Аналіз особливостей застосування нейронних мереж для інтелектуальної обробки відеопотоків систем технічного зору
DOI:
https://doi.org/10.20535/1560-8956.39.2021.247372Ключові слова:
нейронні мережі, інтелектуальна обробка, обробка в реальному часі, відеодані, відеопотік, системи комп’ютерного зору, модель обробки, мультиагентна системаАнотація
У статті розглядаються актуальні питання застосування сучасних технологій і методів виявлення та розпізнавання об’єктів. Стаття присвячена аналізу особливостей застосування різних типів нейронних мереж в процесі поетапної обробки відеоданих, які отримуються з систем технічного зору роботів, систем відеомоніторингу, інтелектуальних систем безпеки. Проведено огляд сучасної літератури, яка описує методику формування простору ознак опису об'єктів і методів їх розпізнавання. Під час огляду показано, що процес інтелектуальної обробки відеоданих складається з багатьох етапів обробки зображень, одним із яких є обробка з застосуванням нейронних мереж в якості
інтелектуальних компонентів. Баторівневість етапів обробки в реальному часі вимагає обгрунтування застосування різних типів нейронних мереж при різних процесах обробки з метою підвищення якості та оптимізації часу обробки таких даних. Наводиться структура моделі обробки відеозображень. Також у статті проводиться визначення типів нейронної мережі на різних етапах обробки даних (таких як ідентифікація параметрів і характеристик групи, знаходження групових об’єктів, посекторна обробка зображень, класифікація об’єкту, розпізнавання об’єкту, створення контурної моделі об’єкту, виявлення об’єкту в секторі, оцінка параметрів сектору, визначення інформаційних секторів, розбиття кадру на сектори, обробка інформаційних кадрів) відповідно ієрархічної моделі, що пропонується, з подальшим використанням отриманих результатів для мультиагентної системи розподіленої інтелектуальної обробки відеоданих об’єктів моніторингу та приклади подальшого застосування отриманих результатів.
Бібл. 13, табл. 1.
Посилання
B.A. Alpatov, P.V. Babayan. Methods of image processing and analysis in on-board object detection and tracking systems. - j. "Digital signal processing", №2, 2006, p.45-51.
D.S. Azarenko. Detecting an object in an image and determining its displacement in two different images. - j. "Artificial Intelligence", № 3, 2013, P 90-97.
V.E. Guy, V.A. Utrobin, E.N. Vikulova, N.A. Nikiforov, N.N. Makarov, D.A. Lyakhmanov. Method of detection of objects on images from the positions of the theory of active perception - "Informatics and management in technical and social systems", Proceedings of NGTU. RE. Alekseeva – 2018, – № 1 (120), P 9-15.
V.V. Buryachenko, M.N. Favorskaya, A.I. Tomilina. Application of the fuzzy evolution classifier takagi - sugeno for problems of detection and tracking of objects on video sequence. - in "Information management systems". – 2016, №5, P 15-23; doi: 10.15217 / issn1684-8853.2016.5.15.
J. Redmon. The IEEE / J. Redmon [et al.]// Conference on Computer Vision and Pattern Recognition (CVPR), – 2016. – Р. 779–788.
A.S. Victorov. Algorithm for detecting objects in photographs with low image quality. - j. Software products and systems, 2017. T. 30. № 1. S. 130–137; DOI: 10.15827 / 0236-235X.030.1.130-1377. A. Krizhevsky, G.E. Hinton. Using very deep autoencoders for content-based image retrieval. Conf. ESANN 2011, 19th Europ. Sympos. on Artificial Neural Networks, Bruges, Belgium, – 2011, P 44–51.
M.E. Tipping. Sparse bayesian learning and the relevance vector machine. The Jour. of Machine Learning Research. – 2001, vol. 1, P 211–244.
M. Shevchenko, Y. Yuzhda. Recurrent neural networks.- К., NTUU “KPI”, конференція «Ukrainian and foreign science: yesterday, today, tomorrow», December 2, – 2020, P 40-42.
М.М. Protsenko. Analysis of methods of digital video image processing by unmanned aerial vehicle equipment - Zhytomyr, VISNYK ZhDTU. 2012. № 3 (62), P 67-72.
А.А. Mykrukov, А.В. Babash, V.A. Sizov. Classification of events in information security systems based on neural network technologies. Open education V. 23. № 1. 2019, P 57-63; DOI: http://dx.doi.org/10.21686/1818-4243-2019-1-4-13.
O.L. Leshchinsky, A.O. Ishchenko. The use of neural networks in the process of intellectual (cluster) data analysis - Mukachevo: Sat. "ECONOMY AND SOCIETY", issue 11, 2017, P 578-581.
R.M. Timchyshyn, O.E. Volkov, O.Y. Gospodarchuk, Y.P. Bogachuk. Modern approaches to solve computer vision problems. - K. USiM, 2018, № 6, P 46-73.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
