Метод распознавания объектов в системах технического зрения роботов
DOI:
https://doi.org/10.52575/2687-0932-2022-49-4-782-787Ключевые слова:
распознавание объекта, ключевые точки, сегментация, классификация, кластеризацияАннотация
Предлагается метод, обеспечивающий минимизацию затрат ресурсов, имеющий инвариантность к поворотам, так как объекты могут находиться в случайном положении. Для сокращения временных и аппаратных затрат при обеспечении инвариантности к положению объекта предлагается для задания контура использовать особые ключевые точки. Линия, связывающая две соседние особые ключевые точки, задает ось автономной декартовой системы координат, в которых определяется точки экстремумов. Количество сегментов, координат и положение в них точек экстремумов представляется решающим правилом распознавания объекта. Эти архитектуры являются универсальными, поэтому их можно использовать для создания ряда модулей для более крупной системы (например, для распознавания объектов, ключевых точек и модулей обнаружения объектов в системе технического зрения роботов). По мере того, как все больше и больше используются мобильные роботы и, как правило, самоуправляемые машины такие как квадрокоптеры или дроны, системы распознавания объектов становятся все более важными.
Скачивания
Библиографические ссылки
Aggarwal C.C. 2018. Neural Networks and Deep Learning. A Textbook. Springer International Pub-lishing AG, DOI 10.1007/978-3-319-94463-0 ISBN 978-3-319-94462-3.
Barroso-Laguna A., Riba E., Ponsa D., Mikolajczyk K. 2019. Key.Net: Keypoint detection by handcrafted and learned CNN filters //Proceedings of the IEEE/CVF International Conference on Computer Vision, 5836-5844.
Biryukov A. 2017. Neural network clustering methods to evaluate the totality of taxpayers accord-ing to their degree of creditworthiness. Artificial societies. 12(1-2). URL: https://artsoc.jes.su/s207751800000103-2-1/ DOI: 10.18254/S0000103-2-1
Cui S., Zhong Y., Ma A., Zhang L. 2019. A Novel Robust Feature Descriptor for Multi-Source Re-mote Sensing Image Registration. IEEE International Geoscience and Remote Sensing Sym-posium (IGARSS), 919-922.
Haykin S. 2018. Neural Networks and Learning Machines. 3rd Edition. Pearson.
Hebb D.O. 1949. The Organization of Behavior, Wiley. New York.
Jiang X., Ma J., Xiao G., Shao Z., Guo X. 2021. A review of multimodal image matching: Methods and applications //Information Fusion, Т. 73, 22-71.
Leng C., Zhang H., Li B., Cai G., Pei Z., He L. 2018. Local feature descriptor for image matching: A survey. IEEE Access, Т. 7, 6424-6434.
Protsenko M.А., Pavelyeva E.A. 2019. Iris Image Key Points Descriptors Based on Phase Congru-ency. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42(2/W12). 167-171.
Tikhonova V.A., Pavelyeva E.A. 2020. Hybrid Iris Segmentation Method Based on CNN and Prin-cipal Curvatures. CEUR Workshop Proceedings, Vol. 2744,
Paper 31, 1–10.
Андреев А.Ю., Бобков С.П. 2014. Сегментация символов в изображении модифицированным методом жука. Современные наукоемкие технологии. Региональное приложение. 1(37). 85-88.
Жээнбеков А.А., Сарыбаева А.А. 2016. Метод распознавания изображений на принципах дву-направленной ассоциативной памяти. Евразийский Союз Ученых (ЕСУ). 1(22), 148-151.
Павельева Е.А. 2018. Обработка и анализ изображений на основе использования информации о фазе. Компьютерная оптика, 42(6), 1022-1034.
Райченко Б.В., Некрасов В.В. 2013. Практическое применение методов ключевых точек на примере сопоставления снимков со спутника «Канопус-В». ГЕОМАТИКА №2.
Просмотров аннотации: 107
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2022 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
