RU2017132647A - Способ идентификации и классификации объектов - Google Patents

Способ идентификации и классификации объектов Download PDF

Info

Publication number
RU2017132647A
RU2017132647A RU2017132647A RU2017132647A RU2017132647A RU 2017132647 A RU2017132647 A RU 2017132647A RU 2017132647 A RU2017132647 A RU 2017132647A RU 2017132647 A RU2017132647 A RU 2017132647A RU 2017132647 A RU2017132647 A RU 2017132647A
Authority
RU
Russia
Prior art keywords
point
predefined
points
predefined class
class
Prior art date
Application number
RU2017132647A
Other languages
English (en)
Other versions
RU2692420C2 (ru
RU2017132647A3 (ru
Inventor
Регина Ренатовна Агафонова
Александр Владимирович Мингалев
Ильдар Масхутович Габдуллин
Сергей Николаевич Шушарин
Original Assignee
Российская Федерация, от имени которой выступает Федеральное государственное казенное учреждение "Войсковая часть 68240"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Российская Федерация, от имени которой выступает Федеральное государственное казенное учреждение "Войсковая часть 68240" filed Critical Российская Федерация, от имени которой выступает Федеральное государственное казенное учреждение "Войсковая часть 68240"
Priority to RU2017132647A priority Critical patent/RU2692420C2/ru
Publication of RU2017132647A publication Critical patent/RU2017132647A/ru
Publication of RU2017132647A3 publication Critical patent/RU2017132647A3/ru
Application granted granted Critical
Publication of RU2692420C2 publication Critical patent/RU2692420C2/ru

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Claims (51)

1. Способ идентификации и классификации объектов, согласно которому при идентификации объектов
регистрируют по меньшей мере один предмет, по меньшей мере одним из настроенных на него физических детекторов,
по выходному сигналу, по меньшей мере одного детектора, определяют по меньшей мере один объект, для которого получают из выходного сигнала набор n различных физических признаков,
далее исследуемый объект классифицируют на основании предварительно задаваемых свойств при помощи классификатора, предварительно обученного по обучающей выборке,
при этом исследуемый объект соотносят с одним из N предварительно заданных классов, отличающийся тем, что
указанный классификатор содержит (N+1) предварительно заданных классов,
при этом принадлежность исследуемого объекта к N предварительно заданным классам, для которых представлена обучающая выборка, определяют в указанном классификаторе посредством оценки схожести по их физическим признакам,
принадлежность исследуемого объекта к (N+1)-ому предварительно заданному классу, для которого не может быть представлена обучающая выборка, определяют в указанном классификаторе посредством того, что исследуемый объект не принадлежит ни к одному из N предварительно заданных классов на основе оценки схожести по их физическим признакам,
а для выполнения оценки схожести по физическим признакам в указанном классификаторе по меньшей мере одного исследуемого объекта с каждым из N предварительно заданных классов, которые имеют обучающую выборку, осуществляют построение границ для каждого из N предварительно заданных классов посредством анализа плотности и формы распределения обучающей выборки в n-мерном пространстве признаков, после чего осуществляют проверку попадания исследуемого объекта по его координатам в n-мерном пространстве признаков в каждую из областей, определяемых границами N предварительно заданных классов.
2. Способ по п. 1, отличающийся тем, что при построении границ
определяют выпуклую границу предварительно заданного класса, соединяя точки
Figure 00000001
где bi - i-ая точка выпуклой границы предварительно заданного класса;
Figure 00000002
- координаты точки bi в n-мерном пространстве признаков; F - количество точек, образующих выпуклую границу предварительно заданного класса;
далее определяют центральную точку С предварительно заданного класса
Figure 00000003
где
Figure 00000004
- координаты точки С в n-мерном пространстве признаков;
разделяют область, занимаемую классом в n-мерном пространстве признаков на F секторов, соединяя центральную точку C с каждой точкой выпуклой границы предварительно заданного класса bi,
затем в каждом секторе точки выпуклой границы предварительно заданного класса bi преобразуют, исходя из плотности и формы распределения обучающей выборки предварительно заданного класса, в точки расширенной выпуклой границы предварительно заданного класса
Figure 00000005
где
Figure 00000006
- i-ая точка расширенной выпуклой границы предварительно заданного класса;
Figure 00000007
- координаты точки
Figure 00000008
в n-мерном пространстве признаков; F - количество точек, образующих расширенную выпуклую границу предварительно заданного класса,
по формуле:
Figure 00000009
где ρ(С, bi) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi;
Figure 00000010
- евклидово расстояние от центральной точки С предварительно заданного класса до точки
Figure 00000011
евклидово расстояние от центральной точки С предварительно заданного класса до точки
Figure 00000012
расширенной выпуклой границы предварительно заданного класса определяют по формуле:
Figure 00000013
где Н - сумма евклидовых расстояний от центральной точки С предварительно заданного класса до точки bi и соседней точки bi-1; Н' - сумма евклидовых расстояний от центральной точки С предварительно заданного класса до точки
Figure 00000014
и соседней точки
Figure 00000015
определяемая из плотности и формы распределения объектов предварительно заданного класса в секторе;
сумму евклидовых расстояний Н от центральной точки С предварительно заданного класса до точки bi и соседней точки bi-1 определяют по формуле:
Н=ρ(C, bi)+ρ(C, bi-1),
где ρ(C, bi) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi;
ρ(С, bi-1) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi-1;
сумму евклидовых расстояний Н' от центральной точки С предварительно заданного класса до точки
Figure 00000016
и соседней точки
Figure 00000017
определяемую из плотности и формы распределения объектов предварительно заданного класса в секторе, вычисляют по формуле:
Figure 00000018
где Sk - количество точек в текущем секторе предварительно заданного класса;
k - количество секторов в предварительно заданном классе;
Т - общее количество точек в предварительно заданном классе;
hz - сумма евклидовых расстояний от точки внутри сектора
Figure 00000019
до точки bi и точки bi-1;
сумму евклидовых расстояний hz от точки внутри сектора tƒ до точки bi и точки bi-1 определяют по формуле:
hz=ρ(tƒ, bi)+ρ(tƒ, bi-1),
для каждой точки
Figure 00000020
расширенной выпуклой границы предварительно заданного класса, входящей одновременно в два соседних сектора, вычисляют и усредняют между собой, соответственно, два комплекта координат,
определяют расширенную выпуклую границу предварительно заданного класса, соединяя точки
Figure 00000021
далее в каждом секторе в выпуклую границу предварительно заданного класса добавляют точки a j, которые находятся на минимальном расстоянии от двух соседних точек bi и bi-1 выпуклой границы предварительно заданного класса, причем их добавление в границу производят при условии, что другие точки не окажутся вне границы класса, при этом
Figure 00000022
Figure 00000023
где a j - j-ая точка, добавленная в выпуклую границу предварительно заданного класса;
Figure 00000024
- координаты точки a j в n-мерном пространстве признаков; G - количество добавленных точек a j,
формируют вогнутую границу предварительно заданного класса, соединяя точки bi и точки a j,
затем добавленные в выпуклую границу предварительно заданного класса точки a j преобразуют в точки
Figure 00000025
где
Figure 00000026
- преобразованная j-ая точка, добавленная в выпуклую границу предварительно заданного класса;
Figure 00000027
- координаты точки
Figure 00000028
в n-мерном пространстве признаков; G - количество добавленных точек
Figure 00000029
по формуле:
Figure 00000030
где ρ(bi, bi-1) - евклидово расстояние между соседними точками выпуклой границы bi и bi-1;
Figure 00000031
- евклидово расстояние между соседними точками расширенной выпуклой границы
Figure 00000032
и
Figure 00000033
далее формируют окончательную границу предварительно заданного класса, соединяя точки
Figure 00000034
и точки
Figure 00000035
RU2017132647A 2017-09-18 2017-09-18 Способ идентификации и классификации объектов RU2692420C2 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2017132647A RU2692420C2 (ru) 2017-09-18 2017-09-18 Способ идентификации и классификации объектов

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2017132647A RU2692420C2 (ru) 2017-09-18 2017-09-18 Способ идентификации и классификации объектов

Publications (3)

Publication Number Publication Date
RU2017132647A true RU2017132647A (ru) 2019-03-18
RU2017132647A3 RU2017132647A3 (ru) 2019-03-18
RU2692420C2 RU2692420C2 (ru) 2019-06-24

Family

ID=65759364

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017132647A RU2692420C2 (ru) 2017-09-18 2017-09-18 Способ идентификации и классификации объектов

Country Status (1)

Country Link
RU (1) RU2692420C2 (ru)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2726027C1 (ru) * 2020-01-28 2020-07-08 Юрий Иванович Стародубцев Способ идентификации элементов сложной системы в переменных условиях
RU2756778C1 (ru) * 2020-06-17 2021-10-05 Федеральное государственное бюджетное учреждение науки Институт проблем машиноведения Российской академии наук (ИПМаш РАН) Способ классификации изображений

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009009571B4 (de) * 2009-02-19 2019-05-09 Airbus Defence and Space GmbH Verfahren zur Identifizierung und Klassifizierung eines Objekts
US9091780B2 (en) * 2009-09-17 2015-07-28 Quantum Technology Sciences, Inc. (Qtsi) Methods for identifying a signal of interest and for making a classification of identity
RU2438182C1 (ru) * 2010-04-08 2011-12-27 Общество С Ограниченной Ответственностью "Конструкторское Бюро "Дорс" (Ооо "Кб "Дорс") Способ обработки банкнот (варианты)
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection

Also Published As

Publication number Publication date
RU2692420C2 (ru) 2019-06-24
RU2017132647A3 (ru) 2019-03-18

Similar Documents

Publication Publication Date Title
Liu et al. Automatic grape bunch detection in vineyards with an SVM classifier
CN106570505B (zh) 对组织病理图像进行分析的方法和系统
US8611604B2 (en) Object detection device
CN109766835A (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN106295666A (zh) 分类器生成、更新与对象检测方法和装置及图像处理设备
Juranek et al. Real-time pose estimation piggybacked on object detection
CN103996047A (zh) 基于压缩谱聚类集成的高光谱图像分类方法
Malof et al. Image features for pixel-wise detection of solar photovoltaic arrays in aerial imagery using a random forest classifier
Nijhawan et al. Land cover classification using super-vised and unsupervised learning techniques
CN104268582B (zh) 一种高光谱图像的波段选择方法及装置
CN104298992A (zh) 一种基于数据驱动的自适应尺度行人重识别方法
CN103871077A (zh) 一种道路车辆监控视频中的关键帧提取方法
CN101980251A (zh) 二叉树多类支持向量机遥感分类方法
RU2017132647A (ru) Способ идентификации и классификации объектов
CN107423715A (zh) 一种基于多特征联合决策的脚印自动识别方法
CN103903015A (zh) 一种细胞有丝分裂检测方法
CN105160351A (zh) 基于锚点稀疏图的半监督高光谱分类方法
CN106529501A (zh) 基于加权融合与分层串行结构的指纹与指静脉图像融合方法
Le et al. Document retrieval based on logo spotting using key-point matching
CN110059729A (zh) 一种基于支持向量机和最大互相关熵的成绩预测方法
CN104239895B (zh) 基于特征降维的sar目标鉴别方法
CN103093239A (zh) 一种融合了点对和邻域信息的建图方法
CN104134073A (zh) 一种基于一类归一化的遥感影像单类分类方法
CN107330429A (zh) 一种证件条目的定位方法和装置
Wereszczyński et al. Identifying a joint in medical ultrasound images using trained classifiers