat validitatea pentru imagini cu transformări morfologice acceptabile. Au fost utilizate estimări normalizate integrate ale formei de contur Kc a părții comune a proiecției obiectului dintre cadrele convențional adiacente și aria părții comune 5e și o estimare invariantă - funcția de corelare a părților comune ale proiecțiilor Fcor. Utilizarea unei metode de luare a deciziilor colective modificate vă permite să „renunțați” observațiile nereușite ale imaginilor de intrare (cazuri de proiecții de obiecte suprapuse, distorsiuni ale scenei de la sursele de lumină etc.) și să selectați cele mai potrivite observații. Experimentele au arătat că utilizarea unei metode colective modificate de luare a deciziilor crește acuratețea recunoașterii cu o medie de 2,4-2,9%.

Rezultatele experimentale ale evaluării mișcării, segmentării și recunoașterii obiectelor au fost obținute pe secvențe de imagini de testare („Taxi Hamburg”, „cubul Rubik”. „Silențios”, secvențe video și secvențe în infraroșu din baza de date de testare „OTSBVS"07). Pentru a recunoaște acțiunile active de oameni au fost folosite exemple din bazele de date de testare „PETS”, „CAVIAR”, „VACE”. Natura secvenței vizuale de testare afectează indicatorii. Obiectele care efectuează mișcare de rotație sunt recunoscute mai rău („cubul Rubik”), omul -obiectele realizate de dimensiuni mici sunt mai bine recunoscute ("Taxi Hamburg", "Video 1"). Cele mai bune rezultate se arata prin recunoastere pe baza a doua secvente. De asemenea, cele mai bune rezultate experimentale au fost obtinute la recunoasterea actiunilor active periodice ale persoanelor care sunt nu în grupuri (mers, alergare, ridicarea mâinilor) Fals pozitive se datorează iluminării și prezenței umbrelor într-un număr de locuri din scenă.

La sfârșitul celui de-al șaselea capitol, proiecte aplicate precum „Înregistrarea vizuală a plăcuțelor de înmatriculare de stat ale vehiculelor în timpul traficului cu mai multe fire”, „Sistem de identificare a modelelor de carcase frigorifice din imagini”, „Algoritmi de procesare și segmentare a imaginilor peisajului. Au fost luate în considerare identificarea obiectelor”. „Algoritmul și software-ul a fost transferat organizațiilor interesate: Rezultatele operațiunii de testare au arătat funcționalitatea software-ului dezvoltat pe baza modelelor și metodelor propuse în lucrarea de disertație.

CONCLUZIE

Lucrarea de disertație a pus și a rezolvat o problemă științifică și tehnică importantă de prelucrare a datelor spațio-temporale obținute din secvențe de domenii vizibile și infraroșii ale radiațiilor electromagnetice și recunoașterea imaginilor dinamice în scene complexe. Un sistem de metode ierarhice de prelucrare și extragere a caracteristicilor din datele spațio-temporale reprezintă o bază metodologică pentru rezolvarea problemelor aplicate în domeniul supravegherii video.

Introducerea fundamentează relevanța lucrării de disertație, formulează scopul și obiectivele cercetării, arată noutatea științifică și valoarea practică a cercetării efectuate și prezintă principalele prevederi depuse spre susținere.

Primul capitol arată că obiectele vizuale din secvențele video se caracterizează printr-un vector de trăsături mai multidimensional decât imaginile în formularea clasică a problemei recunoașterii imaginilor statice.Teza de doctorat introduce etape de clarificare la nivelurile medii și superioare de procesare, care sunt esențiale. pentru imagini dinamice.

S-a realizat o clasificare a principalelor tipuri de probleme de recunoaștere pentru imagini statice, scene statice cu elemente de mișcare și secvențe de imagini, care reflectă natura istorică a dezvoltării metodelor matematice în acest domeniu. A fost efectuată o analiză detaliată a metodelor de evaluare a mișcării, a algoritmilor de segmentare a obiectelor în mișcare și a metodelor de interpretare a evenimentelor în scene complexe.

Sunt trecute în revistă sistemele hardware și software comerciale existente în domenii precum monitorizarea vehiculelor în diverse scopuri, prelucrarea materialelor video sportive, asigurarea securității (recunoașterea feței, intrarea neautorizată a persoanelor într-o zonă protejată) Sunt analizate și evoluțiile cercetării pentru sistemele de supraveghere video.

La finalul capitolului 1 este prezentată problema procesării spațio-temporale a secvențelor de imagini, prezentată sub forma a trei niveluri și cinci etape de prelucrare și recunoaștere a informațiilor vizuale din secvențe de imagini.

În cel de-al doilea capitol al tezei sunt dezvoltate modele formale de procesare și recunoaștere a obiectelor din imaginile statice și secvențele lor de imagini. Sunt construite mapările admisibile în spațiul de imagine și spațiul caracteristic pentru problema directă și problema inversă. Sunt date reguli pentru construirea funcțiilor de decizie invariante și a unui invariant dinamic maxim generalizat. În timpul recunoașterii, traiectorii diferitelor imagini dintr-un spațiu de caracteristici multidimensionale se pot intersecta. Când proiecțiile obiectelor se intersectează, găsirea unui invariant dinamic maxim generalizat devine o sarcină și mai dificilă și, în unele cazuri, imposibilă.

Sunt luate în considerare principiile de bază ale teoriei descriptive a recunoașterii imaginilor, care se bazează pe metode obișnuite de selectare și sintetizare a procedurilor algoritmice de procesare a informațiilor în recunoașterea imaginilor. Sunt propuse principii suplimentare care extind teoria descriptivă pentru imaginile dinamice: luarea în considerare a scopului de recunoaștere în etapele inițiale ale procesării unei secvențe de imagini, recunoașterea situațiilor comportamentale ale obiectelor dinamice, evaluarea istoriei obiectelor dinamice, un număr variabil de obiecte de observare. în scene complexe.

Este luată în considerare în detaliu problema căutării caracteristicilor țintei pentru analiza secvențelor de imagini în funcție de tipul de fotografiere (în cazul fotografierii cu un singur unghi), de mișcarea senzorului video și de prezența obiectelor în mișcare în zona de vizibilitate. Sunt oferite descrieri a patru situații din spațiul de caracteristici pe măsură ce sarcina devine mai complexă.

Al treilea capitol formulează etapele procesării secvențelor de imagini și recunoașterii obiectelor, acțiunilor active, evenimentelor și genului scenei. Etapele reflectă natura secvenţială, ierarhică a procesării informaţiilor vizuale. Sunt prezentate și condițiile și limitările metodelor ierarhice de prelucrare spațio-temporală a secvențelor de imagini.

Clasificarea regiunilor dinamice ale unei imagini se realizează prin analiza valorilor proprii ale tensorului structural 31), ai căror vectori proprii sunt determinați de schimbările locale ale intensităților imaginilor cadrelor învecinate și sunt utilizați pentru a estima orientările locale ale regiuni dinamice. Este fundamentată o nouă metodă de estimare a mișcării în volumul spațiotemporal al datelor de radiație vizibilă și infraroșie bazată pe abordarea tensorală. Se ia în considerare posibilitatea utilizării unui nucleu variabil spațial, adaptabil la dimensiunea și orientarea mediului punctului. Adaptarea mediului, care inițial are forma unui cerc, iar apoi se transformă în forma unei elipse orientate după 2-3 iterații, ne permite să îmbunătățim evaluarea structurilor orientate din imagine. Această strategie îmbunătățește estimările gradienților într-un set de date spațiotemporale.

Parametrii de mișcare locali sunt estimați prin calcularea primitivelor geometrice și a punctelor singulare ale regiunii locale. Astfel, evaluarea semnelor locale de mișcare a regiunilor stă la baza formulării ipotezelor ulterioare despre apartenența obiectelor vizuale la o clasă sau alta. Utilizarea secvențelor video sincrone și a secvențelor în infraroșu ne permite să îmbunătățim rezultatele segmentării regiunilor în mișcare din imagine și găsirea vectorilor de mișcare locali.

Se arată că este posibilă estimarea limitelor în imagini color pe baza metodelor de gradient multidimensional construite în toate direcțiile în fiecare punct al graniței, metode vectoriale folosind statistici de ordine despre o imagine color, precum și folosind o abordare tensorală în cadrul cadrul metodelor de gradient multidimensional. Metodele de rafinare a informațiilor de contur sunt esențiale pentru regiunile cu un număr arbitrar de proiecții permise.

În capitolul al patrulea, se construiește un model de mișcare pe mai multe niveluri bazat pe structuri de mișcare, reflectând dinamica obiectelor din scene reale și extinzând reprezentarea pe două nivele a scenei, împărțită în obiecte de interes și un fundal staționar.

Sunt studiate modele ale mișcării obiectelor pe un plan bazate pe teoria grupurilor compacte de Lie. Sunt prezentate modele de transformare proiectivă și varietăți de modele de transformare afine. Astfel de transformări descriu bine structurile de mișcare cu un număr limitat de proiecții (obiecte create de om). Reprezentarea structurilor cu un număr nelimitat de proiecții (obiecte antropice) prin transformări afine sau proiective este însoțită de o serie de condiții suplimentare (în special, cerința ca obiectele să fie îndepărtate de senzorul video, obiecte de dimensiuni mici etc.) . Sunt date definiții și o teoremă demonstrată de L. S. Pontryagin, pe baza cărora a fost posibil să se găsească un automorfism intern al coordonatelor de grup care descriu un anumit obiect până la deplasări între cadre adiacente. Mărimea deplasărilor este determinată de metoda de estimare a mișcării diferenței intercadre, dezvoltată în Capitolul 3.

O extindere a tranzițiilor admisibile între grupuri de transformări se construiește datorită dualității naturii 2£)-imagini (afișarea modificărilor în proiecția unui singur obiect și intersecția vizuală a mai multor obiecte: (interacțiunea obiectelor)). S-au constatat criterii că, la schimbarea grupurilor de transformări, se înregistrează acțiuni și evenimente active în scenă, și anume, estimări integrate ale formei conturului Kc a părții comune a proiecției dintre cadrele adiacente condiționat și zona partea comună 5e și estimări invariante - funcția de corelare a părților comune ale proiecțiilor Pcog și constantele grupului Lie structural c"d, care permit estimarea gradului de variabilitate și identificarea naturii mișcării obiectelor observate.

De asemenea, a fost construit un model al preistoriei mișcării obiectelor în secvențele de imagini, inclusiv serii temporale de traiectorii de mișcare, modificări ale formei unui obiect pe măsură ce se mișcă în spațiul 3L, precum și modificări ale formei unui obiect. asociat cu interacțiunea obiectelor din scenă și apariția/dispariția unui obiect din câmpul vizual al senzorului (folosit pentru a recunoaște acțiunile și evenimentele active din scenă). 1

A fost dezvoltat un algoritm generalizat de segmentare a obiectelor în scene complexe, ținând cont de cazuri complexe de segmentare (imagini suprapuse, apariția și dispariția obiectelor din câmpul vizual al camerei, mișcarea către cameră), care include trei subetape: pre- segmentare, segmentare și post-segmentare. Pentru fiecare subetapă, sunt formulate sarcini, date de intrare și de ieșire și sunt dezvoltate diagrame bloc de algoritm care permit segmentarea scenelor complexe, profitând de secvențe sincrone din diferite domenii de radiație.

Al cincilea capitol discută procesul de recunoaștere dinamică a modelelor folosind o gramatică formală, un videograf de scenă și o metodă colectivă de luare a deciziilor modificată. O scenă dinamică cu mișcare pe mai multe niveluri are o structură care se modifică în timp, așa că este indicat să folosiți metode de recunoaștere structurală. Gramatica contextuală pe trei niveluri propusă pentru recunoașterea scenelor complexe cu mișcare pe mai multe niveluri a obiectelor implementează două sarcini: sarcina de a analiza o secvență de imagini și sarcina de a analiza scena.

Un mijloc mai vizual de descriere semantică a unei scene este un videograf construit folosind metoda grupării ierarhice. Pe baza trăsăturilor complexe ale nivelului inferior, structuri spațiale locale, stabile în timp, se formează obiecte spațiale locale și se construiește o videografie a scenei, inclusiv obiecte spațiale recunoscute, un set de acțiuni inerente acestora, precum și spațio-temporale. legături între ele.

Metoda colectivă de luare a deciziilor modificată se bazează pe o procedură de recunoaștere pe două niveluri. La primul nivel, imaginea aparține unui anumit domeniu de competență este recunoscută. La al doilea nivel intră în vigoare regula decisivă, a cărei competență este maximă într-un domeniu dat. Expresiile sunt construite pentru pseudo-distanțele atunci când se găsesc o măsură de similitudine între imaginile dinamice de intrare și imaginile dinamice de referință în funcție de reprezentarea caracteristicilor dinamice - un set de caracteristici numerice, un set de vectori, un set de funcții.

La recunoașterea evenimentelor, videograful unei scene complexe este extins la un videograf al evenimentului: este construit un model dependent de obiect al unui obiect dinamic. Cele mai simple clasificatoare din spațiul de caracteristici sunt utilizate ca funcție de corespondență (de exemplu, folosind metoda ^-means), deoarece comparația este efectuată folosind un set limitat de șabloane asociate cu un obiect identificat anterior. Sunt luate în considerare metodele de formare a șabloanelor de proiecție ale obiectelor vizuale.

Videograful evenimentului este construit pe baza rețelelor Markov. Sunt luate în considerare metodele de identificare a acțiunilor active ale agenților, precum și ordinea construcției și decupării unui videoclip pentru a recunoaște evenimentele dintr-o scenă. În același timp, pentru fiecare eveniment se construiește propriul model, care este antrenat pe exemple de testare. Detectarea evenimentelor se reduce la gruparea acțiunilor active executate secvențial, bazate pe o abordare bayesiană. Se efectuează o tăiere recursivă a matricei coeficienților de greutate în secvența video de intrare și o comparație cu evenimentele de referință obținute în timpul etapei de antrenament. Aceste informații sunt* sursa pentru determinarea genului scenei și, dacă este necesar, indexarea secvenței video în baza de date. A fost dezvoltată o schemă pentru înțelegerea și interpretarea imaginilor și materialelor video pentru indexare în bazele de date multimedia pe Internet.

Al șaselea capitol prezintă o descriere a pachetului software experimental „SPOER”, v.l.02 pentru procesarea secvențelor de imagini și recunoașterea obiectelor și evenimentelor în mișcare. Efectuează procesarea ierarhică sistematică a secvențelor de imagini până la cele mai înalte niveluri de recunoaștere a obiectelor și evenimentelor. Este un sistem automatizat care necesită participarea umană pentru a antrena și configura grafice, rețele și clasificatoare. O serie de module de nivel scăzut ale sistemului funcționează în modul automat.

În studiile experimentale efectuate folosind pachetul software SPOER, v.l.02, secvențe video și secvențe de imagini în infraroșu din baza de date de testare „OTCBVS”07”, secvențe video de testare „Hamburg taxi”, „Rubik cube”, „Silent” și propriile noastre S-au folosit materiale video. Au fost testate cinci metode de estimare a mișcării. Metoda propusă pentru secvențele video demonstrează cele mai precise rezultate și necesită mai puține calcule computerizate în comparație cu alte metode. Utilizarea combinată a secvențelor video sincronizate și a secvențelor infraroșu este recomandabilă atunci când se găsesc mărimile vectori viteză în condiții de iluminare redusă a scenei.

Pentru a recunoaște obiectele vizuale cu transformări morfologice acceptabile ale proiecțiilor, estimări integrate normalizate ale formei de contur Kc a părții comune a proiecției obiectului dintre cadrele convenționale adiacente și aria părții comune 5e și o estimare invariantă - funcția de corelare a s-au folosit părţile comune ale proiecţiilor Fcor. Utilizarea unei metode de luare a deciziilor colective modificate vă permite să „renunțați” observațiile nereușite ale imaginilor de intrare (cazuri de proiecții de obiecte suprapuse, distorsiuni vizuale ale scenei de la sursele de lumină etc.) și să selectați cele mai potrivite observații. Experimentele au arătat că utilizarea unei metode colective modificate de luare a deciziilor crește acuratețea recunoașterii cu o medie de 2,4-2,9%.

Rezultate experimentale ale estimării mișcării; segmentarea și recunoașterea obiectelor au fost obținute pe secvențe de imagini de testare („Hamburg taxi”, „Rubik cube”. „Silent”, secvențe video și secvențe infraroșu din baza de date de testare „OTCBVS*07”). Pentru a recunoaște acțiunile active ale oamenilor, au fost folosite exemple din bazele de date de testare „PETS”, „CAVIAR”, „VACE”. Cele mai bune rezultate sunt afișate prin recunoaștere folosind două secvențe. De asemenea, cele mai bune rezultate experimentale au fost obținute la recunoașterea acțiunilor active periodice ale persoanelor care nu se află în grupuri (mers, alergare, ridicare a brațelor). Falsele pozitive sunt cauzate de expunerea la lumină și de prezența umbrelor într-un număr de locuri din scenă.

Pe baza complexului experimental „ZROEYA”, V. 1.02, au fost dezvoltate sisteme de procesare a informațiilor video în diverse scopuri: „Înregistrarea vizuală a plăcuțelor de înmatriculare de stat ale vehiculelor în timpul traficului multiflux”, „Sistem de identificare pentru modele de cutii frigorifice din imagini”, „Algoritmi de procesare și segmentare a imaginilor de peisaj . Identificarea obiectelor”. Algoritmul și software-ul au fost transferate organizațiilor interesate. Rezultatele operațiunii de testare au arătat performanța software-ului dezvoltat pe baza modelelor și metodelor propuse în lucrarea de disertație.

Astfel, în lucrarea de disertație s-au obținut următoarele rezultate:

1. Modelele formale de prelucrare și recunoaștere a structurilor spațio-temporale sunt construite pe baza unei proceduri ierarhice adaptative. procesarea secvențelor de imagini, caracterizată prin aceea că iau în considerare transformările izomorfe și homomorfe și derivă funcții generalizate ale invarianților statici și dinamici. Au fost construite modele de căutare a caracteristicilor statice și dinamice ale obiectelor și pentru patru probleme de analiză a secvențelor de imagini în funcție de prezența unui senzor video în mișcare1 și a obiectelor în mișcare în scenă.

2. Principalele prevederi ale abordării descriptive a recunoașterii secvențelor de imagini au fost extinse, permițând luarea în considerare a obiectivelor de recunoaștere în etapele inițiale ale procesării unei secvențe de imagini cu segmentarea ulterioară a zonelor de interes, pentru a construi traiectorii de mișcare și a recunoaște comportamentul. a obiectelor dinamice, să țină cont de istoria mișcării obiectelor atunci când proiecțiile lor se intersectează, să însoțească un număr variabil de obiecte de observare.

3. A fost elaborată o metodă ierarhică de procesare și recunoaștere a structurilor spațio-temporale, formată din trei niveluri și cinci etape și care implică normalizarea proiecțiilor obiectelor, care permite reducerea numărului de standarde pentru o clasă la recunoașterea obiectelor dinamice complexe.

4. A fost dezvoltată o metodă de estimare a mișcării pentru secvențe de imagini din intervalele vizibil și infraroșu ale radiației electromagnetice, caracterizată prin aceea că se folosesc seturi de date spațio-temporale, prezentate sub forma de 3£> tensori structurali și tensori bB. curge în consecință. Estimarea mișcării rezultată vă permite să selectați cel mai mult metoda eficienta segmentarea obiectelor vizuale dinamice care diferă în numărul de proiecții permise.

5. S-a construit un model de mișcare pe mai multe niveluri a regiunilor imaginii bazat pe vectorii de viteză locali, care diferă prin faptul că permite împărțirea scenei nu numai în obiecte din prim-plan și din fundal, ci și în niveluri de mișcare a obiectelor aflate la distanță de observator . Acest lucru este valabil mai ales pentru scenele complexe înregistrate de un senzor video în mișcare, când toate obiectele din scenă sunt în mișcare relativă.

6. A fost dezvoltat un algoritm adaptiv de segmentare a obiectelor dinamice: a) pentru obiecte cu un număr limitat de proiecții, pe baza unei analize a istoriei mișcării regiunilor dinamice locale, caracterizat prin aceea că atunci când imaginile se suprapun, forma de regiunea este completată conform șablonului curent și, sub rezerva utilizării filtrului Kalman, este prezisă, curentă, traiectorie; b) pentru obiecte cu un număr arbitrar de proiecții bazate pe analize complexe, culoare, textură, caracteristici statistice, topologice și de mișcare, caracterizate prin aceea că atunci când imaginile se suprapun, forma regiunii este completată prin metoda contururilor active.

7. Este propusă o metodă pentru construirea unei videografii dinamice a unei scene complexe folosind metoda grupării ierarhice a caracteristicilor complexe de nivel scăzut în structuri spațiale locale care sunt stabile în timp și apoi în obiecte spațiale locale. Videograful generat stabilește relații temporale între obiecte și păstrează toate caracteristicile generalizate pentru recunoașterea evenimentelor din scenă. Gramatica bidimensională a M.I. a fost extinsă. Schlesinger în cadrul metodei de recunoaștere structurală la o gramatică contextuală pe trei niveluri.

8: Pentru a recunoaște obiectele dinamice, se modifică o metodă colectivă de luare a deciziilor, recunoscând mai întâi dacă o imagine aparține domeniului de competență, apoi selectând regula de decizie a cărei competență este maximă într-un anumit domeniu. Sunt construite patru tipuri de pseudo-distanțe pentru a găsi o măsură a similitudinii între imaginile dinamice de intrare și standardele, în funcție de reprezentarea caracteristicilor dinamice.

9. A fost dezvoltată o metodă de recunoaștere a evenimentelor bazată pe o rețea bayesiană, care realizează tăierea recursivă a matricei coeficienților de ponderare în secvența video de intrare și compararea cu evenimentele de referință obținute în etapa de antrenament. Aceste informații sunt sursa pentru determinarea genului unei scene și indexarea secvențelor video în bazele de date multimedia de Internet.

10. Problemele practice de prelucrare și recunoaștere a secvențelor de imagini sunt rezolvate prin metoda adaptiv-ierarhică a prelucrării spațio-temporale, se arată eficiența metodei, se demonstrează eficacitatea utilizării unui sistem de metode de prelucrare ierarhică etc. recunoașterea informațiilor vizuale cu capacitatea de a selecta adaptativ caracteristici c. proces de rezolvare a problemelor. Rezultatele obţinute sub formă de sisteme experimentale proiectate au fost transferate organizaţiilor interesate.

Astfel, în această lucrare de disertație a fost rezolvată o problemă științifică și tehnică importantă a suportului informațional pentru sistemele de supraveghere video și s-a dezvoltat o nouă direcție în domeniul prelucrării și recunoașterii spațio-temporale a imaginilor dinamice.

1. Analiza automată a imaginilor complexe / Ed. EM. Bra-vermana. M.: Mir, 1969. - 309 p. Bongard M.M. Probleme de recunoaștere. - M.: Nauka, 1967.-320 p.

2. Alpatov, B.A., Detectarea unui obiect în mișcare într-o succesiune de imagini în prezența restricțiilor privind zona și viteza de mișcare a obiectului / B.A. Alpatov, A.A. Kitaev // Procesarea digitală a imaginii, nr. 1, 2007. p. 11-16.

3. Alpatov, B.A., Identificarea obiectelor în mișcare în condiții de distorsiune geometrică a imaginii / B.A. Alpatov, P.V. Babayan // Procesare digitală a semnalului, nr. 45 2004. p. 9-14.

4. Alpatov, B.A., Babayan P.V. Metode de procesare și analiză a imaginii” în sistemele de bord pentru detectarea și urmărirea obiectelor / B.A. Alpatov, P.V. Babayan // Procesarea semnalului digital, nr. 2, 2006. 45-51 p.

5. Bolshakov, A.A., Metode de prelucrare a datelor multidimensionale și a seriilor temporale: Manual pentru universități / A.A. Bolşakov, R.I. Karimov / M.: Hotline-Telecom, 2007. 522 p. 6: Bongard, M.M. Probleme de recunoaștere / M.M. Bongard / M.: Nauka, 1967.-320 p.

6. Bulinsky, A.B. Teoria proceselor aleatorii1 / A.B. Bulinsky, A.N. Shiryaev / M.: FIZMATLIT, 2005. 408 p.

7. Weinzweig, M.N. Arhitectura sistemului de reprezentare a scenelor dinamice vizuale în termeni de concepte / M.N. Vaintzvaig, M.N. Polyakova // Sat. tr. al 11-lea întreg rusesc conf. „Metode matematice de recunoaștere a modelelor (MMRO-11)”, M., 2003. p.261-263.

8. Vapnik, V.N. Problema recunoașterii modelelor de predare / V.N. Vapnik / M.: Cunoașterea, 1970. - 384 p.

9. P. Vapnik, V.N. Teoria recunoașterii modelelor (probleme statistice ale învățării) / V.N. Vapnik, A.Ya. Chervonenkis / M.: Nauka, 1974. 416 p.

10. Vasiliev, V.I. Recunoașterea corpurilor în mișcare / V.I. Vasiliev, A.G. Ivakhnenko, V.E. Reutsky şi colab. // Avtomatika, 1967, nr. 6, p. 47-52.

11. Vasiliev, V.I. Sisteme de recunoaștere / V.I. Vasilev / Kiev: Nauk. Dumka, 1969. 292 p.

12. Vasiliev, V.I. Sisteme de recunoaștere. Director / V.I. Vasiliev / Kiev, Nauk, Dumka, 1983. 422 p.

13. Vizilter, Yu.V. Aplicarea metodei de analiză a dovezilor morfologice în probleme de vedere computerizată>/ Yu.V. Vizilter // Buletinul tehnologiilor informatice şi informaţionale, nr. 9, 2007 p. 11-18.

14. Vizilter, Yu.V. Morfologii proiective bazate pe interpolare / Yu.V. Vizilter // Buletinul tehnologiilor informatice şi informaţionale, nr. 4, 2008.-p. 11-18.

15. Vizilter, Yu.V., Morfologiile proiective și aplicarea lor în analiza structurală a imaginilor digitale / Yu.V. Visilter, S.Yu. Zheltov // Izv. RAS. TiSU, Nr. 6, 2008. p. 113-128.

16. Vizilter, Yu.V. Studiul comportamentului filtrelor autoregresive în problema identificării și analizei mișcării pe secvențe video digitale / Yu.V. Visilter, B.V. Vishnyakov // Buletinul tehnologiilor informatice și informatice, nr. 8, 2008. - p. 2-8.

17. Visilter, Yu.V. Morfologii proiective ale imaginilor bazate pe modele descrise prin funcționale de structurare / Yu.V. Visilter, S.Yu. Zheltov // Buletinul tehnologiilor informatice și informatice, nr. 11, 2009.-p. 12-21.

18. Vishnyakov, B.V. Utilizarea unei metode de flux optic modificată în problema detectării și urmăririi mișcării între cadre.

19. Ganebnykh, S.N. Analiza scenelor bazată pe utilizarea reprezentărilor arborescente ale imaginilor / S.N. Ganebnykh, M.M. Lange // Sat. tr. al 11-lea întreg rusesc conf. „Metode matematice de recunoaștere a modelelor (MMRO-11)”, M., 2003.-p. 271-275.

20. Glushkov, V.M. Introducere în cibernetică / V.M. Glushkov / Kiev: editura Academiei de Științe a RSS Ucrainei, 1964. 324 p.

21. Gonzalez, R., Woods R. Procesarea digitală a imaginii. Traducere din engleză editat de P.A. Chochia / R. Gonzalez, R. Woods / M.: Tehnosphere, 2006. 1072 p.

22. Goroshkin, A.N., Segmentarea imaginilor textului scris de mână (SegPic) / A.N. Goroshkin, M.N. Favorskaya // Certificat nr. 2008614243. Înregistrat în Registrul programelor de calculator, Moscova, 5 septembrie 2008.

23. Grenander, W. Prelegeri de teoria imaginilor / W. Grenander / În 3 volume / Traducere din engleză. Ed. Yu.I. Zhuravleva. M.: Mir, 1979-1983. 130 p.

24. Gruzman, I.S. Procesarea digitală a imaginii în sisteme de informare: Manual. Manual / I.S. Gruzman, B.C. Kirichuk, V.P. Kosykh, G.I. Peretyagin, A.A. Spector / Novosibirsk, editura NSTU, 2003. p. 352.

25. Inferență fiabilă și plauzibilă în sisteme inteligente / Ed. V.N. Vagin, D.A. Pospelov. Ed. a II-a, rev. si suplimentare - M.: FIZMATLIT, 2008. - 712 p.

26. Duda, R. Pattern recognition and scene analysis / R. Duda, P. Hart / M.: Editura Mir, 1978. 512 p.

27. Zhuravlev, Yu.I. Despre abordarea algebrică a rezolvării problemelor de recunoaștere și clasificare / Yu.I. Zhuravlev // Probleme de cibernetică: Sat. Art., problema. 33, M.: Nauka, 1978. p. 5-68.

28. Zhuravlev, Yu.I. Despre corecția algebrică a procedurilor de prelucrare (transformare) a informațiilor / Yu.I. Zhuravlev, K.V. Rudakov // Probleme de matematică aplicată și informatică, M.: Nauka, 1987. p. 187-198.

29. Zhuravlev, Yu.I. Recunoașterea modelelor și recunoașterea imaginilor / Yu.I. Zhuravlev, I.B. Gurevici // Anuarul „Recunoaștere. Clasificare. Prognoza. Metode matematice și aplicarea lor”, vol. 2, M.: Nauka, 1989.-72 p.

30. Zhuravlev, Yu.I. Recunoașterea modelelor și analiza imaginii / Yu.I. Zhuravlev, I.B. Gurevich / Inteligența artificială în 3 cărți. Carte 2. Modele și metode: Manual / Ed. DA. Pospelova, M.: editura „Radio și Comunicare”, 1990. - p. 149-190.

31. Zagoruiko, N.G. Metode de recunoaștere și aplicarea lor / N.G. Za-goruiko / M.: Sov. radio, 1972. 206 p.

32. Zagoruiko, N.G. Inteligența artificială și predicția empirică / N.G. Zagoruiko / Novosibirsk: ed. NSU, ​​​​1975. 82 p.

33. Ivakhnenko, A.G. Despre aplicarea teoriei invarianței și controlului combinat la sinteza și analiza sistemelor de învățare / A.G. Ivakhnenko // Avtomatika, 1961, nr. 5, p. 11-19.

34. Ivakhnenko, G.I. Sisteme de recunoaștere și control automat de autoînvățare / A.G. Ivakhnenko / Kiev: Tekhnika, 1969. 302 p.

35. Kashkin, V.B. Teledetecție a Pământului din spațiu. Procesare digitală a imaginii: Manual / V.B. Kashkin, A.I. Suhinin / M.: Logos, 2001. 264 p.

36. Kobzar, A.I. Statistică matematică aplicată. Pentru ingineri și oameni de știință / A.I. Kobzar / M.: FIZMATLIT, 2006. 816 p.

37. Kovalevsky, V.A. Metoda de corelare a recunoașterii imaginilor / V.A. Kovalevsky // Jurnal. Calculator. Matematică și Fizică Matematică, 1962, 2, Nr. 4, p. 684-690.

38. Kolmogorov, A.N.: Epsilon-entropia și epsilon-capacitatea mulțimilor în spații funcționale / A.N. Kolmogorov, V.M. Tikhomirov // Teoria informației și teoria algoritmilor. M.: Nauka, 1987. p. 119-198.

39. Korn, G. Manual de matematică pentru oameni de știință și ingineri / G. Korn, T. Korn // M.: Nauka, Ch. ed. fizica si matematica lit., 1984. 832 p.

40. Kronover, R. Fractali și haos în sistemele dinamice / R. Kronover // M.: Tekhnosphere, 2006. 488 p.

41. Lapko, A.B. Sisteme neparametrice* și hibride pentru clasificarea diferitelor tipuri de date / A.V. Lapko, BlA. Lapko // Tr. al 12-lea All-Rus conf. „Metode și modele matematice de recunoaștere a modelelor” (MMRO-12), M., 2005.-p. 159-162.

42. Levtin, K.E. Detectarea vizuală a fumului (SmokeDetection) / K.E.Levtin, M.N. Favorskaya // Certificat nr. 2009612795. Înregistrat în Registrul programelor de calculator, Moscova, 3 iulie 2009.

43. Lutsiv, V.R. Principii de unificare a sistemelor optice ale roboților / V.R. Lutsiv, M.N. Favorskaya // V-book. „Unificarea și standardizarea roboților industriali”, Tașkent, 1984. p. 93-94.

44. Lutsiv, V.R. Sistem optic universal pentru GAP / V.R. Lutsiv, M.N. Favorskaya // În carte. „Experiență în crearea, implementarea și utilizarea sistemelor automate de control al proceselor în asociații și întreprinderi”, L., LDNTP, 1984. p. 44-47.

45. Medvedeva, E.V. Metodă de estimare a vectorilor de mișcare în imagini video / E.V. Medvedeva, B.O. Timofeev // În materialele celei de-a 12-a conferințe și expoziții internaționale „Procesarea semnalului digital și aplicarea sa”, M.: În 2 vol. T. 2, 2010. p. 158-161.

46. ​​​​Metode de prelucrare a imaginilor pe computer / Ed. V.A. Soifer. Ed. a 2-a, spaniolă - M.: FIZMATLIT, 2003. - 784 p.

47. Metode de detectare și urmărire automată a obiectelor. Prelucrarea și controlul imaginilor / B. A. Alpatov, P. V. Babayan, O.E. Balashov, A.I. Stepashkin. -M.: Inginerie radio, 2008. - 176 p.

48. Metode de optică computerizată / Ed. V.A. Soifer. M.: FIZMATLIT, 2003. - 688 p.

49. Mudrov, A.E. Metode numerice pentru PC-uri în limbajele BASIC, Fortran și Pascal / A.E. Mudrov / Tomsk: MP „RASKO”, 1991. 272 ​​​​p.

50. Pakhirka, A.I. Localizarea feței (FaceDetection) / A.I. Pakhirka, M.N. Favorskaya // Certificat nr. 2009611010. Înregistrat în Registrul programelor de calculator, Moscova, 16 februarie 2009.

51. Pakhirka, A.I. Îmbunătățirea imaginii neliniare / A.I. Pakhirka, M.N. Favorskaya // Certificat nr. 2010610658. Înregistrat în Registrul programelor de calculator, Moscova, 31 martie 2010.

52. Pontryagin, L. S. Grupuri continue J L. S. Pontryagin // Ed. a IV-a, M.: Nauka, 1984.-520 p.

53. Potapov, A.A. Fractali în radiofizică și radar: Topologie de eșantionare / A.A. Potapov // Ed. al 2-lea, revizuit si suplimentare - M.: Cartea universitară, 2005. 848 p.

54. Radcenko, Yu.S. Studiul algoritmului spectral pentru detectarea modificărilor într-o secvență video / Yu.S. Radchenko, A.V. Bulygin, T.A. Radchenko // Izv. Universities. Radioelectronics, ; Nr. 7, 2009. pp. 49-59.

55. Salnikov, I.I. Semnale spatiotemporale raster în sisteme de analiză a imaginilor / I.I. Salnikov // M.: FIZMATLIT, 2009. -248 p.

56. Sergunin, S.Yu. Schema de construcție dinamică a descrierii pe mai multe niveluri a imaginilor / S.Yu.Sergunin, K.M.Kvashnin, M.I. Kumskov // Sat. tr. al 11-lea întreg rusesc Conf: „Metode matematice de recunoaștere a modelelor (MMRO-11)”, M., 2003. p. 436-439:

57. Slynko, Yu.V. Rezolvarea problemei urmăririi și delimitării simultane folosind metoda probabilității maxime / Yu.V. Slynko // Procesarea digitală a semnalului, nr. 4, 2008. p. 7-10

58. Solso, R. Psihologie cognitivă / R. Solso / Sankt Petersburg: Peter, ed. a VI-a, 2006. 590 p.

59. Tarasov, I.E. Dezvoltarea de dispozitive digitale bazate pe FPGA-uri Xi-linx folosind limbajul VHDL / I.E. Tarasov / M.: Hot line-Telecom, 2005. - 252 p.

60. Favorskaya, M.N. Dezvoltarea algoritmilor de recunoaștere a imaginilor digitale în sisteme robotizate adaptive / M.N*. Favorskaya // L!, Institutul de Aviație din Leningrad. ingineria instrumentelor, 1985. Depozit manuscris: în VINITI 23/01/85. Nr. 659-85 Dep.

61. Favorskaya; M.N. Aplicarea metodelor spectrale de normalizare și recunoaștere a imaginilor în sisteme robotice adaptive / M.N.*.Favorskaya // Leningrad, Leningradsky, Institutul de Aviație. ingineria instrumentelor, 1985. Depozit de manuscrise. in VINITI23.01.85. Nr. 660-85 Dep.

62. Favorskaya, M.N. Experiență în dezvoltarea algoritmilor de recunoaștere a obiectelor pentru producția de ștanțare / M.N. Favorskaya // În carte. „Starea, experiența și direcțiile de lucru privind automatizarea complexă bazată pe GPS, RTK și PR”, Penza, 1985. p. 64-66.

63. Favorskaya, M.N. Studiul proprietăților proiective ale grupurilor de obiecte / M.N. Favorskaya, Yu.B. Kozlova // Buletinul Universității Aerospațiale de Stat din Siberia. Vol. 3, Krasnoyarsk, 2002. - p. 99-105.

64. Favorskaya, M.N. Determinarea structurii afine a unui obiect prin mișcare / M.N. Favorskaya // Buletinul Universității Aerospațiale de Stat din Siberia, Vol. 6, Krasnoyarsk, 2005. - p. 86-89.

65. Favorskaya - M.N. Clasificarea generală a abordărilor recunoașterii imaginilor / M-.N. Favorskaya // V< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Funcții de decizie invariante în probleme de recunoaștere a imaginilor statice / M.N. Favorskaya // Buletinul Universității Aerospațiale de Stat din Siberia. Vol. 1 (14), Krasnoyarsk, 2007. p. 65-70.

67. Favorskaya, M.N. Metode probabilistice pentru segmentarea fluxului video ca problemă cu datele lipsă / M.N. Favorskaya // Buletinul Universității Aerospațiale de Stat din Siberia. Vol. 3 (16), Krasnoyarsk, 2007. p. 4-8.

68. Favorskaya, M.N. Selectarea caracteristicilor informative țintă în sistemele de recunoaștere a imaginilor / M.N. Favorskaya // În materialele XI-a Internațională. științific conf. „Lecturi Reșetnev” Universitatea Agrară de Stat din Siberia, Krasnoyarsk, 2007 p. 306-307.

69. Favorskaya, M.N. Strategii de segmentare a imaginilor bidimensionale / M.N. Favorskaya // În materialele conferinței științifice întregi rusești „Modele și metode de procesare a imaginii MMOI-2007”, Krasnoyarsk, 2007. p. 136-140.

70. Favorskaya, M.N. Segmentarea imaginilor de peisaj pe baza abordării fractale / M.N. Favorskaya // În materialele celei de-a 10-a conferințe și expoziții internaționale „Procesarea semnalului digital și aplicarea acesteia”, M., 2008. p. 498-501.

71. Favorskaya, M.N. Model de recunoaștere a imaginii text scris de mână / M.N. Favorskaya, A.N. Goroshkin // Buletinul Universității Aerospațiale de Stat din Siberia. Vol. 2" (19), Krasnoyarsk, 2008. pp. 52-58.

72. Favorskaya, M.N. Algoritmi pentru implementarea evaluării mișcării în sistemele de supraveghere video / M.N. Favorskaya, A.S. Shilov // Sisteme de control tehnologia de informație. Cercetare în perspectivă / IPU RAS; VSTU, nr. 3.3(33), M.-Voronezh, 2008. p. 408^12.

73. Favorskaya, M.N. Cu privire la problema utilizării gramaticilor formale în recunoașterea obiectelor în scene complexe // M.N. Favorskaya / În materialele celei de-a XIII-a conferințe științifice internaționale. „Lecturi Reșetnev”. În 2 părți 4.2, Krasnoyarsk, 2009. p. 540-541.

74. Favorskaya, M.N. Recunoaștere dinamică a imaginii bazată pe filtre predictive / M.N. Favorskaya // Buletinul Universității Aerospațiale de Stat din Siberia. Vol. 1(22) la 2 ore 4f. 1, Krasnoyarsk, 20091 p. 64-68.

75. Favorskaya, M.N., Metode de căutare a mișcării în secvențe video / M.N. Favorskaya, A.I. Pakhirka, A.S. Shilov; M.V. Damov // Buletin. Universitatea Aerospațială de Stat din Siberia. Vol. 1 (22) la ora 2. Partea 2, Krasnoyarsk, 2009. p. 69-74.

76. Favorskaya, M.N. Găsirea obiectelor video în mișcare folosind tensori structurali 3D locali / M.N. Favorskaya // Buletinul Universității Aerospațiale de Stat din Siberia. Vol. 2 (23), Krasnoyarsk, 2009. p. 141-146.

77. Favorskaya, M.N. Estimarea mișcării obiectelor în scene complexe pe baza abordării tensorale / M.N. Favorskaya // Procesarea digitală a semnalului, nr. 1, 2010.-p. 2-9.

78. Favorskaya, M.N. Calcul complex al caracteristicilor imaginilor de peisaj / M.N. Favorskaya, N.Yu. Petukhov // Optical Journal, 77, 8, 2010.-p. 54-60.

79. Bine, B.C. Recunoaștere imagini / B.C. Fine // M.: Nauka, 1970.-284 p.

80. Forsythe, D.A. Viziune computerizată. Abordare modernă / D.A. Forsyth, J. Pons // M.: Editura Williams, 2004. 928 p.

81. Fu, K. Sequential methods in pattern recognition and machine learning / K. Fu / M.: Nauka, 1971. 320 p.

82. Fu, K. Structural methods in pattern recognition / K. Fu / M.: Mir, 1977.-320 p.

83. Fukunaga, K. Introducere în teoria statistică a recunoașterii modelelor / K. Fukunaga / M.: Nauka, 1979. 368 p.

84. Shelukhin, O.I. Auto-asemănarea și fractalii. Aplicatii de telecomunicatii / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / Ed. O.I. Shelukhina. M.: FIZMATLIT, 2008. 368 p.

85. Shilov, A.S. Determinarea mișcării (MotionEstimation) / A.S. Shilov, M.N. Favorskaya // Certificat nr. 2009611014. Înregistrat în Registrul programelor de calculator, Moscova, 16 februarie 2009.

86. Sh. Shlesinger, M.I. Metoda de corelare pentru recunoașterea secvențelor de imagini / M.I. Shlesinger / În cartea: Citirea automatelor. Kiev: Nauk.dumka, 1965. p. 62-70.

87. Shlesinger, M.I. Analiza sintactică a semnalelor vizuale bidimensionale în condiții de interferență / M.I. Shlesinger // Cibernetica, nr. 4, 1976. - p. 76-82.

88. Stark, G.-G. Aplicarea wavelets pentru DSP / G.-G. Stark / Ml: Technosphere, 2007. 192 p.

89. Shoup, T. Metode numerice aplicate în fizică și tehnologie: Trad. din engleza / T. Shoup / Ed. S.P. Merkuryeva; M.: Mai sus. Shk., 19901 - 255 p. 11 „5. Electric, resursă: http:// www.cse.ohio-state.edu/otcbvs-bench

90. Electr, resursă: http://www.textures.forrest.cz/ resursă electronică (bază de imagini texturi bibliotecă de texturi forrest).

91. Electr, resursă: http://www.ux.uis.no/~tranden/brodatz.html resursă electronică (Brodatz texture image database).

92. Allili M.S., Ziou D. Active contours for video object tracking using region, boundary and shape information // SIViP, Vol. 1, nr. 2, 2007. pp. 101-117.

93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. Estimarea robustă a mișcării camerei folosind modele de flux optic // Note de curs în

94. Computer Science (inclusiv subseria Lecture Notes in Artificial Intelligence și Lecture Notes in Bioinformatics) 5875 LNCS (PART 1), 2009. pp. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Video Event Classification using String Kernels // Multimed. Instrumente Appl., Vol. 48, nr. 1, 2009. pp. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Categorizarea acțiunilor în videoclipurile de fotbal folosind nuclee de string // În: Proc. de IEEE Int"l Workshop on Content-Based Multimedia Indexing (CBMI). Chania, Creta, 2009. pp. 13-18.

97. Barnard K., Fan Q. F., Swaminathan R., Hoogs A., Collins R, Rondot P. și Kaufhold J. Evaluation of localized semantics: Data, methodology, and experiments // International Journal of Computer Vision, IJCV 2008, Vol. 77, nr. 1-3,2008.-pp. 199-217.

98. Bertini M., Del Bimbo A., Serra G. Learning rules for semantic video event annotation // Lecture Notes In Computer Science; În: Proc. of Int"l Conference on Visual Information Systems (VISUAL), Vol. 5188, 2008. pp. 192-203.

99. Bobick A.F., Davis J.W. Recunoașterea mișcării umane folosind șabloane temporale // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, nr. 3, 2001. pp. 257-267.

100. Boiman O., Irani M. Detecting irregularities in images and in video // International Journal of Computer Vision, Vol. 74, nr. 1, 2007. pp. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.-P. Un model variațional pentru segmentarea obiectelor utilizând informații de limită și forma anterior condusă4 de Mumford-Shah Functional // Jurnalul Internațional de Computer Vision, vol. 68, nr. 2, 2006.-pp. 145-162.

102. Cavallaro A., Salvador E., Ebrahimi T. Procesare video bazată pe obiecte, bazată pe umbră // IEEE Vision; Procesarea imaginii și a semnalului, voi. 152, nr. 4, 2005.-pp. 14-22.

103. Chen J., Ye J. Training SVM with nedefinite kernels // În: Proc. a celei de-a 25-a conferințe internaționale privind învățarea automată (ICML), vol. 307, 2008. pp. 136-143.

104. Cheung S.-M., Moon Y.-S. Detectarea pietonilor care se apropie de la distanță utilizând modele de intensitate temporală // MVA2009, Vol. 10, nr. 5, 2009. -pp. 354-357.

105. N. Dalai, B. Triggs și G. Schmid, „Detecția umană folosind histograme orientate de flux și aspect”, În ECCV, voi. II, 2006. pp. 428^141.

106. N. Dalai, B. Triggs, „Histograms of Oriented Gradients for Human Detection”, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), voi. II, 2005-pp. 886-893.

107. Dani A.P., Dixon W.E. Structura unei singure camere și estimarea mișcării // Lecture Notes in Control and Information Sciences, 401, 2010. pp. 209-229.

108. Datta Ri, Joshi D;, Li J., and Wang J. Z1 Recuperare imagini: Idei, influențe și tendințe ale noii epoci // ACM"-Computing Surveys, Vol. 40:, nr: 2, 2008. ■ - pp. 1-60.

109. Dikbas S., Arici T., Altunbasak Y. Fast motion estimation with interpolation-free sub-sample accuracy // IEEE Transactions on Circuits and Systems for Video Technology 20 (7), 2010. -pp. 1047-1051.

110. Dollar P., Rabaud V., Cottrell G., Belongie S. Behavior recognition via sparse spatial-temporal features // În: Proc. Al 2-lea Atelier internațional comun IEEE privind evaluarea urmăririi și supravegherii, VS-PETS, 2005. pp. 65-72.

111. Donatini P. și Frosini P. Pseudodistanțe naturale între suprafețe închise // Journal of the European Mathematical Society, Vol. 9, nr. 2, 2007 p. 231-253.

112. Donatini P. și Frosini P. Pseudodistanțe naturale între curbe închise // Forum Mathematum, Vol. 21, nr. 6, 2009. pp. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Detectarea vizuală a evenimentelor folosind dinamica conceptului multidimensional // În: Proc. a IEEE Int"l Conference on Multimedia and Expo (ICME), 2006. pp. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Modelarea realistă 3D a creșterii pădurilor cu efect natural // Proceedings of the Second KES International Symposium IDT 2010, Baltimore. STATELE UNITE ALE AMERICII. Springer-Verlag, Berlin, Heidelberg. 2010.-pp. 191-199.

115. Francois A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL: Un cadru de ontologie pentru reprezentarea și adnotarea evenimentelor video // IEEE Multimedia, Vol: 12; Nu. 4, 2005. pp. 76-86.

116. Gao J., Kosaka A:, Kak A.C. A Multi-Kalman Filtering Approach for Video Tracking of Human-Delineated Objects in Cluttered Environments // IEEE Computer Vision and Image Understanding, 2005, V. 1, nr 1. pp. 1-57.

117. Gui L., Thiran J.-P., Paragios N. Joint Object Segmentation and Behavior Classification in Image Sequences // IEEE Conf. on Computer Vision and Pattern Recognition, 17-22 iunie 2007. pp. 1-8.

118. Haasdonk B. Interpretarea spațiului caracteristic a SVM-urilor cu nuclee nedefinite // Tranzacții IEEE privind analiza modelelor și inteligența mașinilor. Vol. 27, nr. 4, 2005. pp. 482-492.

119. Harris C. și Stephens M. Un colț combinat și marginea detector // În Fourth Alvey Vision Conference, Manchester, Marea Britanie, 1988. pp. 147-151.

- pp. 178-185.

121. Haykin S. Neural Networks: A Comprehensive Introduction. / N.Y.: Prentice-Hall, 1999;.- 658 pi.

122. Hoynck M., Unger M., Wellhausen J. și Ohm J.-R. O abordare robustă a estimării globale a mișcării pentru analiza video bazată pe conținut // Proceedings of SPIE Vol. 5601, Bellingham, WA, 2004. pp. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Deinterlacing using ierarhical motion analysis // IEEE Transactions on Circuits and Systems for Video Technology 20 (5), 2010. pp. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-trees, Oct-trees și K-trees: O abordare generalizată a descompunerii recursive a spațiului euclidian // IEEE Transactions on PAMI, Vol. 5, nr. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R:, Hebert Mi. Detectare vizuală eficientă a evenimentelor folosind caracteristici volumetrice // În: Proc. of Int"l Conference on Computer Vision (ICCV), vol.1, 2005.-pp. 166-173.

126. Klaser A., ​​​​Marszalek M. și Schmid C.A Spatio-Temporal Descriptor Based on 3D-Gradients // În BMVC, British Machine Vision, Conference, 2008. -pp. 995-1004.

127. Kovashka, A., Grauman, To Learning a hierarchy of discriminative space-time neighborhood features for human action recognition // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2010. pp.2046-2053.

128. Kumskov M.I. Schema de calcul a analizei imaginii controlate de modelele obiectelor de recunoscut // Pattern Recognition and Image Analysis, Voi. 11, nr. 2, 2001. p. 446-449:

129. Kwang-Kyu S. Recuperare de imagini bazată pe conținut prin combinarea algoritmului genetic și a mașinii vectorului suport // În ICANN (2), 2007. pp. 537-545.

130. Lai C.-L., Tsai S.-T., Hung Y.-P. Un studiu privind calibrarea coordonatelor tridimensionale folosind un sistem fuzzy // International Symposium on Computer, Communication, Control and Automation 1, 2010. - pp. 358-362.

131. Laptev I. Despre punctele de interes spațiu-timp // International Journal of Computer Vision, Vol. 64, nr. 23, 2005. pp. 107-123.

132. Leibe B., Seemann E., Schiele B. Pedestrian Detection in Crowded* Scenes // IEEE Conference on Computer Vision and Pattern Recognition, Vol. 1, 2005.-pp. 878-885.

133. Lew M. S., Sebe N., Djeraba C. și Jain R. „Recuperarea informațiilor multimedia bazate pe conținut1: starea actuală și provocări”, ACM Transactions on Multimedia Computing, Communications, and Applications, Vol. 2, nr. 1, 2006. pp. 1-19.

134. Li J. și Wang J. Z. Adnotare computerizată în timp real a imaginilor // IEEE Trans. PAMI, Vol. 30, 2008. pp. 985-1002.

135. Li L., Luo R., Ma R., Huang W. și Leman K. Evaluation of An IVS System for Abandoned Object Detection on PETS 2006 Datasets // Proc. 9 Intern IEEE. Workshop on PETS, New York, 2006. pp. 91-98.

136. Li L., Socher R. și Fei-Fei L. Towards Total Scene Understanding: Classification, Annotation and Segmentation in an Automatic Framework // IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2009. pp. 2036-2043.

137. Li Q., ​​​​Wang G., Zhang G.) Chen S. Estimarea exactă a mișcării globale bazată pe piramida cu mască // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao/Journal of Computer-Aided Design and Computer Graphics, Vol: 21 , nu . 6, 2009. pp. 758-762.

138. Lindeberg T., Akbarzadeh A. și Laptev I. Galilean-diagonalized spatial-temporal interest operators // Proceedings of the 17th International Conference on Pattern Recognition (ICPR"04), 2004. pp. 1051-1057.

139. Lim J., Barnes, N. Estimarea epipolului folosind fluxul optic la punctele antipodale // Computer Vision and Image Understanding 114, nr. 2, 2010. pp. 245-253.

140. Lowe D. G. Caracteristici distinctive ale imaginii din punctele cheie invariante la scară // Jurnalul Internațional de Viziune pe Computer, Vol. 60, nr. 2, 2004. pp. 91-110.

141. Lucas B.D., Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision // International Joint Conference on Artificial Intelligence, 1981. pp. 674-679.

142. Mandelbrot B;B. The Fractal Geometry of Nature / N.Y.: Freeman^ 1982. 468 p.; russ, trad.: Mandelbrot B. Fractal, geometria naturii: Trad. din engleza / M.: Institutul de Cercetări Informatice, 202. - 658 p.

143. Mandelbrot V.V., Frame M.L. Fractali, grafică și educație matematică/N. Y.: Springer-Verlag, 2002. 654 p.

144. Mandelbrot B.B. Fractals and Chaos: The Mandelbrot Set.and Beyond / N.Y.: Springer-Verlag, 2004. 308 p.

145. Memoli F. On the use of Gromov-Hausdorff distances for shape comparison // Proceedings of the Eurographics Symposium on Point-Based Graphics. Praga, Cehia, 2007. pp. 81-90.

146. Mercer J. Funcțiile de tipuri pozitive și negative și legătura lor cu teoria ecuațiilor integrale // Transactions of the London Philosophical Society (A), vol. 209, 1909. pp. 415-446.

147. Mikolajczyk K. Detection of local features invariant to affine transformations, teză de doctorat, Institut National Polytechnique de Grenoble, Franța. 2002.171 str.

148. Mikolajczyk K. și Schmid G. An Affine Invariant Interest Point Detector // Proceedings of ECCV. Vol. 1. 2002. str. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Recunoașterea acțiunii umane folosind o mașină de învățare extremă bazată pe vocabulare vizuale // Neurocomputing, Vol. 73 (10-12), 2010. pp. 1906-1917.

150. Mladenic D., Skowron A., eds.: ECML. Vol. 4701 din Lecture Notes in Computer Science, Springer, 2007. pp. 164-175.

151. Moshe Y., Hel-Or H. Estimarea mișcării în bloc video bazată pe nuclee cu cod gri // IEEE Transactions on Image Processing 18 (10), 2009. pp. 22432254.

152. Nakada T., Kagami S;, Mizoguchi H. Pedestrian Detection using 3D Optical Flow Sequences for afMobile Robot // IEEE Sensors, 2008. pp: 116-119:

153. Needleman, S.B:,. Wunsch C.D.; O metodă generală aplicabilă la căutarea asemănărilor în secvența* de aminoacizi a două proteine ​​// Journal "of Molecular Biology Vol. 48, nr: 3, 1970. pp. 443-453.

154. Neuhaus M., Bunke H. Editați funcțiile nucleului bazate pe distanță-pentru clasificarea modelelor structurale // Pattern Recognition. Vol. 39, nr. 10, 2006. p.: 1852-1863.

155. Nevatia R., Hobbs J. și Bolles B. An ontology for video event representation // În Workshop on Event Detection and Recognition. IEEE, Vol.12, nr. 4, 2004. pp. 76-86.

156. Nguyen.N.-T., Laurendeau D:, Branzan-Albu A. A robust method for camera motion estimation in movies based on optical flow // The 6th International