Система распознавания образов

Система распознавания образов

Системы распознавания уже способны определять простые трехмерные предметы, их ориентацию и композицию в пространстве, 
а также могут достраивать недостающие части, пользуясь информацией из своей базы данных (например, собирать конструктор Lego).

Промышленные роботы

Появление станков с числовым программным управлением привело к созданию программируемых манипуляторов 
для разнообразных операций по загрузке и разгрузке станков. Появление в 70-х гг. микропроцессорных систем 
управления и замена специализированных устройств управления на программируемые контроллеры позволили снизить 
стоимость роботов в три раза, сделав рентабельным их массовое внедрение в промышленности. Этому способствовали  
объективные предпосылки развития промышленного производства. 
Несмотря на их высокую стоимость, численность промышленных роботов в странах с развитым производством быстро растёт. 
Основная причина массовой роботизации такова: «Роботы выполняют сложные производственные операции по 24 ч в сутки. 
Выпускаемая продукция при этом имеет высокое качество. Они... не болеют, не нуждаются в обеденном перерыве и отдыхе, 
не бастуют, не требуют повышения заработной платы и пенсии. Роботы не подвержены влиянию температуры окружающей  
среды либо воздействию газов или выбросов агрессивных веществ, опасных для жизни человека»

Распознавание образов

При построении интеллектуального мобильного робота с высокой степенью интеллектуальности необходима такая система распознавания образов, которая позволила бы не только распознавать известные ей образы, но и обучаться новым.

При построении такой системы кроме задачи распознавания образов в реальном масштабе времени необходимо решить следующие задачи:

• организации базы данных образов с возможностью ее дополнения и модификации;

• построения системы поиска заданного образа на видеоизображении;

• построения системы слежения за заданным образом и вычисления его координат.

Для решения непосредственно задачи распознавания образов был разработан специальный алгоритм. В ее основу разработанной системы было положено понятие образа.

Под образом будем понимать замкнутую область на оконтуренном изображении, обладающую определенными свойствами.

Рассмотрим свойства образа.

1. Идентификатор образа. Все образы обладают числовым идентификатором, который заменяет название образа, и назначается при обучении.

2. Форма. Форма образа задается бинарной матрицей nxn. Причем n должно быть достаточно небольшим, в противном случае на распознавание образа будет сильно влиять его ориентация. В данной работе будем рассматривать образы со значением n=4. Различные формы, заданные таким образом, представлены на Рис. 1 (а).

3. Цвет. Различить на видеоизображении абсолютно точный цвет объекта при различных уровнях освещенности не удается. Можно лишь оценить преобладающий цвет. Поэтому для черно-белого изображения цвет должен состоять из двух градаций (1 бит): темный и светлый.

4. Соотношение вертикального и горизонтального размера. Диапазон значений соотношения размеров не следует делать достаточно большим. Рекомендуемый диапазон от 0.25 до 4. Такой диапазон был выбран из эмпирических соображений о том, что объекты с отношением сторон больших 4 человеческим восприятием воспринимаются, как достаточно вытянутыми в высоту, а объекты с соотношением сторон меньше 0.25 - как достаточно вытянутыми в длину.

5. Размер. Определяется по большей стороне.