Курсовая теория на тему Задачи распознавания образов

Содержание:

Введение. 3

1 Классификация и суть задач распознавания образов. 5

1.1 Формализация понятия «распознавание образов». 5

1.2 Типы задач распознавания образов по предметным
областям. 7

2 Анализ существующих математических методов,
применяющихся в задачах распознавания образов. 11

2.1 Методы математической статистики. 12

2.2 Методы искусственного интеллекта. 14

3 Программные средства для распознавания образов. 19

Выводы.. 22

Список использованных источников. 23

Введение:

Увеличение
производительности компьютерной техники приводит ко все большему разнообразию
выполняемых ею функций, одной из которых стало изобретение и внедрение методов
машинного зрения. Коротко это направление можно охарактеризовать как
совокупность методов и средств для определения типа и характеристик объекта,
находящегося на изображении (в частности на изображении, получаемом с
видеокамеры). Например, если в камере автономного автомобиля появляется знак
ограничения скорости, машина должна соответствующим образом снижать скорость, а
если в камере появляется красный сигнал светофора, то машина должна остановиться
(причем еще и на знаке «СТОП», который она также должна уметь распознавать и
локализовать). Примеров таких задач можно приводить чрезвычайно много, так как
степень роботизации и существующих механизмов и вновь разрабатываемых все время
растет. Это относится и к новейшим роботам антропоморфного вида (андроидам), в
глаза которых как раз и встроены камеры, предоставляющие текущее изображение
для распознавания. Также это справедливо и для чисто промышленных
автоматических технологических линий, оборудованных камерами наблюдения. В
полной степени описанная задача характерна и для автономных летательных,
наземных и подводных аппаратов. Спектр применения задач распознавания образов
действительно крайне широк[1].
Таким образом, актуальность задачи распознавания образов не представляет
сомнения.

Для определения того, что
же именно присутствует на изображении, было разработано много разнообразных
методов, основные из которых относятся к отраслям математической статистики, а
также искусственного интеллекта[2]. В
любом случае происходит процедура сравнения текущего изображения (всего
полностью или его части) с одним из эталонов (образцов) прописанных в системе
распознавания (или со всеми эталонами по очереди), в результате чего обычно
выдается вердикт, найдено ли совпадение с образцом и насколько оно убедительное.
Анализ и усовершенствование данных методов и средств является предметом
исследования во многих современных научных трудах, а также в данной работе.

Таким образом, целью
проведения данной работы является уменьшение времени специалиста в области ИТ,
на ознакомление с основами технологий распознавания образов, чего можно
добиться путем выполнения анализа существующих источников и сведения
необходимой информации по этой теме в рамках данной работы, небольшой по объему,
но включающей содержательные данные в обработанном компактном виде. Частными
задачами работы являются:

— анализ сути и видов задач
распознавания образов;

— анализ
существующих математических методов, применяющихся в задачах распознавания
образов, в частности методов математической статистики и методов искусственного
интеллекта;

— короткий анализ
популярных программных средств, применяющихся для распознавания образов. [1] С.Хайкин.
Нейронные сети: полный курс. 2-е изд. М., "Вильямс", 2006. [2] Л.Г.Комарцова,
А.В.Максимов. Нейрокомпьютеры. М., Изд-во МГТУ им.Баумана, 2004.

Заключение:

Таким образом, в работе
рассмотрены особенности задач распознавания образов. Детально проанализированы
области их применения, а также особенности, которые возникают в той, или иной
отрасли. Рассмотрено применение статистических методов, которые лучше подходят
для более регулярных задач распознавания (как, например, распознавание текста
OCR-системами), а также использование для этих целей систем искусственного
интеллекта в виде нейронных сетей. Описаны особенности решения задачи
распознавания в первом и во втором случае. Работа может быть полезной при
изучении особенностей задачи распознавания образом в курсах программирования,
информационных технологий, искусственного интеллекта.

Фрагмент текста работы:

1 Классификация и суть задач распознавания образов 1.1 Формализация понятия «распознавание образов» Ранее уже было установлено,
что достаточно актуальна задача определения типа объекта, находящегося на
изображении I, а также, возможно,
некоторых его характеристик. Сразу следует отметить, что во многих практических
задачах бывает недостаточно определить наличие объекта на изображении, но также
для принятия верных управляющих решений следует разобрать контекст, в рамках
которого употребляется распознанный объект – рис. 1.1. а) б)

Рис. 1.1. Примеры одинаковых внешне
объектов, несущих совершенно разную семантическую нагрузку. Определение особенностей
размещения объекта на изображении («понимание» его смысла) представляет собой
следующую по уровню абстракции задачу[1]: на
более низком уровне следует детектировать наличие объекта на картинке (именно о
таких задачах и будет идти речь в данной работе), а на следующем уровне –
понять, что именно он означает в данном конкретном случае (для этого нужно
привлекать конкретные алгоритмы, которые будут разными для каждой предметной
области). Итак, в дальнейшем будем говорить о решении вопроса, присутствует ли
на данном изображении заданный объект или нет.

Ответ на поставленный
вопрос может предоставляться по системе «да/нет» (как в двоичной логике), но
также может задаваться в вероятностном выражении (как в нечеткой логике –
дробным числом от 0 до 1, включая эти границы[2]).

В большинстве реальных
практических задач необходимо проводить поиск на изображении объектов не
одного, а нескольких заданных типов (в рассмотренном выше примере это должны
быть все дорожные знаки, а не только лишь один знак ограничения скорости).
Итак, можно говорить о множестве объектов O
= {o1, o2, …, oN}, для которых должна существовать возможность
определения их наличия на рисунке I. Тогда
типовая система распознавания образов будет реализовать следующую функцию двух
аргументов (при условии выполнения выводы по системе «да/нет»): "iÎ{1..N}: (1.1)

Тут N – общее количество объектов, которые могут быть распознаны
системой;

I
– изображение в той или иной форме, например в виде JPG файла или в виде
двоичной последовательности цветовой информации по отдельным пикселам, и т.п.

Если точно известно, что на любом входном изображении всегда обязательно
должен находится один из распознаваемых символов (как, например, при
распознавании текста заранее известны изображения всех символов используемого
алфавита и знаков пунктуации [1] А.И.Галушкин.
Нейронные сети. Основы теории. М., Горячая линия — Телеком, 2010. [2] B.Kosko. Neural Networks and Fuzzy
Systems. A Dynamical Systems Approach to Machine Intelligence. Prentice Hall, Englewood Cliffs,
1992.