RU2692420C2 - Object identification and classification method - Google Patents

Object identification and classification method Download PDF

Info

Publication number
RU2692420C2
RU2692420C2 RU2017132647A RU2017132647A RU2692420C2 RU 2692420 C2 RU2692420 C2 RU 2692420C2 RU 2017132647 A RU2017132647 A RU 2017132647A RU 2017132647 A RU2017132647 A RU 2017132647A RU 2692420 C2 RU2692420 C2 RU 2692420C2
Authority
RU
Russia
Prior art keywords
point
class
points
predefined
predefined class
Prior art date
Application number
RU2017132647A
Other languages
Russian (ru)
Other versions
RU2017132647A (en
RU2017132647A3 (en
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/en
Publication of RU2017132647A publication Critical patent/RU2017132647A/en
Publication of RU2017132647A3 publication Critical patent/RU2017132647A3/ru
Application granted granted Critical
Publication of RU2692420C2 publication Critical patent/RU2692420C2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic 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)

Abstract

FIELD: physics.SUBSTANCE: invention relates to methods for recognizing flat images of objects by their shape with extracting features of objects based on a contour analysis, with the subsequent processing of the extracted signs on the basis of statistical analysis, and can be used in technical vision systems. In the method, the classifier contains (N+1) predefined classes, the belonging of the object under study to N pre-defined classes for which the training sample is presented is determined in the indicated classifier by assessing the similarity by their physical characteristics, and the belonging of the object under study to the (N+1)pre-defined class for which the training set cannot be represented, is determined in the specified classifier by the fact that the object under study does not belong to any of the N pre-defined classes based on the assessment of similarity in their physical characteristics. To perform the physical similarity assessment in the specified classifier of at least one object under study with each of the N pre-defined classes that have a training set, carry out the construction of boundaries for each of the N pre-defined classes by analyzing the density and shape of the distribution of the training sample in the n-dimensional feature space.EFFECT: technical result of the invention is to improve the accuracy of the classification of objects by providing filtering of noise objects.1 cl, 4 tbl, 18 dwg

Description

Изобретение относится к цифровой обработке изображений, а именно, к способам распознавания плоских изображений объектов по их форме с извлечением признаков объектов на основе контурного анализа, с последующей обработкой извлеченных признаков на основе статистического анализа, и может быть использовано в системах технического зрения.The invention relates to digital image processing, in particular, to methods for recognizing flat images of objects according to their shape, extracting features of objects based on a contour analysis, followed by processing extracted features based on statistical analysis, and can be used in technical vision systems.

Аналогом является способ идентификации и классификации объектов (патент DE 19731111 В4, МПК G06K 9/62, опубликован 27.10.2005), в котором объект идентифицируется и классифицируется на основании предварительно задаваемых свойств из выходного сигнала, с помощью работающей по векторному принципу схемы. Данный способ базируется на применении решающих правил (индикаторов) в многомерном векторном пространстве, которые позволяют предварительно задать свойства фактического предмета, например летательного аппарата, который регистрируется как объект по меньшей мере одним настроенным на него физическим детектором, например радиолокационной станцией. Таким образом, индикатор является абстрактным понятием для предварительно задаваемой, важной для идентификации качественной и количественной информации. Каждому индикатору присваивается тенденция, которая соответствует базовой тождественности индикатора. Затем индикаторы отображаются как векторы в многомерном векторном пространстве.The analogue is the method of identifying and classifying objects (DE 19731111 B4, IPC G06K 9/62, published 10/27/2005), in which the object is identified and classified on the basis of predefined properties from the output signal, using a vector-based circuit. This method is based on the application of decision rules (indicators) in a multidimensional vector space that allow you to pre-set the properties of an actual object, such as an aircraft, which is registered as an object by at least one physical detector tuned to it, for example, a radar station. Thus, the indicator is an abstract concept for pre-defined, important for identifying qualitative and quantitative information. Each indicator is assigned a trend that corresponds to the basic identity of the indicator. The indicators are then displayed as vectors in multidimensional vector space.

Прототипом заявленного изобретения является способ идентификации и классификации объектов (патент RU 2541158 С2, МПК G06F 17/30, G06K 9/62, опубликован 10.02.2015), согласно которому при идентификации объектов регистрируют 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 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, N базовых классов в предварительно заданной последовательности упорядочивают в N-мерный вектор V, который соотносят с объектом, причем элементы v1…vN вектора V указывают на принадлежность объекта к соответствующему базовому классу и в зависимости от вектора V объект соотносят с производным классом, который сохранен в справочной базе данных и выбирается из нее, причем в случае принадлежности объекта к соответствующему базовому классу элементу v1…vN вектора присваивают двоичное значение "1", в противном случае присваивают двоичное значение "0".The prototype of the claimed invention is a method of identifying and classifying objects (patent RU 2541158 C2, IPC G06F 17/30, G06K 9/62, published 02/10/2015), according to which at object identification objects are recorded with at least one of the physical detectors tuned to it , at the output of at least one detector, at least one object is determined, for which a set of n different physical features is obtained from the output signal, then the object is classified on the basis of predefined properties for the classifier pre-trained in the training set, the object under study is correlated with one of the N pre-defined classes, N base classes in a pre-determined sequence are ordered into an N-dimensional vector V, which is correlated with the object, and the elements v1 ... vN of vector V indicate whether the object belongs to the corresponding base class and, depending on the vector V, the object is correlated with the derived class, which is stored in the reference database and selected from it, moreover in the case of belonging and an object to the corresponding base class element v1 ... vN of the vector assign a binary value "1", otherwise assign a binary value "0".

Основным недостатком аналога и прототипа является недостаточно высокая точность классификации объектов. Это обусловлено тем, что в известных способах отсутствует фильтрация шумовых объектов, так как в них не производят оценку схожести классифицируемого объекта с каждым из производных классов.The main disadvantage of analog and prototype is not sufficiently high accuracy of the classification of objects. This is due to the fact that in the known methods there is no filtering of noise objects, since they do not evaluate the similarity of the classified object with each of the derived classes.

Задачей заявленного изобретения является разработка способа идентификации и классификации объектов, в котором устранен недостаток аналога и прототипа.The objective of the claimed invention is to develop a method for the identification and classification of objects, which eliminated the lack of similar and prototype.

Техническим результатом заявленного изобретения является повышение точности классификации объектов за счет обеспечения фильтрации шумовых объектов.The technical result of the claimed invention is to improve the accuracy of the classification of objects by providing filtering of noise objects.

Технический результат достигается тем, что в способе идентификации и классификации объектов, согласно которому при идентификации объектовThe technical result is achieved by the fact that in the method of identifying and classifying objects, according to which, when identifying objects

регистрируют по меньшей мере один предмет, по меньшей мере одним из настроенных на него физических детекторов,register at least one item with at least one of the physical detectors tuned to it,

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,the output signal of the at least one detector determines at least one object for which a set of n different physical features is obtained from the output signal,

далее исследуемый объект классифицируют на основании предварительно задаваемых свойств при помощи классификатора, предварительно обученного по обучающей выборке,then the object under study is classified on the basis of predefined properties using a classifier that has been previously trained in a training set,

при этом исследуемый объект соотносят с одним из N предварительно заданных классов,at the same time, the object under study is associated with one of the N pre-defined classes,

согласно настоящему изобретению,According to the present invention,

указанный классификатор содержит (N+1) предварительно заданных классов,the specified classifier contains (N + 1) predefined classes,

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,at the same time, the belonging of the object under study to N pre-defined classes for which the training sample is presented is determined in the indicated classifier by assessing the similarity in their physical characteristics,

а 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.and the belonging of the object under study to the (N + 1) th pre-specified class for which the training sample cannot be represented is determined in the specified classifier by the fact that the object under study does not belong to any of the N pre-defined classes based on the similarity assessment by their physical attributes.

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,To perform a physical similarity assessment in the specified classifier of at least one object under study with each of the N pre-defined classes that have a training set,

осуществляют построение границ для каждого из N предварительно заданных классов посредством анализа плотности и формы распределения обучающей выборки в n-мерном пространстве признаков, при этомcarry out the construction of boundaries for each of the N pre-defined classes by analyzing the density and shape of the distribution of the training sample in the n-dimensional feature space, while

определяют выпуклую границу предварительно заданного класса, соединяя точки

Figure 00000001
,
Figure 00000002
,define a convex border of a predefined class by connecting points
Figure 00000001
,
Figure 00000002
,

где bi - i-ая точка выпуклой границы предварительно заданного класса;

Figure 00000003
- координаты точки bi в n-мерном пространстве признаков; F - количество точек, образующих выпуклую границу предварительно заданного класса;where b i is the i-th point of the convex boundary of a predefined class;
Figure 00000003
- coordinates of the point b i in the n-dimensional feature space; F is the number of points forming the convex boundary of a predefined class;

далее определяют центральную точку С предварительно заданного класса

Figure 00000004
,then determine the center point With a predefined class
Figure 00000004
,

где

Figure 00000005
- координаты точки С в n-мерном пространстве признаков;Where
Figure 00000005
- coordinates of point C in the n-dimensional feature space;

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,divide the area occupied by the class in the n-dimensional feature space into F sectors, connecting the center point C with each point of the convex boundary of the predefined class b i ,

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 00000006
,then, in each sector, the points of the convex boundary of a predetermined class b i are transformed, based on the density and shape of the distribution of the training sample of a predetermined class, into points of the extended convex boundary of a predetermined class
Figure 00000006
,

где

Figure 00000007
- i-ая точка расширенной выпуклой границы предварительно заданного класса;
Figure 00000008
- координаты точки
Figure 00000009
в n-мерном пространстве признаков; F - количество точек, образующих расширенную выпуклую границу предварительно заданного класса,Where
Figure 00000007
- i-th point of the extended convex boundary of a predefined class;
Figure 00000008
- point coordinates
Figure 00000009
in the n-dimensional feature space; F is the number of points that form the extended convex boundary of a predefined class,

по формуле:according to the formula:

Figure 00000010
Figure 00000010

где ρ(С, bi) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi;where ρ (C, b i ) is the Euclidean distance from the center point C of the predefined class to the point b i ;

Figure 00000011
- евклидово расстояние от центральной точки С предварительно заданного класса до точки
Figure 00000012
;
Figure 00000011
- Euclidean distance from the center point C of the predefined class to the point
Figure 00000012
;

Евклидово расстояние от центральной точки С предварительно заданного класса до точки

Figure 00000013
расширенной выпуклой границы предварительно заданного класса определяют по формуле:Euclidean distance from the center point C of the predefined class to the point
Figure 00000013
The extended convex border of a predetermined class is determined by the formula:

Figure 00000014
Figure 00000014

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 00000015
и соседней точки
Figure 00000016
, определяемая из плотности и формы распределения объектов предварительно заданного класса в секторе;where H is the sum of the Euclidean distances from the central point C of the predefined class to the point b i and the neighboring point b i-1 ; H ' is the sum of the Euclidean distances from the center point C of the predefined class to the point
Figure 00000015
and neighboring point
Figure 00000016
determined from the density and shape of the distribution of objects of a predefined class in the sector;

сумму евклидовых расстояний Н от центральной точки С предварительно заданного класса до точки bi и соседней точки bi-1 определяют по формуле:the sum of the Euclidean distances H from the central point C of the predefined class to the point b i and the neighboring point b i-1 is determined by the formula:

Figure 00000017
Figure 00000017

где ρ(С, bi) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi;where ρ (C, b i ) is the Euclidean distance from the center point C of the predefined class to the point b i ;

ρ(С, bi-1) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi-1;ρ (C, b i-1 ) is the Euclidean distance from the central point C of the predefined class to the point b i-1 ;

сумму евклидовых расстояний Н' от центральной точки С предварительно заданного класса до точки

Figure 00000018
и соседней точки
Figure 00000019
, определяемую из плотности и формы распределения объектов предварительно заданного класса в секторе, вычисляют по формуле:the sum of the Euclidean distances H ' from the center point C of the predefined class to the point
Figure 00000018
and neighboring point
Figure 00000019
determined from the density and shape of the distribution of objects of a predetermined class in the sector, is calculated by the formula:

Figure 00000020
Figure 00000020

где Sk - количество точек в текущем секторе предварительно заданного класса;where S k - the number of points in the current sector of a predefined class;

k - количество секторов в предварительно заданном классе;k is the number of sectors in a predefined class;

Т - общее количество точек в предварительно заданном классе;T is the total number of points in the predefined class;

hz - сумма евклидовых расстояний от точки внутри сектора tƒ,

Figure 00000021
до точки bi и точки bi-1;h z - the sum of the Euclidean distances from a point inside the sector t ƒ ,
Figure 00000021
to point b i and point b i-1 ;

сумму евклидовых расстояний hz от точки внутри сектора tƒ до точки bi и точки bi-1 определяют по формуле:the sum of the Euclidean distances h z from a point inside the sector t ƒ to the point b i and the point b i-1 is determined by the formula:

Figure 00000022
Figure 00000022

для каждой точки

Figure 00000023
, расширенной выпуклой границы предварительно заданного класса, входящей одновременно в два соседних сектора, вычисляют и усредняют между собой, соответственно, два комплекта координат,for each point
Figure 00000023
the extended convex boundary of a predefined class, which is simultaneously included in two adjacent sectors, calculates and averages between each other, respectively, two sets of coordinates,

определяют расширенную выпуклую границу предварительно заданного класса, соединяя точки

Figure 00000024
,determine the extended convex boundary of a predefined class by connecting points
Figure 00000024
,

далее в каждом секторе в выпуклую границу предварительно заданного класса добавляют точки aj, 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 00000025
,
Figure 00000026
,then, in each sector, points a j , which are at the minimum distance from two adjacent points b i and b i-1 of the convex border of a predetermined class, are added to the convex border of the predetermined class, and adding them to the border is performed provided that the other points are not will be outside the class boundary, while
Figure 00000025
,
Figure 00000026
,

где aj - j-ая точка, добавленная в выпуклую границу предварительно заданного класса;where a j is the j-th point added to the convex boundary of a predefined class;

Figure 00000027
- координаты точки aj в n-мерном пространстве признаков;
Figure 00000027
- coordinates of the point a j in the n-dimensional feature space;

G - количество добавленных точек aj;G is the number of added points a j ;

формируют вогнутую границу предварительно заданного класса, соединяя точки bi и точки aj,form the concave border of a predetermined class, connecting the points b i and the points a j ,

затем добавленные в выпуклую границу предварительно заданного класса точки aj преобразуют в точки

Figure 00000028
,
Figure 00000029
,then the points a j added to the convex boundary of a predefined class are transformed into dots
Figure 00000028
,
Figure 00000029
,

где

Figure 00000030
- преобразованная j-ая точка, добавленная в выпуклую границу предварительно заданного класса;Where
Figure 00000030
- the transformed j-th point added to the convex boundary of a predefined class;

Figure 00000031
- координаты точки
Figure 00000032
в n-мерном пространстве признаков;
Figure 00000031
- point coordinates
Figure 00000032
in the n-dimensional feature space;

G - количество добавленных точек

Figure 00000033
,G - the number of added points
Figure 00000033
,

по формуле:according to the formula:

Figure 00000034
Figure 00000034

где ρ(bi, bi-1) - евклидово расстояние между соседними точками выпуклой границы bi и bi-1;where ρ (b i , b i-1 ) is the Euclidean distance between adjacent points of the convex boundary b i and b i-1 ;

Figure 00000035
- евклидово расстояние между соседними точками расширенной выпуклой границы
Figure 00000036
и
Figure 00000037
,
Figure 00000035
- Euclidean distance between adjacent points of the extended convex boundary
Figure 00000036
and
Figure 00000037
,

далее формируют окончательную границу предварительно заданного класса, соединяя точки

Figure 00000038
и точки
Figure 00000039
,further form the final boundary of the predefined class, connecting the points
Figure 00000038
and points
Figure 00000039
,

затем осуществляют проверку попадания исследуемого объекта по его координатам в n-мерном пространстве признаков в каждую из областей, определяемых границами N предварительно заданных классов.then check the hit of the object under study according to its coordinates in the n-dimensional feature space in each of the areas defined by the boundaries N of predefined classes.

Сущность изобретения поясняется рисунками.The invention is illustrated by drawings.

На фиг. 1 представлена схема, поясняющая основные этапы выполнения (фиг. 1а - фиг. 1д) предлагаемого способа идентификации и классификации объектов.FIG. 1 is a diagram explaining the main stages of implementation (Fig. 1a - Fig. 1e) of the proposed method for identifying and classifying objects.

На фиг. 1а цифрами обозначены следующие элементы:FIG. 1a denote the following elements:

1 - элемент произвольной формы (шумовой объект),1 - an element of arbitrary shape (noise object),

2 - элемент «незавершенный прямоугольник»,2 - the element “incomplete rectangle”,

3 - элемент «прямоугольник»,3 - the element "rectangle",

4 - элемент «отрезок».4 - the element "segment".

На фиг. 2 представлена схема, поясняющая основные этапы обучения классификатора для построения границ (фиг. 2а - фиг. 2з) каждого из N предварительно заданных классов в целях выполнения оценки схожести по физическим признакам исследуемого объекта с каждым из N предварительно заданных классов, которые имеют обучающую выборку.FIG. 2 is a diagram explaining the main stages of classifier training for constructing boundaries (Fig. 2a - Fig. 2h) of each of the N pre-defined classes in order to assess the similarity on the physical characteristics of the object under study with each of the N pre-defined classes that have a training set.

На фиг. 3 изображен сектор, в котором выполнено преобразование выпуклой границы предварительно заданного класса в расширенную выпуклую границу.FIG. 3 depicts a sector in which the convex boundary of a predetermined class is transformed into an extended convex boundary.

На фиг. 4 изображен сектор, в котором выполнено добавление точек в расширенную выпуклую границу предварительно заданного класса.FIG. 4 shows the sector in which the points are added to the extended convex boundary of a predefined class.

На фиг. 5 представлена схема, поясняющая основные этапы построения границы (фиг. 5а - фиг. 5в) предварительно заданного класса «прямоугольник».FIG. 5 is a diagram explaining the main stages of the construction of the border (Fig. 5a - Fig. 5c) of a predefined class "rectangle".

Согласно предлагаемому способу идентификации и классификации объектовAccording to the proposed method for the identification and classification of objects

при идентификации объектов регистрируют по меньшей мере один предмет, по меньшей мере одним из настроенных на него физических детекторов (фиг. 1а),when identifying objects, at least one item is registered with at least one of the physical detectors tuned to it (Fig. 1a),

по выходному сигналу, по меньшей мере одного детектора, определяют по меньшей мере один объект (фиг. 1б), для которого получают из выходного сигнала набор n различных физических признаков - совокупность координат в n-мерном пространстве признаков (фиг. 1в),the output signal of at least one detector determines at least one object (Fig. 1b), for which a set of n different physical features is obtained from the output signal - a set of coordinates in the n-dimensional feature space (Fig. 1c),

далее исследуемый объект классифицируют на основании предварительно задаваемых свойств при помощи классификатора (фиг. 1г), предварительно обученного по обучающей выборке, при этом исследуемый объект соотносят с одним из N предварительно заданных классов.then, the object under study is classified on the basis of preset properties with the help of a classifier (Fig. 1d), previously trained in a training set, and the object under study is assigned to one of the N pre-defined classes.

Принцип действия предлагаемого способа идентификации и классификации объектов рассмотрим на следующем примере.The principle of operation of the proposed method of identifying and classifying objects will be considered in the following example.

Допустим, необходимо идентифицировать и классифицировать исследуемый объект заранее неизвестной формы (фиг. 1а, элемент 2).Suppose it is necessary to identify and classify the object under study in a previously unknown form (Fig. 1a, element 2).

В процессе идентификации объекта регистрируют тепловизионным прибором (физическим детектором) предмет, являющийся источником ИК-излучения.In the process of identifying an object, an object that is a source of infrared radiation is recorded by a thermal imaging device (physical detector).

Получают изображение (фиг. 1а), представленное в цифровом виде в градациях серого цвета.Get the image (Fig. 1A), presented in digital form in gradations of gray.

В рамках предлагаемого способа объект определяется как отклик на применение детектора границ Канни (Canny J.A Computational Approach for Edge Detection. IEEE Trans. Pattern Anal. Machine Intel., 1986, vol. 8, no. 6, pp. 679-698) к выходному сигналу физического (оптического) детектора или комбинации детекторов. Таким образом, на исходном изображении выделяют контур исследуемого объекта (фиг. 1б).In the framework of the proposed method, an object is defined as a response to the application of a Canny Boundary Detector (Canny JA Computational Approach for Edge Detection. IEEE Trans. Pattern Anal. Machine Intel., 1986, vol. 8, no. 6, pp. 679-698) to the output signal of a physical (optical) detector or combination of detectors. Thus, on the original image, the contour of the object to be investigated is highlighted (Fig. 1b).

В данном примере конкретного выполнения исследуемый объект анализируют на несколько физических свойств. Объект определяется как односвязная область, которая имеет определенные физические свойства, которые однозначно отличают его от других объектов.In this specific example, the test object is analyzed for several physical properties. An object is defined as a simply-connected domain that has certain physical properties that uniquely distinguish it from other objects.

Далее для контура исследуемого объекта вычисляют значения четырех компонент преобразования Уолша над автокорреляционной функцией контура, результат которого выглядит как четыре столбца графика (фиг. 1в), отражающих значения соответствующих компонентов преобразования Уолша. Компоненты преобразования Уолша являются координатами исследуемого объекта в двумерном пространстве признаков, в котором реализован заранее обученный классификатор (фиг. 1г, фиг. 2).Next, for the contour of the object under study, the values of the four Walsh transform components are calculated over the autocorrelation function of the contour, the result of which looks like the four columns of the graph (Fig. 1c) reflecting the values of the corresponding Walsh transform components. The Walsh transform components are the coordinates of the object under study in a two-dimensional feature space in which a previously trained classifier is implemented (Fig. 1d, Fig. 2).

Таким образом, указанными выше действиями осуществляют идентификацию исследуемого объекта.Thus, the above actions carry out the identification of the object under study.

Затем осуществляют процесс классификации исследуемого объекта.Then carry out the classification process of the object.

Для выполнения процесса классификации исследуемого объекта заранее обучают классификатор, который позволяет определить принадлежность исследуемого объекта к одному из предварительно заданных классов. В качестве предварительно заданных классов могут выступать, например, класс «незавершенный прямоугольник» (1-ый класс), класс «прямоугольник» (2-ой класс), класс объектов формы «отрезок» (3-ий класс).To perform the classification process of the object under study, a classifier is trained in advance, which allows to determine the belonging of the object under study to one of the predefined classes. For example, the class “incomplete rectangle” (1st class), class “rectangle” (2nd class), the class of objects of the form “segment” (3rd class) can act as pre-defined classes.

Заранее обученный классификатор представляет собой три замкнутые границы предварительно заданных классов (классы объектов типов «незавершенный прямоугольник», «прямоугольник», «отрезок») в двумерном пространстве признаков (фиг. 1г), внутри которых расположены объекты, принадлежащие данным классам, а снаружи - объекты 4-го (N+1) класса, отличающиеся от объектов трех обозначенных классов.A pre-trained classifier consists of three closed boundaries of predefined classes (object classes of the type “incomplete rectangle”, “rectangle”, “segment”) in a two-dimensional feature space (Fig. 1d), inside which are objects belonging to these classes, and outside objects of the 4th (N + 1) class, differing from objects of the three designated classes.

Обучение классификатора производят по обучающей выборке, которая представляет собой три компактные группы точек (фиг. 2а), причем для каждой точки известны ее физические признаки (координаты х1 и х2), а также, к какому из трех предварительно заданных классов она принадлежит.The classifier is trained according to a training sample, which consists of three compact groups of points (Fig. 2a), and for each point its physical characteristics (coordinates x 1 and x 2 ) are known, and to which of the three predefined classes it belongs.

В указанном классификаторе для выполнения оценки схожести по физическим признакам исследуемого объекта с каждым из трех предварительно заданных классов, которые имеют обучающую выборку, осуществляют построение границ для каждого из трех предварительно заданных классов посредством анализа плотности и формы распределения обучающей выборки в двумерном пространстве признаков.In the specified classifier to perform the assessment of the similarity of the physical characteristics of the object under study with each of the three pre-defined classes that have a training set, build boundaries for each of the three pre-defined classes by analyzing the density and shape of the distribution of the training set in a two-dimensional feature space.

В данном примере конкретного выполнения подробно рассмотрим формирование границы класса «незавершенный прямоугольник» (аналогично формируют границы классов «прямоугольник» и «отрезок»).In this example of specific implementation, we consider in detail the formation of the “incomplete rectangle” class border (the borders of the “rectangle” and “segment” classes are similarly formed).

Вначале определяют выпуклую границу класса (фиг. 2б, фиг. 5а) методом Грэхема (R.L. Graham, An efficient algorithm for determining the convex hull of a finite planar set, 28.01.1972). Точки, через которые проходит граница, обозначают bi,

Figure 00000040
. Значения координат х1 и х2 точек bi,
Figure 00000040
в двумерном пространстве признаков приведены в следующей таблице:First, determine the convex boundary of the class (Fig. 2b, Fig. 5a) by the method of Graham (RL Graham, finite planar set, 01.28.1972). The points through which the boundary passes denote b i ,
Figure 00000040
. The values of the coordinates x 1 and x 2 points b i ,
Figure 00000040
in the two-dimensional feature space are given in the following table:

Figure 00000041
Figure 00000041

После этого определяют центральную точку С класса (фиг. 2в, фиг. 5а), ее координаты х1 и х2 равны средним значениям соответствующих координат обучающей выборки, и, соответственно, равны (357,427; 258,611). Соединяя центральную точку C с каждой точкой выпуклой границы предварительно заданного класса bi,

Figure 00000040
, разделяют область, занимаемую классом в двумерном пространстве признаков на 8 секторов (фиг. 2г).After that, the center point C of the class is determined (Fig. 2c, Fig. 5a), its coordinates x 1 and x 2 are equal to the mean values of the corresponding coordinates of the training set, and, respectively, equal (357,427; 258,611). Connecting the center point C with each point of the convex boundary of a predefined class b i ,
Figure 00000040
, divide the area occupied by the class in the two-dimensional feature space into 8 sectors (Fig. 2d).

Разделение на секторы осуществляют для того, чтобы выполнить в каждом секторе локальный анализ плотности и формы распределения обучающей выборки.The division into sectors is carried out in order to perform in each sector a local analysis of the density and distribution form of the training sample.

После этого в каждом из 8 секторов производят преобразование координат точек bi, по формулам (1), (2), (3), (4), (5). Полученные значения координат х1 и х2 точек расширенной выпуклой границы

Figure 00000042
,
Figure 00000040
в двумерном пространстве признаков (фиг. 2д, фиг. 3) приведены в следующей таблице:After that, in each of 8 sectors, the coordinates of the points b i are transformed according to the formulas (1), (2), (3), (4), (5). The obtained values of the coordinates x 1 and x 2 points of the extended convex boundary
Figure 00000042
,
Figure 00000040
in the two-dimensional feature space (Fig. 2d, Fig. 3) are given in the following table:

Figure 00000043
Figure 00000043

Если точки обучающей выборки распределены в пространстве признаков, например, как у класса «незавершенный прямоугольник» (фиг. 5а), то расширенная выпуклая граница может не точно отображать форму класса. Для устранения этого в каждом секторе в выпуклую границу предварительно заданного класса добавляют точки aj,

Figure 00000044
, 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.If the points of the training sample are distributed in the feature space, for example, as in the class “incomplete rectangle” (Fig. 5a), then the extended convex boundary may not accurately represent the form of the class. To eliminate this in each sector, points a j are added to the convex border of the pre-defined class,
Figure 00000044
which are at the minimum distance from two neighboring points b i and b i-1 of the convex border of a predetermined class, and adding them to the border is carried out under the condition that the other points are not outside the class boundary.

После этого формируют вогнутую границу предварительно заданного класса (фиг. 2е, фиг. 5б), соединяя точки bi,

Figure 00000040
и точки aj,
Figure 00000045
.After that, a concave border of a predetermined class is formed (Fig. 2e, Fig. 5b), connecting the points b i ,
Figure 00000040
and points a j ,
Figure 00000045
.

Значения координат х1 и х2 точек вогнутой границы в двумерном пространстве признаков приведены в следующей таблице:The coordinates x 1 and x 2 points of the concave boundary in the two-dimensional feature space are given in the following table:

Figure 00000046
Figure 00000046

Затем точки вогнутой границы предварительно заданного класса aj,

Figure 00000047
преобразуют по формуле (6) в точки
Figure 00000048
,
Figure 00000049
(фиг. 2ж, фиг. 4), после чего формируют окончательную границу предварительно заданного класса (фиг. 2з, фиг. 5в), соединяя точки
Figure 00000050
,
Figure 00000051
и точки
Figure 00000052
,
Figure 00000053
.Then the points of the concave boundary of a predefined class a j ,
Figure 00000047
convert by the formula (6) points
Figure 00000048
,
Figure 00000049
(Fig. 2g, Fig. 4), after which they form the final border of a predetermined class (Fig. 2h, Fig. 5c), connecting the points
Figure 00000050
,
Figure 00000051
and points
Figure 00000052
,
Figure 00000053
.

Значения координат х1 и х2 точек окончательной границы предварительно заданного класса «незавершенный прямоугольник» в двумерном пространстве признаков приведены в следующей таблице:The values of the coordinates x 1 and x 2 points of the final boundary of the predefined class “incomplete rectangle” in the two-dimensional feature space are given in the following table:

Figure 00000054
Figure 00000054

Таким образом, указанными выше действиями осуществляют обучение классификатора по обучающей выборке.Thus, the aforementioned actions carry out the training of the classifier on the training set.

Далее, на основании исследованных и определенных физических признаков, исследуемый объект классифицируют по четырем предварительно заданным классам (фиг. 1д), осуществляя проверку попадания исследуемого объекта по его координатам в двумерном пространстве признаков в каждую из областей, определяемых границами предварительно заданных классов «незавершенный прямоугольник», «прямоугольник», «отрезок», и, таким образом, определяют его расположение внутри одной из трех замкнутых границ или снаружи - в качестве объекта 4-го (N+1) класса.Further, on the basis of the studied and determined physical signs, the object under study is classified into four predefined classes (Fig. 1e), checking whether the object under investigation is located in its two-dimensional feature space in each of the areas defined by the boundaries of the predefined “incomplete rectangle” classes. , "Rectangle", "segment", and, thus, determine its location inside one of the three closed borders or outside - as an object of the 4th (N + 1) class.

Если объект соотносят с 4-ым классом, это говорит о том, что на основании оценки схожести он был отфильтрован как шумовой объект (фиг. 1д).If the object is correlated with the 4th class, it means that, based on the similarity assessment, it was filtered as a noise object (Fig. 1e).

Исследуемый объект на основании физических признаков соотносят с предварительно заданным 1-ым классом и, таким образом, исследуемый объект классифицируют как объект класса «незавершенный прямоугольник» (фиг. 1д).On the basis of physical signs, the object under study is correlated with the previously specified 1st class and, thus, the object under study is classified as an object of the “incomplete rectangle” class (Fig. 1e).

Использование предлагаемого способа идентификации и классификации объектов позволит повысить точность классификации объектов за счет обеспечения фильтрации шумовых объектов.Using the proposed method of identification and classification of objects will improve the accuracy of the classification of objects by providing filtering of noise objects.

Claims (54)

1. Способ идентификации и классификации объектов, согласно которому при идентификации объектов1. The method of identification and classification of objects, according to which the identification of objects регистрируют по меньшей мере один предмет по меньшей мере одним из настроенных на него физических детекторов,register at least one item with at least one of the physical detectors tuned to it, 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,the output signal of the at least one detector determines at least one object for which a set of n different physical features is obtained from the output signal, далее исследуемый объект классифицируют на основании предварительно задаваемых свойств при помощи классификатора, предварительно обученного по обучающей выборке,then the object under study is classified on the basis of predefined properties using a classifier that has been previously trained in a training set, при этом исследуемый объект соотносят с одним из N предварительно заданных классов, отличающийся тем, чтоat the same time, the object under study is associated with one of the N pre-defined classes, characterized in that указанный классификатор содержит (N+1) предварительно заданных классов,the specified classifier contains (N + 1) predefined classes, 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,at the same time, the belonging of the object under study to N pre-defined classes for which the training sample is presented is determined in the indicated classifier by assessing the similarity in their physical characteristics, принадлежность исследуемого объекта к (N+1)-му 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,the belonging of the object under study to the (N + 1) th pre-defined class for which the training sample cannot be represented is determined in the specified classifier by the fact that the object under study does not belong to any of the N pre-defined classes based on the similarity assessment by their physical signs 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.and in order to assess the physical similarity in the specified classifier of at least one object under study with each of the N pre-defined classes that have a training set, they construct boundaries for each of the N pre-specified classes by analyzing the density and distribution form of the training sample in n -dimensional space of signs, after which they check the hit of the object under investigation according to its coordinates in the n-dimensional space of signs in each of the areas defined by bounded by the boundaries N of predefined classes. 2. Способ по п. 1, отличающийся тем, что при построении границ2. The method according to p. 1, characterized in that when constructing boundaries определяют выпуклую границу предварительно заданного класса, соединяя точки
Figure 00000055
define a convex border of a predefined class by connecting points
Figure 00000055
 где bi - i-я точка выпуклой границы предварительно заданного класса;where b i is the i-th point of the convex boundary of a predefined class;
Figure 00000056
- координаты точки bi в n-мерном пространстве признаков;
Figure 00000056
- coordinates of the point b i in the n-dimensional feature space; F - количество точек, образующих выпуклую границу предварительно заданного класса;F is the number of points forming the convex boundary of a predefined class; далее определяют центральную точку С предварительно заданного класса
Figure 00000057
then determine the center point With a predefined class
Figure 00000057
 где
Figure 00000058
- координаты точки С в n-мерном пространстве признаков;Where
Figure 00000058
- coordinates of point C in the n-dimensional feature space; 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,divide the area occupied by the class in the n-dimensional feature space into F sectors, connecting the center point C with each point of the convex boundary of the predefined class b i , 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 классаthen, in each sector, the points of the convex boundary of a predetermined class b i are transformed, based on the density and shape of the distribution of the training sample of a predetermined class, into points of the extended convex boundary of a predetermined class
Figure 00000059
Figure 00000059
 где
Figure 00000060
- i-я точка расширенной выпуклой границы предварительно заданного класса;
Figure 00000061
- координаты точки
Figure 00000062
в n-мерном пространстве признаков; F - количество точек, образующих расширенную выпуклую границу предварительно заданного класса,Where
Figure 00000060
- the i-th point of the extended convex boundary of a predefined class;
Figure 00000061
- point coordinates
Figure 00000062
in the n-dimensional feature space; F is the number of points that form the extended convex boundary of a predefined class, по формулеaccording to the formula
Figure 00000063
Figure 00000063
 где ρ(С, bi) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi;where ρ (C, b i ) is the Euclidean distance from the center point C of the predefined class to the point b i ;
Figure 00000064
- евклидово расстояние от центральной точки С предварительно заданного класса до точки
Figure 00000065
Figure 00000064
- Euclidean distance from the center point C of the predefined class to the point
Figure 00000065
 евклидово расстояние от центральной точки С предварительно заданного класса до точки
Figure 00000066
расширенной выпуклой границы предварительно заданного класса определяют по формулеEuclidean distance from center point C of predefined class to point
Figure 00000066
the extended convex boundary of a predetermined class is determined by the formula
Figure 00000067
Figure 00000067
 где Н - сумма евклидовых расстояний от центральной точки С предварительно заданного класса до точки bi и соседней точки bi-1;where H is the sum of the Euclidean distances from the central point C of the predefined class to the point b i and the neighboring point b i-1 ; Н' - сумма евклидовых расстояний от центральной точки С предварительно заданного класса до точки
Figure 00000068
и соседней точки
Figure 00000069
определяемая из плотности и формы распределения объектов предварительно заданного класса в секторе;H 'is the sum of the Euclidean distances from the center point C of the predefined class to the point
Figure 00000068
and neighboring point
Figure 00000069
determined from the density and shape of the distribution of objects of a predetermined class in the sector; сумму евклидовых расстояний Н от центральной точки С предварительно заданного класса до точки bi и соседней точки bi-1 определяют по формулеthe sum of the Euclidean distances H from the central point C of the predefined class to the point b i and the neighboring point b i-1 is determined by the formula Н=ρ(C, bi)+ρ(C, bi-1),H = ρ (C, b i ) + ρ (C, b i-1 ), где ρ(C, bi) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi;where ρ (C, b i ) is the Euclidean distance from the center point C of the predefined class to the point b i ; ρ(С, bi-1) - евклидово расстояние от центральной точки С предварительно заданного класса до точки bi-1;ρ (C, b i-1 ) is the Euclidean distance from the central point C of the predefined class to the point b i-1 ; сумму евклидовых расстояний Н' от центральной точки С предварительно заданного класса до точки
Figure 00000070
и соседней точки
Figure 00000071
определяемую из плотности и формы распределения объектов предварительно заданного класса в секторе, вычисляют по формулеthe sum of the Euclidean distances H 'from the center point C of the predefined class to the point
Figure 00000070
and neighboring point
Figure 00000071
determined from the density and shape of the distribution of objects of a predetermined class in the sector, calculated by the formula
Figure 00000072
Figure 00000072
 где Sk - количество точек в текущем секторе предварительно заданного класса;where S k - the number of points in the current sector of a predefined class; k - количество секторов в предварительно заданном классе;k is the number of sectors in a predefined class; Т - общее количество точек в предварительно заданном классе;T is the total number of points in the predefined class; hz - сумма евклидовых расстояний от точки внутри сектора
Figure 00000073
до точки bi и точки bi-1;h z - the sum of the Euclidean distances from a point inside the sector
Figure 00000073
to point b i and point b i-1 ; сумму евклидовых расстояний hz от точки внутри сектора tƒ до точки bi и точки bi-1 определяют по формулеthe sum of the Euclidean distances h z from the point inside the sector t ƒ to the point b i and the point b i-1 is determined by the formula hz=ρ(tƒ, bi)+ρ(tƒ, bi-1), h z = ρ (t ƒ, b i) + ρ (t ƒ, b i- 1) для каждой точки
Figure 00000074
расширенной выпуклой границы предварительно заданного класса, входящей одновременно в два соседних сектора, вычисляют и усредняют между собой, соответственно, два комплекта координат,for each point
Figure 00000074
the extended convex boundary of a predetermined class that is simultaneously included in two adjacent sectors is calculated and averaged among themselves, respectively, two sets of coordinates, определяют расширенную выпуклую границу предварительно заданного класса, соединяя точки
Figure 00000075
determine the extended convex boundary of a predefined class by connecting points
Figure 00000075
 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 00000076
Figure 00000077
then, in each sector, points a j , which are at the minimum distance from two adjacent points b i and b i-1 of the convex border of a predetermined class, are added to the convex border of the predetermined class, and adding them to the border is performed provided that the other points are not will be outside the class boundary, while
Figure 00000076
Figure 00000077
 где a j - j-я точка, добавленная в выпуклую границу предварительно заданного класса;where a j is the j-th point added to the convex boundary of a predefined class;
Figure 00000078
- координаты точки a j в n-мерном пространстве признаков; G - количество добавленных точек a j,
Figure 00000078
- coordinates of the point a j in the n-dimensional feature space; G is the number of added points a j , формируют вогнутую границу предварительно заданного класса, соединяя точки bi и точки a j,form the concave border of a predetermined class, connecting the points b i and the points a j , затем добавленные в выпуклую границу предварительно заданного класса точки a j преобразуют в точки
Figure 00000079
then the points a j added to the convex boundary of a predefined class are transformed into dots
Figure 00000079
 где
Figure 00000080
- преобразованная j-я точка, добавленная в выпуклую границу предварительно заданного класса;Where
Figure 00000080
- the transformed j-th point added to the convex boundary of the predefined class;
Figure 00000081
- координаты точки
Figure 00000082
в n-мерном пространстве признаков; G - количество добавленных точек
Figure 00000083
Figure 00000081
- point coordinates
Figure 00000082
in the n-dimensional feature space; G - the number of added points
Figure 00000083
 по формулеaccording to the formula
Figure 00000084
Figure 00000084
 где ρ(bi, bi-1) - евклидово расстояние между соседними точками выпуклой границы bi и bi-1;where ρ (b i , b i-1 ) is the Euclidean distance between adjacent points of the convex boundary b i and b i-1 ;
Figure 00000085
- евклидово расстояние между соседними точками расширенной выпуклой границы
Figure 00000086
и
Figure 00000087
Figure 00000085
- Euclidean distance between adjacent points of the extended convex boundary
Figure 00000086
and
Figure 00000087
 далее формируют окончательную границу предварительно заданного класса, соединяя точки
Figure 00000088
и точки
Figure 00000089
further form the final boundary of the predefined class, connecting the points
Figure 00000088
and points
Figure 00000089
RU2017132647A 2017-09-18 2017-09-18 Object identification and classification method RU2692420C2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2017132647A RU2692420C2 (en) 2017-09-18 2017-09-18 Object identification and classification method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2017132647A RU2692420C2 (en) 2017-09-18 2017-09-18 Object identification and classification method

Publications (3)

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

Family

ID=65759364

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017132647A RU2692420C2 (en) 2017-09-18 2017-09-18 Object identification and classification method

Country Status (1)

Country Link
RU (1) RU2692420C2 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2726027C1 (en) * 2020-01-28 2020-07-08 Юрий Иванович Стародубцев Method of identifying elements of a complex system in variable conditions
RU2756778C1 (en) * 2020-06-17 2021-10-05 Федеральное государственное бюджетное учреждение науки Институт проблем машиноведения Российской академии наук (ИПМаш РАН) Method for image classification
RU2795745C1 (en) * 2019-09-03 2023-05-11 Аугури Системс Лтд. Sensor-independent machine fault identification

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2438182C1 (en) * 2010-04-08 2011-12-27 Общество С Ограниченной Ответственностью "Конструкторское Бюро "Дорс" (Ооо "Кб "Дорс") Method of processing banknotes (versions)
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers
RU2541158C2 (en) * 2009-02-19 2015-02-10 Еадс Дойчланд Гмбх Object identification and classification method
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2541158C2 (en) * 2009-02-19 2015-02-10 Еадс Дойчланд Гмбх Object identification and classification method
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 (en) * 2010-04-08 2011-12-27 Общество С Ограниченной Ответственностью "Конструкторское Бюро "Дорс" (Ооо "Кб "Дорс") Method of processing banknotes (versions)
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2795745C1 (en) * 2019-09-03 2023-05-11 Аугури Системс Лтд. Sensor-independent machine fault identification
RU2726027C1 (en) * 2020-01-28 2020-07-08 Юрий Иванович Стародубцев Method of identifying elements of a complex system in variable conditions
RU2756778C1 (en) * 2020-06-17 2021-10-05 Федеральное государственное бюджетное учреждение науки Институт проблем машиноведения Российской академии наук (ИПМаш РАН) Method for image classification

Also Published As

Publication number Publication date
RU2017132647A (en) 2019-03-18
RU2017132647A3 (en) 2019-03-18

Similar Documents

Publication Publication Date Title
Prakash et al. Detection of leaf diseases and classification using digital image processing
EP3657392A1 (en) Image feature acquisition
US20100014755A1 (en) System and method for grid-based image segmentation and matching
Hlaing et al. Model-based statistical features for mobile phone image of tomato plant disease classification
CN109934278B (en) High-dimensionality feature selection method for information gain mixed neighborhood rough set
CN108280396A (en) Hyperspectral image classification method based on depth multiple features active migration network
WO2009158700A1 (en) Assessing biometric sample quality using wavelets and a boosted classifier
CN103235929B (en) Identification method and identification device on basis of hand vein images
CN112990282B (en) Classification method and device for fine-granularity small sample images
CN111784665B (en) OCT image quality evaluation method, system and device based on Fourier transform
CN104573699A (en) Trypetid identification method based on medium field intensity magnetic resonance dissection imaging
Nateghi et al. Automatic detection of mitosis cell in breast cancer histopathology images using genetic algorithm
RU2692420C2 (en) Object identification and classification method
CN113191359A (en) Small sample target detection method and system based on support and query samples
CN110163274B (en) Object classification method based on ghost imaging and linear discriminant analysis
KR101612779B1 (en) Method of detecting view-invariant, partially occluded human in a plurality of still images using part bases and random forest and a computing device performing the method
Oliveira et al. A multi-objective approach for calibration and detection of cervical cells nuclei
CN108319935B (en) Face group identification method based on region sparsity
CN107330429B (en) Certificate item positioning method and device
Nayak et al. Fruit recognition using image processing
Chen et al. A novel multiscale edge detection approach based on nonsubsampled contourlet transform and edge tracking
KR20150114088A (en) Device, method and computer readable recording medium for detecting object from an input image
Abdullah et al. Support vector machine, multilayer perceptron neural network, bayes net and k-nearest neighbor in classifying gender using fingerprint features
Nijhawan et al. Real-time object detection for visually impaired with optimal combination of scores
CN107679528A (en) A kind of pedestrian detection method based on AdaBoost SVM Ensemble Learning Algorithms