Спосіб ідентифікації рухомих об’єктів

1. Спосіб ідентифікації рухомих об'єктів, згідно з яким формують вхідне оцифроване растрове зображення об'єкта, яке подають на блок прямого швидкого дискретного перетворення Фур'є, який C2 2 (19) 1 3 ознак об'єктів з пред'явленого інформаційного масиву, що ідентифікуються, і зіставлення з еталонними ознаками. При цьому інформаційні масиви пред'являють у вигляді заданого числа навчальних вибірок і заданого числа перевірочних вибірок з прикладами об'єктів, що ідентифікуються, і оператор виділяє вибрані ознаки як еталонні. Процес формування еталонних ознак залежить від складності об'єктів, що ідентифікуються. Отримання зображень у цифровій формі за допомогою сучасних цифрових оптичних пристроїв і розпізнавання цих зображень за допомогою штучних нейронних мереж, у тому числі мереж адаптивного резонансу (ART), значно розширюють можливості ідентифікації рухомих об'єктів. Найближчим технічним рішенням до замовляємого є "Спосіб розпізнавання зображень" [9], згідно з яким формують вхідне оцифроване растрове зображення, порівнюють з еталонними оцифрованими растровими зображеннями, вхідне і еталонне зображення подають на блок двомірного прямого швидкого дискретного перетворення Фур'є, на виході отримують масиви просторових спектрів вхідного і еталонних зображень, які подають на вхід інтерполятора, на виході якого отримують масиви вхідного та еталонних зображень на полярній сітці координат, отримані масиви через блок визначення модуля подають на корелятор, на виході отримують масиви взаємокореляційних функцій просторових спектрів вхідного і еталонних зображень, які подають на блок пошуку максимальних значень масивів взаємокореляційних функцій просторових спектрів вхідного і еталонних зображень, в якому номер елемента відповідає номеру еталонного значення, з яким порівнюють вхідне зображення, а значення елементів вектора відповідають максимальним значенням масивів взаємокореляційних функцій просторових спектрів вхідного і еталонних зображень, вектор максимальних значень масивів взаємокореляційних функцій подають на усереднювач, на виході якого отримують усереднену величину С, величину С і вектор максимальних значень масивів взаємокореляційних функцій подають на блок прийняття рішення, в якому визначають максимальний елемент вектора максимальних значень масивів взаємокореляційних функцій, порівнюють значення максимального елемента з величиною k*C (де k - повільна величина більша одиниці), якщо значення максимального елемента вектора максимальних значень масивів взаємокореляційних функцій більше величини к*С, судять про відповідність вхідного зображення еталонному зображенню з номером, який відповідає номеру максимального елемента у векторі максимальних значень масивів взаємокореляційних функцій, якщо значення максимального елемента вектора максимальних значень масивів недоліки. Головним з них є та Прототип має взаємокореляційних функцій менше величини k*C, необхідності ідентифікації обставина, що при судять про невідповідність вхідного зображення будь-якому еталонному рухомих об'єктів визначення постійних значень зображенню. взаємокореляційних функцій практично 82883 4 неможливо, тому що вони мають змінний характер. Ця обставина робить неможливою ідентифікацію об'єктів, що рухаються. Задача, що стоїть перед авторами, полягає в створенні такого способу ідентифікації рухомих об'єктів, який дозволив би надійно розпізнавати номери об'єктів, зокрема, номера вагонів, що рухаються. Поставлена задача вирішується тім, що в способі розпізнавання зображення об'єкту, що ідентифікується, здійснюється отримання зображення об'єкту за допомогою цифрового оптичного пристрою, виділення корисної частини зображення за допомогою алгоритму виділення образу, перетворення образу за допомогою алгоритму стиснення, розпізнавання стислої інформації про об'єкт заздалегідь навченої нейронною мережею і подальша передача результатів користувачу і в базу об'єктів. Спосіб ідентифікації рухомих об'єктів, що заявляється, здійснюється таким чином. Рухомий об'єкт має код, який зчитують. Для формування цифрових зображень об'єкт фотографують, виділяють кадр з відео потоку, для видалення із зображення об'єкту малозначимих елементів зображення фільтрують, виділяють контури об'єктів і контури маркіровки об'єктів, виділяють образ зображення, здійснюють стиснення образу за допомогою перетворення Фур'є, стисле зображення образу подають на вхід заздалегідь навченої штучної нейронної мережі, яка і здійснює розпізнавання образу. Для зчитування інформації з схожих об'єктів (наприклад, складу залізничних вагонів) необхідне використовування спеціальної маркіровки цих об'єктів, що дозволяє системі проводити їх розрізнення. Для цього слід застосовувати спеціальний код, символи якого істотно відрізняються між собою, або використовувати вже наявну маркіровку (можна використовувати восьмирозрядні номери в десятковій системі числення, які присутні на всіх вагонах). Ступінь відмінності і кількість можливих символів повинні бути визначеними, виходячи з якості цифрового оптичного пристрою (фото- або відеокамери) і параметрів алгоритму розпізнавання образів. Чим сильніше структура, що визначає образ кожного символу, відрізняється від структури будь-якого іншого символу даного коду, тим вище ступінь надійності розпізнавання різних символів коду і вище якість ідентифікації об'єктів системою. Питання нанесення маркіровки і розташування оптичного пристрою зчитування пов'язані між собою. Необхідно наносити маркіровку достатньо крупно і контрастно на загальному фоні об'єкту, щоб алгоритм виділення образу був здатний виділити з цифрового зображення, що поступило в обчислювальну систему з оптичного пристрою, єдиний чіткий образ, відповідний об'єкту. Алгоритм виділення образу служить для визначення значущої області цифрового зображення, що містить маркіровку об'єкту. Отриманий образ до обробки нейронною мережею, що виконує розпізнавання об'єкту, передається алгоритму стиснення, який обробляє 5 образ за допомогою перетворення Фур'є. Для розпізнавання об'єкту можливо використовувати коефіцієнти стиснення отриманого образу. В теперішній час кодування інформації за допомогою дискретного косинусного перетворення (ДКП один із різновидів дискретного перетворення Фур'є) зустрічається в широко поширених форматах файлів JPEG, MPEG-1, MPEG-2, MPEG-4. Дослідження цього алгоритму показали можливість його застосування для стиснення даних при розпізнаванні образів [2]. Застосовуючи ДКП для обробки образу Х(х Î Х ) розмірністю N, одержуємо сукупність гармонік у" або коефіцієнтів перетворення: N y i = wi å x n cos(p( 2n - 1)(k - 1) / 2N) , n =1 де k = 1,..., N; wi - 1/ N , якщо k = 1, wi - 2 / N , якщо2£k£N. Використовуючи отримані значення уi можна замінити певну кількість якнайменше значущих з них нулями і виконати зворотне перетворення, отримавши стисле зображення сигналу і піддати його розпізнаванню. Кількість найбільш значущих гармонік, за допомогою яких можна відновити основну частину образу, вибирається в ході експериментів. Непотрібні, малозначні гармоніки не враховуються при формуванні образу, що подається на вхід нейронної мережі. При аналізі наявних даних для зашкоджених сигналів успішно використовується компресія із отупінню від 2 до 8 разів, для сигналів, в яких відсутні сильні перешкоди, від 8 до 16. Слід помітити, що якість розпізнавання об'єктів не залежить від того, наскільки добре стислий сигнал представляє свій початковий варіант. Швидкість роботи системи за рахунок використовування стислої інформації (коефіцієнтів ДКП замість самих образів), як входів нейронної мережі, значно збільшується. Розпізнавання здійснюється самонавчальною штучною нейронною мережею адаптивного резонансу. Образ у бінарному вигляді подається на вхід нейронної мережі, яка проводить розпізнавання, порівнюючи образ з еталонами, що формуються в пам'яті, причому кожному окремому об'єкту відповідає еталон, що зберігається в пам'яті терезів окремого нейрона шару розпізнавання. У випадку, коли маркіровка є кінцевою кількістю символів, кожний з яких займає рівний за площею інтервал, можливо розбиття образу на задану кількість інтервалів і використовування паралельно декількох нейронних мереж, кожна з яких розпізнає вміст відповідного інтервалу. Маркіровку може бути нанесено більш, ніж з одного боку, для того, щоб забезпечити зчитування інформації при будьякому напрямі руху об'єкту. Операція оцінки результатів визначає, чи відбулося розпізнавання образу, отриманого з першої камери, якщо ні, то обробляється зображення, отримане з другої камери, 82883 6 встановленої з іншого боку. З виходу нейронної мережі інформація поступає в базу даних, яка призначена для зберігання базової інформації (образи - зчитані коди об'єктів і номера нейронів шару розпізнавання нейронної мережі, відповідні об'єктам) і може бути використаний для роботи з розширеною інформацією про об'єкт. За допомогою відомостей, одержуваних з бази даних, можна здійснювати також відновлення інформації про об'єкти, розпізнавання яких було здійснено не успішно (у випадку, якщо код на об'єкті був зіпсований або при знятті і передачі зображення виникали перешкоди), використовуючи наявну інформацію про об'єкти, розташовані поряд з тим, який розпізнається. При реалізації системи і використовуванні в ній контролю з боку бази даних, слід додатково аналізувати її стійкість до перешкод різного роду. Зчитування інформації доцільно здійснювати в пунктах вантаження і розвантаження вагонів, а також на сортувальних станціях, оскільки в цих місцях легше реалізувати необхідні умови для роботи апаратури. Список літературних джерел 1. Зайцев B.C., АсаулюкА.В., Садовничий А. И. Автоматическое считывание информации с вагонов. //Промышленный транспорт. - М.: Транспорт, 1985. - №2.- С.9. 2. Золотько Ю.С., Prock J., Павленко В.В. Разработка и исследование методов обнаружения ошибок в процессах серийного производства. // Х Региональная научно-техническая конференция. Тезисы докладов. Мариуполь: ПГТУ, 2003. - Том 1. С.10. 3. Carpenter G.A.; Grossberg S; Doerschuk P.I. Feedback Models. Handbook of Neural computation, release 97/1 C2.2. IOP Publishing Ltd and Oxford University Press, 1997. 4. Carpenter G.A., Grossberg S. Pattern recognition by self-organizing neural networks // - Mit Press, Cambridge, Mass., 1991. 5. Зайцев B.C. Патент №2003544 Россия. МКИ B61L 25/02. Устройство для считывания формируемой на подвижных объектах железнодорожного транспорта информации.// Бюл. изобретений №43-44. - М, 1993. - 12 с. 6. Зайцев B.C., Садовничий А.И. Патент 2042551 Россия. МКИ B61L 25/02. Устройство для считывания сменной информации с подвижных объектов железнодорожного транспорта // Бюл. изобретений №24. - М,1995. - 10 с. 7. Веровенко 0.0. Патент №2037203 Россия. 6 G06K9/00. Способ идентификации объектов - М: Патенты РФ на изобретения, Бюл. №18, 1993. 8.Морзеев Ю. Технологии машинного зрения. Сделано в России. // Компьютер пресс. - М: июль 2002, С. 50 - 54. 9. Русин Б.П., Остап В.П" Остап О.П. Патент №39442 А Україна. 7 G06K9/68 Спосіб розпізнання зображень. -Ужгород: Патенти України на винаходи, Бюл. №5, 2001. 7 Комп’ютерна верстка В. Клюкін 82883 8 Підписне Тираж 26 прим. Міністерство освіти і науки України Державний департамент інтелектуальної власності, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601