Modelli spaziali del terreno. Classificazione dei tipi di modellazione. modelli dinamici. Esempi di costruzione di modelli dinamici Modelli spaziali e dinamici

19.11.2021 Accesso

Fino a tempi recenti, i fattori geografici che hanno un impatto significativo sulla diffusione delle malattie sono stati studiati relativamente poco. La validità dell'ipotesi di mescolanza omogenea della popolazione in una piccola città o villaggio è stata a lungo messa in discussione, sebbene sia del tutto accettabile in prima approssimazione accettare che i movimenti delle fonti di infezione siano casuali e per molti versi assomiglino al movimento di particelle in una soluzione colloidale. Tuttavia, è necessario, ovviamente, avere un'idea dell'effetto che avrebbe la presenza di un gran numero di individui suscettibili in siti a distanze piuttosto lunghe da una data fonte di infezione.

Il modello deterministico, dovuto a D. Kendall, presuppone l'esistenza di un continuum bidimensionale infinito della popolazione, in cui sono presenti circa 0 individui per unità di superficie. Si consideri l'area circostante il punto P e si assuma che i numeri di suscettibili, infetti e rimossi dagli individui collettivi siano rispettivamente uguali. I valori x, y e z possono essere funzioni di tempo e posizione, ma la loro somma deve essere uguale a uno. Le equazioni di base del moto, simili al sistema (9.18), hanno la forma

dove è la media pesata spazialmente

Sia e siano costanti, sia un elemento dell'area che circonda il punto Q e sia un fattore di ponderazione non negativo.

Supponiamo che la concentrazione iniziale delle malattie sia distribuita uniformemente in una piccola area che circonda il focolaio iniziale. Si noti inoltre che il fattore o è esplicitamente introdotto nel prodotto Rohu in modo che il tasso di infezione rimanga indipendente dalla densità della popolazione. Se y rimanesse costante nel piano, allora l'integrale (9.53) convergerebbe sicuramente. In questo caso, sarebbe conveniente richiederlo

Il modello descritto consente di far avanzare abbastanza lontano la ricerca matematica. Si può dimostrare (con uno o due avvertimenti) che una pandemia coprirà l'intero piano se e solo se la densità di popolazione supera un valore soglia. Se si è verificata una pandemia, la sua intensità è determinata dall'unica radice positiva dell'equazione

Il significato di questa espressione è che la proporzione di individui che alla fine si ammaleranno in qualsiasi area, non importa quanto sia lontana dal focolaio epidemico originario, non sarà inferiore?. Ovviamente, questo teorema della soglia pandemica di Kendall è simile al teorema della soglia di Kermack e McKendrick, in cui il fattore spaziale non è stato preso in considerazione.

È anche possibile costruire un modello per il seguente caso speciale. Siano x e y rispettivamente le densità spaziali degli individui suscettibili e infetti. Se assumiamo che l'infezione sia locale e isotropa, allora è facile mostrare che le equazioni corrispondenti alle prime due equazioni del sistema (9.18) possono essere scritte come

dove non sono coordinate spaziali] e

Per il periodo iniziale, quando può essere considerato approssimativamente un valore costante, la seconda equazione del sistema (9.56) assume la forma

Questa è l'equazione di diffusione standard, la cui soluzione è

dove la costante C dipende dalle condizioni iniziali.

Il numero totale di individui infetti al di fuori del cerchio di raggio R è

Quindi,

e se , allora . Il raggio corrispondente a qualsiasi valore selezionato cresce a una velocità di . Questo valore può essere considerato come il tasso di diffusione dell'epidemia e il suo valore limite per t elevato è pari a . In un caso di epidemia di morbillo a Glasgow per quasi sei mesi, il tasso di diffusione è stato di circa 135 milioni a settimana.

Le equazioni (9.56) possono essere facilmente modificate per tener conto della migrazione di individui suscettibili e infetti, nonché dell'emergere di nuovi individui suscettibili. Come nel caso delle epidemie ricorrenti discusse nella Sez. 9.4, qui è possibile una soluzione di equilibrio, ma le piccole oscillazioni decadono altrettanto rapidamente o anche più velocemente che nel modello non spaziale. Pertanto, è chiaro che in questo caso l'approccio deterministico presenta alcuni limiti. In linea di principio, ovviamente, si dovrebbero preferire i modelli stocastici, ma di solito la loro analisi è associata a enormi difficoltà, almeno se eseguita in modo puramente matematico.

Diversi lavori sono stati fatti per modellare questi processi. Pertanto, Bartlett ha utilizzato i computer per studiare diverse epidemie artificiali successive. Il fattore spaziale è stato preso in considerazione dall'introduzione della griglia cellulare. All'interno di ciascuna cella, sono stati utilizzati modelli non spaziali tipici per tempo continuo o discreto ed è stata consentita la migrazione casuale di individui infetti tra cellule che condividono un confine comune. Sono state ottenute informazioni sul volume critico della popolazione, al di sotto del quale il processo epidemico si attenua. I parametri principali del modello sono stati derivati da dati epidemiologici e demografici effettivi.

Recentemente, l'autore di questo libro ha intrapreso una serie di studi simili in cui si è tentato di costruire una generalizzazione spaziale dei modelli stocastici per i casi semplici e generali considerati nella Sez. 9.2 e 9.3. Supponiamo di avere un reticolo quadrato, ogni nodo del quale è occupato da un individuo ricettivo. La fonte di infezione è posta al centro del quadrato e si considera un tale processo di tipo catena-binomio a tempo discreto, in cui solo gli individui direttamente adiacenti a qualsiasi fonte di infezione sono esposti al rischio di infezione. Questi possono essere solo quattro vicini più prossimi (Schema 1), o anche individui situati in diagonale (Schema 2); nel secondo caso saranno complessivamente otto gli individui adagiati ai lati del piazzale, il cui centro è occupato dalla fonte di infezione.

È ovvio che la scelta dello schema è arbitraria, tuttavia, nel nostro lavoro, è stata utilizzata quest'ultima disposizione.

In un primo momento è stata considerata una semplice epidemia senza casi di guarigione. Per comodità, è stata utilizzata una griglia di dimensioni limitate e le informazioni sulla condizione di ciascun individuo (ad esempio, se sono suscettibili o fonte di infezione) sono state memorizzate su un computer. Il processo di modellizzazione ha tenuto un registro aggiornato dei cambiamenti nello stato di tutti gli individui e ha contato il numero totale di nuovi casi in tutti i riquadri con la fonte originaria di infezione al centro. La memoria della macchina registrava anche i valori correnti della somma e la somma dei quadrati del numero di casi. Ciò ha reso abbastanza facile calcolare i valori medi e gli errori standard. I dettagli di questo studio saranno pubblicati in un articolo separato, ma qui noteremo solo una o due caratteristiche particolari di questo lavoro. Ad esempio, è chiaro che con un'altissima probabilità di contatto sufficiente, si verificherà una diffusione quasi deterministica dell'epidemia, in cui ad ogni nuova fase dello sviluppo dell'epidemia verrà aggiunta una nuova piazza con fonti di infezione.

A probabilità inferiori, ci sarà una diffusione veramente stocastica dell'epidemia. Poiché ogni fonte di infezione può infettare solo otto dei suoi vicini più prossimi, e non l'intera popolazione, ci si aspetterebbe che la curva epidemica per l'intero reticolo non aumenti così bruscamente come se l'intera popolazione fosse omogeneamente mista. Questa previsione si avvera davvero e il numero di nuovi casi aumenta più o meno linearmente nel tempo fino a quando gli effetti dei bordi iniziano a manifestarsi (perché il reticolo ha un'estensione limitata).

Tabella 9. Modello stocastico spaziale di una semplice epidemia costruita su un reticolo 21x21

A tavola. 9 mostra i risultati ottenuti per un reticolo con una fonte iniziale di infezione e una probabilità di contatto sufficiente pari a 0,6. Si può notare che tra la prima e la decima fase dell'epidemia il numero medio di nuovi casi aumenta ogni volta di circa 7,5. Successivamente, l'effetto bordo inizia a prevalere e la curva epidemica scende bruscamente.

Si può anche determinare il numero medio di nuovi casi per ogni dato punto della griglia e quindi trovare la curva epidemica per quel punto. È conveniente fare la media su tutti i punti che si trovano sul bordo del quadrato al centro del quale si trova la fonte dell'infezione, sebbene la simmetria in questo caso non sarà completa. Confrontando i risultati per quadrati di diverse dimensioni si ottiene un'immagine di un'ondata epidemica che si allontana dalla fonte originaria dell'infezione.

Qui abbiamo una sequenza di distribuzioni i cui modi crescono in progressione lineare e la varianza aumenta continuamente.

È stato inoltre condotto uno studio più dettagliato dell'epidemia tipo generale con la rimozione degli individui infetti. Naturalmente, questi sono tutti modelli molto semplificati. Tuttavia, è importante capire che possono essere notevolmente migliorati. Per tenere conto della mobilità della popolazione, si deve presumere che anche gli individui suscettibili vengano infettati da fonti di infezione che non sono i loro immediati vicini. Potrebbe essere necessario utilizzare una sorta di fattore di ponderazione qui, a seconda della distanza. Le modifiche che dovranno essere introdotte nel programma per computer in questo caso sono relativamente piccole. Nella fase successiva, potrebbe essere possibile descrivere in questo modo popolazioni reali o tipiche con la struttura più diversificata. Ciò aprirà la possibilità di valutare lo stato epidemiologico delle popolazioni reali in termini di rischio di vari tipi di epidemie.

SCIENZE NATURALI E INGEGNERIA

UDC 519.673: 004.9

INTERPRETAZIONE DEL MODELLO CONCETTUALE DI UN OGGETTO SPAZIALE DINAMICO NELLA CLASSE DEI SISTEMI FORMALI*

E IO. Friedmann

Istituto di informatica e modellazione matematica KSC RAS

annotazione

Vengono considerati i problemi della modellazione di oggetti dinamici complessi (DLS) in aree tematiche debolmente formalizzate. Per il modello concettuale situazionale precedentemente proposto di tali oggetti, è stata sviluppata un'interpretazione nella classe dei sistemi formali semiotici, che consente di integrare vari mezzi di studio LMS, fornendo elaborazione dati logico-analitica congiunta e analisi situazionale dello stato dell'oggetto sotto studio utilizzando conoscenze specialistiche e tenendo conto delle dipendenze spazio-temporali nelle caratteristiche di LMS eseguite utilizzando informazioni cartografiche.

Parole chiave:

modello concettuale, oggetto dinamico spaziale, sistema formale semiotico.

introduzione

In questo articolo, consideriamo i problemi della modellazione LMS in aree tematiche debolmente formalizzate. Oltre alla complessità strutturale, una caratteristica dei LMS è che i risultati del loro funzionamento dipendono in modo significativo dalle caratteristiche spaziali delle parti costitutive e dal tempo.

Quando si modella LMS, è necessario tenere conto di una varietà di informazioni, flussi finanziari, materiali, energetici, per fornire un'analisi delle conseguenze del cambiamento della struttura di un oggetto, possibili situazioni critiche, ecc. La fondamentale incompletezza della conoscenza di tali oggetti limita l'applicabilità dei modelli analitici classici e determina l'orientamento verso l'utilizzo dell'esperienza degli esperti, che, a sua volta, è associata alla creazione di strumenti adeguati per la formalizzazione delle conoscenze degli esperti e la loro integrazione nel sistema di modellazione . Pertanto, nella modellazione moderna, il ruolo di un tale concetto come modello di dominio concettuale (KMPO) è notevolmente aumentato. La base di CMPO non è un modello algoritmico di trasferimento e trasformazione dei dati, come nei modelli analitici, ma una descrizione dichiarativa della struttura di un oggetto e dell'interazione delle sue parti costitutive. Pertanto, KMPO è inizialmente focalizzato sulla formalizzazione della conoscenza degli esperti. CMPO definisce gli elementi dell'area oggetto di studio e descrive le relazioni tra di loro che definiscono la struttura e le relazioni di causa ed effetto che sono essenziali all'interno di un particolare studio.

Il sistema di modellazione situazionale (SSM) presentato in questo documento basato su un modello concettuale situazionale (SCM) simile ad un albero è una delle opzioni

* Il lavoro è stato parzialmente sostenuto da sovvenzioni della Russian Foundation for Basic Research (progetti n. 13-07-00318-a, n. 14-07-00256-a,

N. 14-07-00257-a, N. 14-07-00205-a, N. 15-07-04760-a, N. 15-07-02757-a).

implementazione di tecnologie quali CASE (Computer Aided Software Engineering) e RAD (Rapid Application Development).

Sistemi formali semiotici

Il vantaggio principale del calcolo logico come modello per la rappresentazione e l'elaborazione della conoscenza è la presenza di una procedura formale uniforme per dimostrare i teoremi. Tuttavia, comporta anche il principale svantaggio di questo approccio: la difficoltà di utilizzare l'euristica nella dimostrazione, che riflette le specificità di un particolare ambiente problematico. Ciò è particolarmente importante quando si costruiscono sistemi esperti, la cui potenza di calcolo è determinata principalmente dalla conoscenza che caratterizza le specificità dell'area disciplinare. Altri svantaggi dei sistemi formali sono la loro monotonia (impossibilità di abbandonare le conclusioni se un fatto aggiuntivo diventa vero, e in questo senso differiscono dal ragionamento basato sul buon senso), la mancanza di mezzi per strutturare gli elementi utilizzati e l'inammissibilità delle contraddizioni .

Il desiderio di eliminare le carenze dei sistemi formali utilizzati nell'intelligenza artificiale ha portato alla nascita di sistemi semiotici formalizzati dalla figura otto:

S::= (SI, FA, LA, R, RE(B), RE(FA), RE(LA), RE(R)). (1)

In (1), le prime quattro componenti sono le stesse della definizione di un sistema formale, e le restanti componenti sono le regole per cambiare le prime quattro componenti sotto l'influenza dell'esperienza accumulata nella base di conoscenza sulla struttura e il funzionamento di entità in un dato ambiente problematico. La teoria di tali sistemi è in una fase iniziale di sviluppo, ma ci sono molti esempi di risoluzione di problemi specifici all'interno di questo paradigma. Uno di questi esempi è descritto di seguito.

Nozioni di base sulla modellazione situazionale

Quando si imposta l'attività e si prepara il processo di modellazione, KMPO è progettato per rappresentare la conoscenza sulla struttura dell'area tematica in esame. Per gli elementi CMPO, esiste una corrispondenza tra l'oggetto reale del mondo reale e la sua rappresentazione del modello. Per garantire la possibilità di automatizzare le successive fasi di modellazione, il modello di dominio viene mappato su un sistema formale ad esso adeguato. Questa transizione viene implementata nel corso della costruzione del CMPO assegnando una descrizione formale a ciascuno dei suoi elementi. Di conseguenza, il completamento della costruzione di KMPO corrisponderà al passaggio dalla conoscenza informale dell'area oggetto di studio alla loro rappresentazione formale, che consente solo un'interpretazione procedurale univoca. Il modello formale risultante è di natura dichiarativa, poiché descrive principalmente la composizione, la struttura e le relazioni tra oggetti e processi, indipendentemente dal modo specifico in cui sono implementati in un computer.

Il linguaggio dichiarativo per descrivere l'SCM è costituito da due parti: la parte corrispondente agli oggetti del mondo descritto e la parte corrispondente alle relazioni e agli attributi degli oggetti rappresentati nel modello. La teoria assiomatica degli insiemi è utilizzata come base matematica del linguaggio dichiarativo.

SCM descrive tre tipi di elementi (entità) del mondo reale: oggetti, processi e dati (o risorse). Gli oggetti riflettono la struttura organizzativa e spaziale dell'oggetto di studio, ciascuno di essi può essere associato a un insieme di processi. Per processo si intende un'azione (procedura) che trasforma un sottoinsieme di dati, chiamato input in relazione al processo in esame, in un altro sottoinsieme di essi,

BOLLETTINO del Kola Science Center RAS 4/2015(23)

E IO. Friedmann

chiamato vacanza. I dati caratterizzano lo stato del sistema. Sono utilizzati nell'implementazione dei processi, servono come risultato della loro implementazione. L'esecuzione di qualsiasi processo modifica i dati e corrisponde alla transizione del sistema da uno stato all'altro. Le relazioni e le interazioni degli oggetti del mondo reale sono descritte nel modello utilizzando relazioni definite su insiemi di oggetti, processi e dati. Ogni relazione collega un elemento del modello a un insieme di altri elementi.

I nomi degli elementi SCM sono dati in termini di area tematica. Ad ogni elemento del modello è assegnato un esecutore, che ne assicura l'implementazione durante la simulazione. Il tipo di esecutore determina le caratteristiche dell'implementazione, come il linguaggio di programmazione in cui è scritto l'esecutore del processo corrispondente e il tipo di esecutore nel linguaggio algoritmico.

Gli attributi che descrivono il tipo di relazione della gerarchia specificano la rappresentazione degli oggetti del modello al successivo livello inferiore della gerarchia. Il tipo di relazione "composizione" (&) specifica che un oggetto viene costruito aggregando i suoi sottooggetti. Il tipo "classificazione" (v) indica che l'oggetto di livello superiore è una generalizzazione di un gruppo di oggetti di livello inferiore. La relazione di tipo "classificazione" in SCM viene utilizzata per rappresentare diverse varianti di un elemento di primo livello. Il tipo "iterazione" (*) consente di definire processi iterativi in SCM e descrivere strutture di dati regolari.

A seconda del tipo di relazione gerarchica, all'oggetto vengono assegnati dati di controllo. I dati di controllo vengono utilizzati per ridefinire la struttura dei processi che hanno un tipo di relazione gerarchica "classificazione" o "iterazione" e i dati che hanno un tipo di relazione gerarchica "iterazione".

La rappresentazione formale dell'SCM consente di automatizzare in modo significativo l'analisi della correttezza della struttura e della risolvibilità dell'SCM.

Un aspetto importante dell'efficacia di SCM è la comodità di presentare i risultati della simulazione. Attualmente, il sistema informativo geografico (GIS) è considerato l'ambiente più promettente per la ricerca computerizzata di oggetti di classe LMS. Oltre alla visualizzazione avanzata e all'elaborazione grafica dei dati, gli strumenti GIS, in linea di principio, consentono di impostare attività per calcoli coordinati spazialmente in un ambiente grafico di facile utilizzo, sebbene ciò richieda uno sviluppo software aggiuntivo. Inoltre, i pacchetti GIS non sono progettati per analizzare la dinamica di un oggetto e una seria elaborazione di dati matematici.

Un altro vantaggio del GIS nell'ambito del problema in esame è che ogni elemento grafico può essere associato a campi di database aggiuntivi disponibili per la modifica da parte di moduli di calcolo esterni, a differenza degli attributi grafici. In particolare, questi campi possono memorizzare attributi del modello concettuale relativi a un dato elemento, e altri parametri necessari per organizzare e condurre la modellazione.

Pertanto, ogni ciclo di calcoli durante la simulazione comprende tre fasi: l'impostazione delle condizioni di calcolo, il calcolo stesso e l'output dei risultati. L'obiettivo informale dello sviluppo di SCM è automatizzare tutte queste fasi fornendo il massimo servizio a un utente non programmatore, ovvero utilizzando la terminologia del dominio e un'interfaccia utente amichevole con un computer. Per gli stessi motivi, l'SMS dovrebbe essere funzionalmente completo, cioè fornire all'utente tutti gli strumenti di cui ha bisogno senza l'accesso esplicito ad altri ambienti software. La creazione di librerie grafiche specializzate e strumenti di reportistica richiederebbe costi di programmazione ingiustificati e allungherebbe notevolmente i tempi di sviluppo. Pertanto, sembra opportuno adottare una soluzione di compromesso: assegnare i compiti di output dei dati a pacchetti standard o moduli di programma specializzati, ma automatizzare al massimo il loro lavoro, escludendo il dialogo con l'utente nel proprio ambiente.

BOLLETTINO del Kola Science Center RAS 4/2015(23)

Interpretazione del modello concettuale...

Descrizione formale di SCM

SCM si basa sulla rappresentazione dell'oggetto di modellazione sotto forma di un grafico AND-OR ad albero che mostra una scomposizione gerarchica degli elementi strutturali dell'LMS in accordo con le loro relazioni organizzative.

Per evitare problemi computazionali associati a piccole modifiche dei dati e per fornire supporto per l'elaborazione congiunta dei dati logico-computazionale, in SCM, i dati di output delle procedure di elaborazione (ad eccezione dei dati calcolati dal GIS) possono essere solo dati con un insieme finito discreto di valori (come le liste). Se i valori di alcuni dati sono costanti stringa, tali dati sono chiamati parametro (categoria PAR) e avere valori numerici è chiamata variabile (categoria VAR) e su di essi possono essere eseguite determinate operazioni matematiche. Se il risultato del calcolo è il valore di una variabile, viene arrotondato al valore più vicino nell'elenco dei valori validi. Nel seguito, se quanto detto si riferisce a dati di qualsiasi tipologia ammessi in SCM, si utilizza il termine “dato”. Pertanto, l'insieme dei nomi dei dati è suddiviso in insiemi di nomi di variabili e parametri:

D::=< Var, Par >, Var::= (var ), i = 1, N ;

7 7 a l 7 contro 7 (2)

Par::=(parj), j = 1, Np, dove Nv e Np sono le cardinalità di questi insiemi.

Le risorse del modello di dati (caratteristiche quantitative) di oggetti o processi (categoria RES), le variabili possono essere utilizzate anche come parametri di regolazione delle funzioni (criteri) della qualità di funzionamento degli elementi dell'SCM (categoria ADJ). Di conseguenza, l'insieme dei nomi delle variabili è suddiviso in un sottoinsieme dei nomi delle risorse degli elementi SCM e un sottoinsieme dei nomi dei parametri di ottimizzazione dei criteri di qualità di questi elementi:

Var::=< Res, Adj > (3)

Una categoria a parte (categoria GIS) è costituita dalle caratteristiche grafiche degli oggetti SCM calcolate direttamente nel GIS. Sono tutte variabili, ma non sono considerate liste, poiché vengono utilizzate solo come risorse di input degli elementi del modello e non cambiano durante la simulazione.

Gli oggetti SKM hanno tre caratteristiche principali: un nome, un tipo funzionale che definisce la struttura e le funzioni dell'oggetto e viene utilizzato nel processo di analisi della correttezza dell'SKM e il nome del superoggetto che domina questo oggetto nell'SKM ( assente per l'oggetto di primo livello). In base alla posizione nell'albero degli oggetti e sulla mappa si distinguono tre categorie di oggetti SCM: primitivi (categoria LEAF), strutturalmente indivisibili dal punto di vista dell'obiettivo di modellazione globale, oggetti elementari (categoria GISC), associati geograficamente a un elemento GIS (poligono, arco o punto di cui o coperture), e oggetti composti (categoria COMP) costituiti da oggetti elementari e/o composti. La struttura degli oggetti della categoria GISC in SCM può essere piuttosto complessa, ma tutti i loro sotto-oggetti hanno lo stesso riferimento geografico. Un insieme di oggetti forma una gerarchia:

O \u003d (a 0Ya):: \u003d 2 °a, (4)

dove a = 1, Nl è il numero del livello dell'albero degli oggetti a cui questo oggetto appartiene (L è il numero totale dei livelli di scomposizione);

wb = 1, Nb - numero seriale dell'oggetto al suo livello di decomposizione;

r = 1, N6_ è il numero ordinale del superoggetto che domina l'elemento dato al livello sovrastante;

Ob è l'insieme degli oggetti appartenenti al livello con il numero a.

BOLLETTINO del Kola Science Center RAS 4/2015(23)

E IO. Friedmann

Per garantire la connettività dell'SCM, si presume che esista un singolo superoggetto che domina tutti gli oggetti del primo livello di decomposizione, ovvero la relazione è vera:

O. -i0.") 0, = (5)

I processi in SCM rappresentano trasformazioni di dati e sono implementati in modi diversi a seconda di una delle seguenti tre categorie assegnate al processo: processi interni (categoria INNER), tutti i loro dati di input e output si riferiscono a un oggetto; processi intra-livello (categoria INTRA) che collegano oggetti SCM non subordinati tra loro; processi interlivello (categoria INTER) che descrivono il trasferimento di dati tra un oggetto e sottooggetti o tra un oggetto e un superoggetto. La categorizzazione dei processi introdotta complica in qualche modo il processo di creazione di SCM (in alcuni casi potrebbe essere necessario creare processi fittizi che forniscano tale tipizzazione), ma consente di rendere le procedure di controllo formale per SCM molto più complete e dettagliate.

Le principali caratteristiche dei processi: un nome univoco, una caratteristica dell'esecutore del processo e il tipo funzionale del processo, che determina il tipo di trasformazioni da esso effettuate e viene utilizzato nel processo di analisi della correttezza dell'SCM; inoltre, viene utilizzato un elenco di dati di input e output e i relativi valori limite ammissibili. L'esecutore del processo specifica le sue proprietà dinamiche e come viene implementato nel computer. L'esecutore può essere specificato direttamente (sotto forma di un'equazione differenziale) o indirettamente, facendo riferimento al nome del modulo software che implementa questo processo.

Lo schema del modello concettuale è formato da una tupla:

^SSM::=<о,P,DCM,H,OP,PO,U >, (6)

dove O è un insieme di oggetti CMPO (9);

P::= (pn I n = 1, Np - insieme di processi CMPO;

DCM con D - set di dati del modello concettuale, dove D è definito in (4), (5);

H - la relazione della gerarchia degli oggetti, che, tenendo conto di (4) e (5), assumerà la forma:

dove Hb con O6x B, (O6) sono le relazioni gerarchiche per ciascuno dei livelli dell'albero degli oggetti, e b "(o6) è una partizione dell'insieme Oa;

OP con O x B (P) - la relazione "oggetto - che genera i suoi processi di output", e B (P) è una partizione dell'insieme P;

PO con P x B(O) - la relazione "processo - creazione dei suoi oggetti dati di input";

U::= Up e U0 - la relazione che formalizza il controllo del processo computazionale basato sull'SCM, ha le seguenti componenti:

U con P x B(Res) - relazione "processo - dati di controllo";

Uo con O x B(Res) - la relazione "oggetto - dati di controllo".

La relazione "oggetto (processo) - dati di controllo" associa alcuni oggetti (processi) del modello con dati che definiscono questo oggetto nella transizione all'interpretazione algoritmica. Il trasferimento di dati tra oggetti viene effettuato solo attraverso elenchi di dati di input e output di questi oggetti, il che è coerente con i principi di incapsulamento dei dati adottati nella moderna programmazione orientata agli oggetti. Tutti i processi assegnati a un oggetto sono descritti dalla relazione OA con O x B(P) "oggetto - processi ad esso assegnati". Questa relazione non è inclusa nello schema

BOLLETTINO del Kola Science Center RAS 4/2015(23)

Interpretazione del modello concettuale...

SCM, perché, a differenza delle relazioni H, OR e RO, non viene impostata dall'utente durante la costruzione del modello, ma viene formata automaticamente.

Le relazioni definite nel modello possono essere convenientemente rappresentate sotto forma di funzioni (7), parzialmente definite sugli insiemi O e P, con gli intervalli B(P), B(O) o B"(Ob). Nomi

le funzioni sono denotate da caratteri minuscoli corrispondenti a caratteri maiuscoli nei nomi delle relazioni:

h:°b_1 ^B"(Oa),(Vo;. e06,Vo! e°b_Hoj = hb(o))oojHbog); op. O ^ B(p^ (Vo e O, Vp e p)(( p ; = opio)) "■ o,Opp]);

Po.p ^ b(0), (vo e O, VP] e p)((o = po(P])) "P]OPot);

oa: O ^ B(P),(VOi e O, Vp) e P)((p) = oa(ot))otOAp));

: p ^ B(Res\(vPi e p, Vres] e Res)((res] = up (pi)) ptUpres]);

: O ⩽ B(Res), (Vo1 e O, VreSj e Res)((resj = uo (o1)) o1Uo resj).

Gli insiemi di valori delle funzioni (7), che formano sezioni degli intervalli di valori delle relazioni introdotte per qualche elemento degli intervalli della loro definizione, sono indicati in grassetto:

h6 (oi)::= \P] : o] = ha(oi)); oP(oi) ::= \P] : P] = oP(oi));

po(P]) ::= (o: oi = po(p])); oci(pi) ::= ^ . p) = oa(oi)); (8)

up (Pi) ::= \res]: res] = up (Pi)); uo (o) ::= \res]: res] = uo (o)).

Analogamente a (8), le sezioni delle relazioni introdotte sono scritte su sottoinsiemi dei loro domini di definizione, che sono costruiti come unioni di tutte le sezioni sugli elementi di questi sottoinsiemi. Ad esempio, h (Oi), dove Oi con O6_x, è l'insieme di oggetti di livello a dominati da un dato sottoinsieme di oggetti oj e O t che sono a livello a - 1.

Di seguito viene utilizzato anche l'insieme di subordinazione dell'oggetto oi h '(oi)::= U h(oi).

Gli algoritmi sviluppati per l'assegnazione di categorie agli elementi SCM utilizzano le relazioni di cui sopra e identificano tutto possibili errori categorizzazione degli elementi del modello. Le procedure per il controllo della correttezza delle nomine degli esecutori degli elementi SCM utilizzano le seguenti restrizioni (le prove sono fornite in).

Teorema 1. Nell'SCM finale, non può avvenire una scomposizione ricorsiva dei tipi di esecutori di oggetti, cioè nessun singolo oggetto incluso nell'insieme di subordinazione di qualche oggetto può avere un esecutore dello stesso tipo dell'oggetto originale.

Teorema 2. In un SCM finito, non può esserci un'inversione della subordinazione degli esecutori di oggetti, ovvero nessun singolo oggetto incluso nell'insieme di subordinazione di un oggetto con un esecutore di tipo e1 può avere un esecutore dello stesso type come qualsiasi altro oggetto nel set di subordinazione che contiene un oggetto con un esecutore di tipo e1.

Principi di controllo della solvibilità SCM

La costruzione di un modello corretto, effettuata secondo le regole adottate nel CCM, non garantisce ancora che questo modello sia risolvibile, cioè sia possibile risolvere tutti i problemi in esso dichiarati. La risolvibilità è generalmente intesa come la raggiungibilità di un certo sottoinsieme di oggetti del modello, che sono definiti come target, da un altro sottoinsieme di oggetti, che sono definiti come origine. La solvibilità può essere considerata in due aspetti principali: quando si analizza l'intero modello nel suo insieme (prima dell'inizio dei calcoli), implica la coerenza e l'univocità della descrizione di tutte le opzioni possibili per raggiungere l'obiettivo globale a diversi livelli della gerarchia, e nel processo

BOLLETTINO del Kola Science Center RAS 4/2015(23)

E IO. Friedmann

Nell'implementazione della modellazione, la risolvibilità consiste nell'assicurare la scelta del frammento corretto del modello che descrive la situazione in esame. La differenza funzionale tra questi aspetti è che quando si analizza l'intero modello, viene valutata solo la potenziale possibilità di modellare tutti gli oggetti descritti nel modello e, quando si analizza una situazione specifica, i compiti di scegliere il frammento minimo che descrive questa situazione e confrontare quantitativamente vengono inoltre poste le possibili alternative in esso contenute. Il secondo aspetto della risolvibilità è studiato in , ecco le caratteristiche dell'analisi della risolvibilità dell'SCM nel suo complesso, che viene eseguita automaticamente dopo il completamento del controllo della sua correttezza, e può essere eseguita su richiesta dell'utente all'indirizzo in qualsiasi momento. Nel caso generale, il problema dell'analisi di risolvibilità può essere formulato come segue: sono indicati due insiemi di elementi del modello: l'origine e l'obiettivo, mentre il modello è risolvibile se esiste una sequenza di passaggi che consente di ottenere l'obiettivo impostato da la fonte. Gli algoritmi di onde semplici sono adatti a questo.

Nell'analisi di entrambi gli aspetti della risolvibilità, il modello concettuale è considerato come un sistema formale. Il suo alfabeto include:

simboli che denotano elementi del modello (pi, on, resj, ...);

simboli funzionali che descrivono relazioni e connessioni tra elementi del modello (ha, op, ...);

simboli speciali e sintattici (=, (,), ^,...).

L'insieme di formule nel sistema formale in esame è formato da: i simboli effettivi che denotano gli elementi di KMPO:

(Pi e P) u (Oj eO] u (resk e DCM); (9)

espressioni (7), (8) e altre formule per il calcolo di funzioni e insiemi definiti utilizzando relazioni introdotte sugli insiemi (5);

espressioni di computabilità per ogni processo del modello concettuale:

lista_in(pi) \ lista fuori(pi), Su(pi) [, sp)] ^ p„ lista_fuori(p,), (10)

dove, a causa dell'assunzione adottata nel CCM circa l'autonomia della struttura di ciascun oggetto, l'insieme s(p) di processi che precedono pi può includere solo processi assegnati allo stesso oggetto:

s (pi) con oa (oa "1 (p1)); (11)

espressioni di computabilità per ogni oggetto del modello concettuale: list_in(oi), up(Oj), oa(o,), h(o,) ^ oi, list_out(oi); (12)

espressioni per la computabilità dei dati di input di ciascun oggetto del modello concettuale che riceve risorse materiali da altri oggetti (oppure: oo(o) Ф 0):

00(0,) ^ lista_in(oi). (13)

Le espressioni (9)-(13) includono solo risorse materiali, cioè non analizzano i dati di output dei processi di tuning e feedback relativi alle risorse informative SCM. Inoltre, la calcolabilità degli insiemi definiti nelle premesse di queste espressioni è dichiarata a condizione che tutti gli elementi degli insiemi specificati siano calcolabili.

Un'ulteriore giustificazione è richiesta dalla prima premessa della proposizione (10). Come è noto, in presenza di cicli di risorse nell'area tematica, possono apparire dati che, durante la costruzione di un modello concettuale, devono essere dichiarati contemporaneamente come input e output per alcuni processi KMPO. Secondo l'assunto adottato nell'SCM, tali cicli sono introdotti all'interno degli oggetti del CMPO, ovvero dovrebbero essere presi in considerazione quando si analizza la risolvibilità a livello di processo.

Se, nell'analizzare la risolvibilità dell'SCM, utilizziamo l'espressione di computabilità proposta e assumendo la forma per l'SCM:

lista_in(p,) & su(p,) [& s(p,)] ^ p, & lista_fuori(p,), (14)

BOLLETTINO del Kola Science Center RAS 4/2015(23)

Interpretazione del modello concettuale...

quindi sarà impossibile includere nel modello risorse che servono simultaneamente come dati di input e output dello stesso processo, ovvero descrivere processi computazionali ricorrenti che si incontrano spesso nella pratica. La via d'uscita è data dal teorema sottostante, dimostrato nel lavoro.

Teorema 3. Una risorsa che sia sia un input che un output per lo stesso processo SCM e non sia un output per nessuno dei processi che lo precedono, connessa con il processo specificato dalla relazione di generazione del processo (13), può essere esclusa dal lato sinistro della proposizione di computabilità senza violare la correttezza della solvibilità del modello di analisi.

L'insieme degli assiomi del sistema formale considerato comprende:

assiomi di computabilità di tutte le risorse relative a dati esterni (aventi esecutori di tipo DB, GISE o GEN)

|- resj: (ter(resj) = DB) v (ter(resj) = GISE) v (tS[(resJ) = GEN); (15)

assiomi di computabilità di tutti gli elementi GIS di SKM (i cui tipi iniziano con i simboli punto, pol o arco)

|-0J:<х>punto) v (to(o/) 10 pol) V (to(oj) 10 arcX (16)

dove simbolo è convenzionalmente indicato l'inserimento di tipi GIS standard nel tipo funzionale di un oggetto.

Il sistema formale in esame ha due regole di inferenza:

regola della successione immediata -

Fi, Fi^F2 |-F2; (17)

regola di seguire con uguaglianza -

Fi, Fi = F2, F2 ^ F3 |- F3, (18)

dove F, sono alcune formule da (9)-(13).

La struttura del sistema formale descritto è simile alla struttura del sistema proposto in . La differenza essenziale è la forma delle espressioni di computabilità (10), (12), (13) e la composizione degli assiomi, sulla base dei quali viene effettuata l'analisi della risolvibilità del modello concettuale.

La totalità delle conoscenze sull'area tematica presentata nell'SCM può essere riconosciuta come corretta se, a diversi livelli della gerarchia, il modello concettuale presenta realmente specifiche reciprocamente concordate di oggetti e processi che assicurano la corretta generazione di risorse per il funzionamento degli oggetti di livelli superiori. Il rispetto delle specifiche a tutti i livelli porta al fatto che il modello concettuale caratterizza completamente l'oggetto radice corrispondente al compito globale che il sistema nel suo insieme risolve. Un modello concettuale è decidibile se, nel corrispondente sistema formale, esiste una derivazione di ciascun teorema di computabilità da un insieme di assiomi e altri teoremi.

Definizione 1. SCM è decidibile se e solo se per ogni elemento del modello che non è compreso nell'insieme degli assiomi, l'applicazione di espressioni di computabilità della forma (10), (12), (13) agli assiomi e già formule provate (l'insieme dei teoremi T) ci permette di costruire la derivazione utilizzando le regole (17), (18) dall'insieme degli assiomi (A) del sistema formale (9)-(13).

Nell'analisi della solvibilità, che, secondo la Definizione 1, è una sorta di metodi automatici di dimostrazione di teoremi, viene utilizzato il concetto di "meccanismo di inferenza", in questo caso inteso come un metodo, un algoritmo per l'applicazione delle regole di inferenza ( 17), (18), fornendo una dimostrazione efficace di tutti gli insiemi richiesti di formule dall'insieme T di teoremi (cioè formule sintatticamente ben formate) del sistema formale considerato. Il modo più semplice per organizzare l'inferenza è il meccanismo del "flusso", in cui l'insieme delle formule A ", che si considerano dimostrate, è inizialmente uguale all'insieme degli assiomi (A1 = A), si espande a seguito dell'applicazione le regole di inferenza. Se dopo qualche tempo T con A", allora il modello è risolvibile, se questo è falso e nessuna delle regole può essere applicata, allora l'SCM è indecidibile.

BOLLETTINO del Kola Science Center RAS 4/2015(23)

E IO. Friedmann

Come strategia dimostrativa utilizzata nell'analisi di un modello concettuale generale, viene proposta una strategia bottom-up, consistente nell'esecuzione ciclica delle fasi successive.

Fase I. La regola (17) viene applicata per ottenere tutte le possibili conseguenze da formule e assiomi.

Fase II. Le regole (17), (18) vengono applicate per ottenere tutte le possibili conseguenze dagli assiomi e dalle formule ottenute nella fase precedente della dimostrazione.

Fase III. La regola (13) viene applicata per espandere l'elenco degli oggetti considerati calcolabili.

Si dimostra che per i corretti modelli concettuali costruiti secondo le regole sopra descritte, l'analisi della risolvibilità del modello nel suo complesso si riduce all'analisi della risolvibilità dei singoli template dei processi della categoria INTRA in esso inclusi e i processi di aggregazione.

Gestione della situazione

Nella teoria della gestione situazionale, si nota l'importanza fondamentale di sviluppare procedure per generalizzare le descrizioni delle situazioni basate sulla loro classificazione utilizzando un insieme di caratteristiche pragmaticamente importanti, che a sua volta è soggetto a sintesi. Le caratteristiche fondamentali della formazione dei concetti e della classificazione nella gestione situazionale includono:

Disponibilità di procedure di generalizzazione basate sulla struttura delle relazioni tra elementi delle situazioni;

Capacità di lavorare con i nomi di singoli concetti e situazioni;

La necessità di armonizzare la classificazione delle situazioni su alcune basi con la classificazione su un insieme di influenze (controlli).

Per implementare i principi elencati di classificazione e generalizzazione delle situazioni, l'SMS fornisce una serie di strumenti software:

Apparecchio per la sintesi e l'analisi di tipi di situazioni, in particolare situazioni ottimali sufficienti, incentrato sulla risoluzione di problemi di coordinamento e coordinamento delle azioni di controllo a vari livelli dell'SCM;

Strumenti per generare e testare ipotesi sulle caratteristiche comparative di situazioni sufficienti nel quadro dell'interpretazione probabilistica di tali ipotesi, tenendo conto dell'influenza degli errori strumentali nei dati iniziali sui risultati della simulazione;

Procedure per generalizzare le descrizioni delle situazioni, tenendo conto delle relazioni spazio-temporali tra gli elementi delle situazioni, utilizzando la libreria delle funzioni spazio-temporali (STF).

Sintesi e analisi di tipi di situazioni. A seguito della classificazione delle situazioni secondo gli algoritmi sviluppati per SCM, a un gran numero di classi di situazioni ottenute per vari oggetti decisionali (DE) e vari oggetti foglia di frammenti. Al fine di accumulare conoscenze sui risultati della classificazione nel SMS, si propone di utilizzare i mezzi per generalizzare le descrizioni delle situazioni in base ai tipi sintetizzati di queste situazioni. Questo metodo concretizza le raccomandazioni generali per la costruzione di una descrizione gerarchica delle situazioni nei sistemi di controllo situazionale. Analogamente alla descrizione della situazione completa, una descrizione generalizzata di ciascuna situazione sufficiente è costruita sulla base dell'enumerazione degli oggetti foglia inclusi in essa e dell'OPD, che la determina in modo univoco a causa della scomposizione ad albero degli oggetti SCM . Per sintetizzare una descrizione generalizzata della situazione al primo livello della gerarchia delle descrizioni viene utilizzata la stessa procedura che assicura la generazione delle tipologie di esecutori di oggetti in funzione delle tipologie di processi loro assegnati. I dati iniziali in esso contenuti sono i tipi di oggetti foglia e l'OPD delle situazioni sufficienti studiate, e il risultato del lavoro è

BOLLETTINO del Kola Science Center RAS 4/2015(23)

Interpretazione del modello concettuale...

un tipo unico di situazione sufficiente, completata dal numero ordinale della sua classe e dal suo numero in questa classe. A differenza dell'ordine lessicografico, utilizzato per la generazione dei tipi di oggetti esecutori, qui i tipi di oggetti inclusi nella situazione sono ordinati in base alla loro posizione nell'albero degli oggetti (4). Il numero di sequenza di una classe è determinato dal numero della risorsa che domina questa classe, secondo l'elenco delle risorse di output dell'ODP, e il numero di sequenza della situazione all'interno della classe è dato dalla sua preferenza. La situazione ottima sufficiente di questa classe ottiene il numero 1. È naturale considerare come scala assoluta per classificare le situazioni la loro classificazione secondo il criterio della qualità globale, cioè secondo l'appartenenza a una o un'altra classe di situazioni che assicurano il predominio di uno dei parametri di output dell'oggetto SCM globale dai costi generalizzati, che sono calcolati in base al criterio della qualità dell'ODA di questa situazione sufficiente. La prima chiave per costruire il tipo di situazione è il suo numero di serie all'interno della classe, poi viene il numero dell'ODP, quindi gli indici dei tipi dell'elenco degli oggetti foglia e, infine, il numero della classe. L'ordine di indicizzazione descritto viene utilizzato per la comodità di generare query del tipo: "Trova tra le situazioni ottimali sufficienti di un certo livello dato una situazione che costituisce un sottografo di tale o tale situazione ottimale globale", che sono tipiche nella risoluzione del coordinamento del controllo problemi a diversi livelli decisionali.

Il compito di generalizzare le descrizioni delle situazioni nell'SCM in base ai tipi di situazioni comprende due fasi principali: la ricerca di caratteristiche comuni di situazioni che rientrano in una classe per ciascun frammento studiato del CMOS e la ricerca di occorrenze di situazioni in situazioni di livello superiore (l'altezza del livello qui è data dal livello dell'OPD). Lo schema generale del ragionamento in generalizzazione si adatta bene all'ideologia del metodo JSM. Tuttavia, l'implementazione software del metodo JSM nell'SSM richiederebbe quantità di programmazione molto significative, quindi è stato utilizzato il meccanismo di inferenza probabilistica implementato nella shell dell'OES SSM, ovvero, invece di valutare la validità di alcune ipotesi calcolate secondo il metodo JSM, sono state utilizzate funzioni speciali per il ricalcolo delle probabilità condizionali relazioni causa-effetto tra configurazioni di situazioni sufficienti e risultati della loro classificazione.

Come risulta dal suddetto metodo di tipizzazione delle situazioni in SCM, le descrizioni di situazioni sufficienti classificate secondo un frammento CMPO differiscono qualitativamente negli elenchi dei loro oggetti foglia, che insieme formano una partizione dell'insieme di oggetti foglia della situazione completa utilizzata nella costruzione il frammento. Pertanto, quando si generalizzano le loro descrizioni, vengono utilizzati principalmente il metodo della somiglianza e il metodo della differenza e le sottostringhe della concatenazione dei tipi di oggetto foglia vengono utilizzate come prerequisiti. I risultati della generalizzazione si formano sotto forma di due serie di regole, la prima include esempi positivi, la seconda - negativi. Secondo formule simili al ricalcolo delle probabilità a priori in probabilità a posteriori, la presenza di esempi positivi comporta un aumento della probabilità condizionata della regola corrispondente e il grado di aumento è proporzionale ai numeri ordinali delle situazioni utilizzate in questo esempio , e la presenza di esempi negativi riduce nella stessa misura la probabilità condizionata della regola. Dopo la fine della prima fase di generalizzazione, le regole vengono respinte con una probabilità inferiore a 0,5.

Nella seconda fase della generalizzazione, si riscontrano somiglianze tra situazioni di diverso livello. Viene utilizzato lo stesso meccanismo di generalizzazione, ma le regole sintetizzate riflettono le probabilità condizionali del verificarsi di situazioni sufficienti di livelli inferiori di decomposizione come parte di situazioni sufficienti di livelli superiori e, in particolare, situazioni globali sufficienti stimando la frequenza di occorrenza di tipi di situazioni sottostanti in tipi di situazioni sovrastanti. Si tenta quindi di confrontare le classi di situazioni compilate per l'ODP di diversi livelli, il che, con un numero sufficiente di esempi di addestramento, consente di compilare

BOLLETTINO del Kola Science Center RAS 4/2015(23)

E IO. Friedmann

una classificazione gerarchica di situazioni sufficienti che indica le situazioni ottimali per trasferire un oggetto a un certo stato da una data classe.

Un altro gruppo di regole è incentrato sulla valutazione dell'efficacia delle alternative incluse nel KMPO. L'idea della ricerca è la seguente: il grado di efficienza dell'una o dell'altra alternativa (sia per i processi che per gli oggetti) è tanto più alto quanto più ampio è l'insieme delle classi di situazioni in cui sufficienti situazioni con diverse varianti di questa alternativa cadere in. E viceversa: se nessuna delle scelte disponibili cambia la classe di una situazione sufficiente, allora questa alternativa non viene offerta all'utente quando si espandono le situazioni complete minime, almeno per lo stesso ODP, che consente di accelerare il processo di classificazione situazioni. D'altra parte, è auspicabile poter determinare in anticipo l'insieme di proprietà che hanno le alternative più "radicali", o meglio, diversi insiemi - per ogni variante potenzialmente desiderabile di aree di dominanza mutevoli.

Tutte le regole ottenute durante la generalizzazione (nella terminologia della gestione situazionale, si riferiscono a regole logico-trasformazionali) sono memorizzate nell'ES SCM e sono utilizzate come formule di controllo nel processo di classificazione delle situazioni. Va notato un'altra caratteristica del meccanismo di inferenza probabilistica sviluppato: la capacità di ridurre l'impatto degli errori nei dati iniziali sui risultati della generalizzazione delle situazioni tenendo conto della probabilità di assegnare erroneamente una situazione a una particolare classe. Consideriamo l'idea principale della sua applicazione per aumentare l'affidabilità della generalizzazione delle situazioni.

Quando si classificano situazioni sufficienti di un certo frammento dell'SCM, possono verificarsi errori a causa dell'instabilità strutturale del processo di calcolo dei costi quando vengono trasferiti tra elementi del modello. Ad esempio, se in KMPO sono consentiti cicli sulle risorse, quando il valore corrente di qualsiasi risorsa che partecipa al ciclo cambia, la classe di una situazione sufficiente in cui vengono calcolati i costi per questa risorsa può cambiare in modo significativo, il che, secondo l'autore, , viola la stabilità delle procedure di classificazione e generalizzazione. Tali situazioni sono proposte per essere scartate dalle procedure di generalizzazione, per le quali si raccomanda di applicare nelle procedure SCM per verificare la dipendenza dei risultati da eventuali errori di modellazione. Se, durante l'analisi dell'influenza degli errori di modellazione per una determinata risorsa SCM, si rileva che la quota della variazione dei costi all'output del progetto pilota supera la quota della variazione del test nel valore corrente della risorsa, ad esempio la risorsa è considerata inaffidabile, la probabilità di fallimento quando la si utilizza per la classificazione è considerata proporzionale al grado dell'eccesso menzionato. Se la probabilità di guasto supera il valore di soglia specificato (la probabilità di soglia predefinita è 0,3), questa risorsa viene esclusa dalle procedure di classificazione. In caso contrario, la classificazione delle situazioni viene comunque effettuata, ma tenendo conto della probabilità di insuccessi, che in linea di principio comporta una diminuzione del contrasto delle procedure di classificazione e, di conseguenza, una diminuzione della probabilità di includere situazioni che comportano un risorsa inaffidabile nella categoria ottimale o altamente preferibile.

Analisi delle dipendenze spazio-temporali. Il lavoro con le dipendenze spaziotemporali viene eseguito utilizzando una libreria di funzioni spaziotemporali (SPF) - moduli software che forniscono una selezione di informazioni rilevanti per la richiesta corrente dai corrispondenti database di origine (BID), inserendo queste informazioni nel database principale ed elaborandole prendere una decisione sulla verità o falsità della condizione che forma la domanda. Pertanto, nel caso generale, il programma di ciascun PVF comprende tre parti: un driver BID che organizza l'interfaccia tra il database principale e il BID, un programma per scrivere i risultati delle query nel database principale e un programma per interpretare i risultati delle query . In questo caso la modifica dell'area tematica comporta la necessità di modificare solo i driver BID.

Tutti i PVF hanno un output booleano, cioè restituiscono una risposta si o no come risultato dell'analisi della condizione logica in essi inclusa. Sono stati sviluppati due tipi di funzioni temporali e tre tipi di funzioni spaziali.

BOLLETTINO del Kola Science Center RAS 4/2015(23)

Interpretazione del modello concettuale...

La funzione temporale INTERVAL supporta il campionamento dei dati storici per un periodo di tempo, la sua sintassi è la seguente:

durante (<условие>,<начало>,<конец>,<доля>), (19)

Dove<условие>può assomigliare a:

<имя> <знак> <подсписок_значений (n)>, (20)

definisce la caratteristica controllata dell'elemento dell'array;

<начало>E<конец>impostare, rispettivamente, i momenti di inizio e fine dell'intervallo di controllo (la loro distanza dal passato dall'ora corrente);

<доля>definisce la percentuale minima consentita (numero) di elementi tra tutti gli elementi analizzati che devono soddisfare<условию>cosicché la funzione (19) dà una risposta affermativa alla richiesta.

Se viene immesso un valore di parametro nullo<начало>, tutte le informazioni disponibili vengono analizzate fino a quel momento<конец>. Allo stesso modo, con un valore zero del parametro<конец>, i dati vengono analizzati dal momento<начало>fino al momento attuale. Quando i valori coincidono<начало>E<конец>viene considerato solo un momento nel passato.

La seguente funzione consente di associare temporaneamente i dati memorizzati

all'orario specificato nella richiesta:

momento (<условие>,<время>,<доля>), (21)

Dove<условие>E<доля>sono formati in modo simile alla funzione (19), e<время>- un punto fisso nel tempo per il quale viene eseguita l'operazione.

Le funzioni spaziali si scrivono nella forma:

vicini (<условие>,<доля>) (22)

simile (<условие>,<доля>,<параметры_сходства>). (23)

Opzioni<условие>E<доля>sono impostati come nelle funzioni (19), (21); la differenza tra i tipi di funzioni spaziali risiede nei criteri di selezione degli elementi per l'analisi dei giunti: nella funzione (22) vengono analizzati gli elementi che sono geometricamente adiacenti all'elemento corrente, nella funzione (23) gli elementi che hanno gli stessi valori come l'elemento corrente sono selezionati<параметров_сходства>, selezionato da un elenco di nomi di parametri e variabili esistenti. Ad esempio, nell'applicazione del CCM al problema della previsione delle esplosioni di roccia<параметр_сходства>aveva il nome di "faglia" ed era utilizzato per l'analisi congiunta delle caratteristiche degli elementi dell'oggetto appartenenti alla faglia tettonica.

La funzione NEAREST è progettata per determinare l'oggetto che ha le coordinate spaziali più vicine a quelle date. La funzione restituisce una risposta affermativa se le coordinate dell'oggetto rientrano nell'intorno specificato. La funzione è simile a questa:

più vicina (<условие>,<координаты>,<допуск>), (24)

dove parametro<условие>ha il significato già descritto, il parametro<координаты>descrive le caratteristiche spaziali del punto di ancoraggio, il parametro<допуск>specifica la distanza consentita in coordinate spaziali dal punto specificato.

PVF può essere utilizzato solo nelle parti IF delle regole ES e delle formule di controllo. Poiché tutti i PVF hanno un output booleano, diversi PVF possono essere nidificati una volta l'uno nell'altro, ad es.

vicino (simile (<условие>,<доля1>,<параметры_сходства>),<доля2>). (25)

Allo stesso tempo, il driver BID genera una query, in base alla quale, prima, vengono selezionati gli elementi che soddisfano il PVF più interno, quindi vengono selezionati da essi quelli che soddisfano quello esterno e così via. Le caratteristiche degli elementi selezionati vengono riscritte nel database (queste informazioni vengono utilizzate nella modalità di spiegazione), l'interprete calcola il valore di uscita del PVF, che viene inserito nel rule base. Le sottoquery sono di maggior interesse perché

BOLLETTINO del Kola Science Center RAS 4/2015(23)

E IO. Friedmann

consentono, combinando il PVF, di valutare congiuntamente le caratteristiche spaziali e temporali dell'oggetto in studio.

I PVF sopra descritti forniscono un'analisi di una classe piuttosto ampia

relazioni spazio-temporali tra le caratteristiche degli elementi dell'oggetto di esame, tuttavia, a seconda delle specificità dell'area tematica, è possibile sviluppare altri PVF.

Contrariamente alle regole generate quando si generalizzano le situazioni in base ai loro tipi, le regole di generalizzazione del gruppo considerato qui non si applicano alla situazione nel suo insieme, ma a singoli oggetti, processi o persino risorse SCM. Negli slot PVF<условие>

E<параметры_сходства>è possibile includere condizioni logiche e varie caratteristiche degli elementi dell'SKM, inclusi i tipi e le categorie di questi elementi. Il CCM non prevede procedure automatiche per la generazione di tali regole, sono progettate dall'utente e le probabilità in esse contenute vengono ricalcolate durante la classificazione nello stesso modo descritto sopra.

Conclusione

Sulla base delle definizioni formali introdotte di vari tipi di situazioni che sorgono durante la modellazione dell'LMS, è stato sviluppato il suo modello gerarchico, che comprende: un sistema formale - SCM e un ES integrato con esso - con un insieme di elementi di base (7) - ( 10), un insieme di regole sintattiche per generare alcuni elementi del SCM altri sotto forma di relazioni del tipo (7), (8), il sistema di assiomi (15), (16) e le regole di inferenza (17 ), (18), nonché le regole per modificare i componenti di questo sistema formale a seconda degli obiettivi della modellazione e dello studio prevalente sull'oggetto della situazione, stabilito selezionando i frammenti appropriati dell'SCM e controllando l'output per l'ES SCM. SCM si riferisce a modelli semiotici (segno), poiché ha sviluppato tre gruppi di regole logiche di trasformazione: rifornimento, classificazione e generalizzazione delle situazioni.

Le differenze del modello proposto risiedono nell'integrazione di strumenti focalizzati sullo studio di LMS, che fornisce l'elaborazione congiunta dei dati logico-analitici e l'analisi situazionale dello stato dell'oggetto in studio utilizzando conoscenze specialistiche e tenendo conto delle dipendenze spazio-temporali in le caratteristiche di LMS eseguite utilizzando informazioni cartografiche.

LETTERATURA

1. Kuzmin I.A., Putilov V.A., Filchakov V.V. Elaborazione distribuita dell'informazione nella ricerca scientifica. L.: Nauka, 1991. 304 p. 2. Tsikritzis D., Lochowski F. Modelli di dati. M.: Finanza e statistica, 1985. 420 p. 3. Samarsky A.A. Introduzione ai metodi numerici. M.: Nauka, 1987. 288 p. 4. Brzhezovsky A.V., Filchakov V.V. Analisi concettuale dei sistemi informatici. San Pietroburgo: LIAP, 1991. 78 p. 5. Fridman A. Ya. Gestione situazionale della struttura dei sistemi industriali-naturali. Metodi e modelli. Saarbrucken, Germania: LAP LAMBERT Academic Publishing, 2015. 530 p. 6. Pospelov D.A. Gestione situazionale: teoria e pratica. M.: Nauka, 1986. 288 p. 7. Guida di Mitchell E. Esri all'analisi GIS. 1999. Vol. 1. 190 pag.

8. Modellazione concettuale dei sistemi informativi / ed. V.V. Filchakov. San Pietroburgo: SPVURE PVO, 1998. 356 p. 9. Generazione automatica di ipotesi in sistemi intelligenti / comp. ES Pankratova, V.K. finlandese. M.: LIBROKOM, 2009. 528 p. 10. Darwiche A. Modellazione e ragionamento con reti bayesiane. Cambridge University Press, 2009. 526 p.

Fridman Alexander Yakovlevich - Dottore in scienze tecniche, professore, ricercatore principale presso l'Istituto di informatica e modellazione matematica del KSC RAS; e-mail: [e-mail protetta] kolasc.net.ru

BOLLETTINO del Kola Science Center RAS 4/2015(23)

Immagini cartografiche 3D sono mappe elettroniche di livello superiore e rappresentano immagini spaziali dei principali elementi e oggetti del terreno visualizzati sui mezzi dei sistemi di modellazione computerizzata. Sono destinati all'uso nei sistemi di controllo e navigazione (terrestri e aerei) nell'analisi del terreno, nella risoluzione di problemi computazionali e nella modellazione, nella progettazione di strutture ingegneristiche e nel monitoraggio dell'ambiente.

Tecnologia di simulazione Il terreno consente di creare immagini prospettiche visive e misurabili molto simili al terreno reale. La loro inclusione secondo un determinato scenario in un filmato al computer consente, durante la visione, di "vedere" l'area da diversi punti di ripresa, in diverse condizioni di illuminazione, per diverse stagioni e giorni (modello statico) o di "volare" su di essa lungo traiettorie date o arbitrarie di movimento e velocità di volo - (modello dinamico).

L'uso di strumenti informatici, che includono visualizzazioni vettoriali o raster, che consentono di convertire le informazioni digitali in ingresso in un dato frame nei loro dispositivi buffer, richiede la creazione preliminare di informazioni digitali in quanto tali informazioni. modelli spaziali terreno (PMM).

PMM digitali per loro stessa natura sono un insieme di dati semantici, sintattici e strutturali digitali registrati su un supporto macchina, progettati per riprodurre (visualizzare) immagini tridimensionali del terreno e oggetti topografici in conformità con le condizioni specificate per l'osservazione (rivedere) la superficie terrestre.

Dati iniziali per la creazione di PMM digitale possono fungere da fotografie, materiali cartografici, mappe topografiche e digitali, piante urbane e informazioni di riferimento, fornendo dati sulla posizione, forma, dimensione, colore e scopo degli oggetti. In questo caso, la completezza del PMM sarà determinata dal contenuto informativo delle fotografie utilizzate e dall'accuratezza - dall'accuratezza dei materiali cartografici originali.

Mezzi tecnici e metodi per la creazione di PMM

Sviluppo mezzi tecnici e metodi per la creazione di PMM digitaleè un difficile problema scientifico e tecnico. La soluzione a questo problema comporta:

Sviluppo di strumenti hardware e software per ottenere informazioni digitali tridimensionali primarie sugli oggetti del terreno da fotografie e materiali cartografici;
- realizzazione di un sistema di simboli cartografici tridimensionali;
- sviluppo di metodi per la formazione di PMM digitali utilizzando informazioni e fotografie digitali cartografiche primarie;
- sviluppo di un sistema esperto per la formazione del contenuto del PMM;
- sviluppo di metodi per organizzare i dati digitali nella banca PMM e principi per costruire la banca PMM.

Sviluppo di hardware e software l'ottenimento di informazioni digitali tridimensionali primarie sugli oggetti del terreno da fotografie e materiali cartografici è dovuto alle seguenti caratteristiche fondamentali:

Requisiti più elevati, rispetto al DSM tradizionale, per il PMM digitale in termini di completezza e accuratezza;
- utilizzare come decodifica iniziale fotografie ottenute da sistemi di imaging frame, panoramici, a fessura e CCD e non intese per ottenere informazioni di misurazione accurate sugli oggetti del terreno.

Creazione di un sistema di simboli cartografici tridimensionaliè un compito fondamentalmente nuovo della moderna cartografia digitale. La sua essenza sta nella creazione di una libreria di segni convenzionali che sono vicini all'immagine reale degli oggetti del terreno.

Metodi per la formazione del PMM digitale l'utilizzo di informazioni cartografiche digitali primarie e fotografie dovrebbe garantire, da un lato, l'efficienza della loro visualizzazione nei dispositivi buffer dei sistemi informatici e, dall'altro, la necessaria completezza, accuratezza e chiarezza dell'immagine tridimensionale.

Gli studi attualmente in corso hanno dimostrato che, a seconda della composizione dei dati iniziali, possono essere applicati metodi che utilizzano i seguenti metodi per ottenere PMM digitali:

Informazioni cartografiche digitali;
- informazioni cartografiche digitali e fotografie;
- fotografie.

I metodi più promettenti sono utilizzando informazioni cartografiche digitali e fotografie. I principali possono essere metodi per creare PMM digitali di varia completezza e accuratezza: da fotografie e DEM; basato su fotografie e TsKM; da fotografie e DTM.

Lo sviluppo di un sistema esperto per la formazione del contenuto del PMM dovrebbe fornire una soluzione ai problemi di progettazione di immagini spaziali selezionando la composizione dell'oggetto, la sua generalizzazione e simbolizzazione e visualizzandola sullo schermo del display nella proiezione cartografica richiesta. In questo caso, sarà necessario sviluppare una metodologia per descrivere non solo i segni convenzionali, ma anche le relazioni spazio-logiche tra di essi.

La soluzione al problema di sviluppare metodi per organizzare i dati digitali nella banca PMM e i principi per costruire la banca PMM è determinata dalle specifiche delle immagini spaziali, dai formati di presentazione dei dati. È del tutto possibile che sarà necessario creare una banca spazio-temporale con modellazione quadridimensionale (X, Y, H, t), dove i PMM verranno generati in tempo reale.

Strumenti hardware e software per la visualizzazione e l'analisi del PMM

Il secondo problema è sviluppo di hardware e software visualizzazione e analisi del PMM digitale. La soluzione a questo problema comporta:

Sviluppo di mezzi tecnici per la visualizzazione e l'analisi del PMM;
- sviluppo di metodi per la risoluzione di problemi computazionali.

Sviluppo di hardware e software la visualizzazione e l'analisi del PMM digitale richiederà l'utilizzo di postazioni grafiche esistenti, per le quali dovrà essere realizzato un apposito software (SW).

Sviluppo di metodi per la risoluzione di problemi computazionaliè un problema applicato che sorge nel processo di utilizzo del PMM digitale per scopi pratici. La composizione e il contenuto di queste attività saranno determinati da specifici consumatori di PMM.

CAPITOLO 1 ANALISI DEI METODI E DEI SISTEMI ESISTENTI PER L'ELABORAZIONE E IL RICONOSCIMENTO DI OGGETTI DINAMICI DA SEQUENZE DI IMMAGINI.

1.1 L'immagine come portatrice di informazioni eterogenee.

1.2 Classificazione dei problemi di riconoscimento delle immagini.

1.3 Classificazione dei metodi di stima del moto.

1.3.1 Analisi dei metodi comparativi per la valutazione del movimento.

1.3.2 Analisi dei metodi del gradiente per la stima del moto.

1.4 Classificazione dei gruppi di segni.

1.5 Analisi di metodi per la segmentazione di oggetti in movimento.

1.6 Metodi per interpretare gli eventi e determinare il genere di una scena.

1.7 Sistemi di elaborazione e riconoscimento di oggetti dinamici.

1.7.1 Sistemi hardware e software commerciali.

1.7.2 Sistemi software sperimentali e di ricerca.

1.8 Enunciazione del problema dell'elaborazione spazio-temporale delle sequenze di immagini.

1.9 Conclusioni sul cap.

CAPITOLO 2 MODELLI DI ELABORAZIONE E RICONOSCIMENTO DI IMMAGINI STATICHE E DINAMICHE.

2.1 Modello di elaborazione e riconoscimento di immagini statiche.

2.2 Modello di elaborazione e riconoscimento di immagini dinamiche.

2.3 Teoria descrittiva del riconoscimento delle immagini.

2.4 Estensione della teoria descrittiva del riconoscimento delle immagini.

2.5 Modelli generalizzati per la ricerca di caratteristiche target nell'elaborazione e nel riconoscimento di oggetti dinamici in scene complesse

2.6 Conclusioni sul cap.

CAPITOLO 3 RICERCA E VALUTAZIONE DELLE CARATTERISTICHE LOCALI DEL MOVIMENTO5 DELLE REGIONI DINAMICHE.119

3.1 Condizioni e limiti del metodo migliorato per l'elaborazione di sequenze di immagini.

3.2 Valutazione dei segni locali di movimento.

3.2.1 Fase di inizializzazione.

3.2.2 Stima del volume spazio-temporale dei dati.

3.2.3 Classificazione delle regioni dinamiche.

3.3 Metodi per trovare moti locali di regioni.

3.3.1 Trovare e tracciare i punti chiave nella scena.

3.3.2 Stima del moto basata sul tensore di flusso 3D.

3.4 Affinamento dei confini delle regioni in movimento.

3.5 Conclusioni sul cap.

CAPITOLO 4 SEGMENTAZIONE DI OGGETTI DINAMICI IN SCENE COMPLESSE.

4.1 Modello di movimento multilivello in scene complesse.

4.2 Modelli per la stima del movimento su un piano.

4.3 Indagine sulle proprietà del gruppo di Lie.

4.4 Isomorfismi e omomorfismi di un gruppo.

4.5 Modello della preistoria del movimento degli oggetti in sequenze di immagini.

4.6 Segmentazione di una scena complessa in oggetti spaziali.

4.6.1 Presegmentazione.

4.6.2 Segmentazione.

4.6.3 Post-segmentazione.

4.7 Visualizzazione della ST del movimento del punto nelle sequenze video.

4.8 Conclusioni sul cap.

CAPITOLO 5 RICONOSCIMENTO DI OGGETTI DINAMICI, AZIONI ATTIVE ED EVENTI DI UNA SCENA COMPLESSA.

5.1 Costruzione della grammatica contestuale:.

5.1.1 Formazione di alberi di analisi.

5.1.2 Analisi sintattica di una sequenza di immagini.

5.1.3 Analisi sintattica della scena.

5.2 Costruire un operatore video per una scena complessa.

5.3 Riconoscimento di modelli dinamici.

5.4 Riconoscimento degli eventi di scena.

5.4.1 Modo per rilevare le azioni attive.

5.4.2 Creazione di un videografo di eventi.

5.5 Riconoscimento di eventi e genere di scena.

5.5.1 Riconoscimento evento scena.

5.5.2 Riconoscimento del genere della scena.

5.6 Conclusioni sul cap.

CAPITOLO 6 COSTRUZIONE DI SISTEMI DI ELABORAZIONE E RICONOSCIMENTO DI SEQUENZE DI IMMAGINI E STUDI SPERIMENTALI.

6.1 Complesso software sperimentale "ZROEYA".

6.2 Funzionamento dei moduli del sistema sperimentale "EROEI.".

6.2.1 Modulo di preelaborazione.".

6.2.2 Modulo di stima del moto.

6.2.3 Modulo segmentazione.

6.2.4 Modulo riconoscimento oggetti.

6.2.5 Modulo riconoscimento azioni attive.

6.3 Risultati di studi sperimentali.

6.4 Progetto applicativo "Immatricolazione visiva delle targhe statali dei veicoli nel traffico a più flussi".

6.5 Progetto applicativo "Sistema di identificazione per immagini di modelli di banchi frigoriferi".

6.6 Sistema software “Algoritmi per l'elaborazione e la segmentazione delle immagini del paesaggio. Identificazione degli oggetti".

6.7 Conclusioni sul cap.

Elenco delle dissertazioni consigliate

Ricostruzione dell'immagine basata sull'analisi spaziotemporale di sequenze video 2011, candidato di scienze tecniche Damov, Mikhail Vitalievich
Metodo computerizzato per la localizzazione del volto nelle immagini in condizioni di illuminazione difficili 2011, Candidato di scienze tecniche Pakhirka, Andrey Ivanovich
Un metodo per l'elaborazione spazio-temporale di sequenze video non sincronizzate nei sistemi di visione stereo 2013, Ph.D. Pyankov, Dmitry Igorevich
Teoria e metodi dell'analisi morfologica dell'immagine 2008, dottore in scienze fisiche e matematiche Visilter, Yuri Valentinovich
Riconoscimento di gesti dinamici in un sistema di visione artificiale basato sulla rappresentazione mediale della forma delle immagini 2012, Ph.D. Kurakin, Alexey Vladimirovich

Introduzione alla tesi (parte dell'abstract) sul tema "Modelli e metodi per il riconoscimento di immagini dinamiche basate sull'analisi spaziotemporale di sequenze di immagini"

Esiste una classe di compiti in cui le informazioni sulla struttura e il movimento degli oggetti di una scena complessa sono di particolare importanza (videosorveglianza in spazi chiusi, in luoghi affollati, controllo del movimento di complessi robotici, monitoraggio del movimento dei veicoli, eccetera.). Le sequenze di immagini sono una risorsa informativa complessa che è strutturata nello spazio e nel tempo e combina le informazioni iniziali sotto forma di segnali multidimensionali, la forma della sua rappresentazione in un computer e modelli fisici di oggetti, fenomeni e processi dinamici. Le nuove capacità tecniche dell'elaborazione delle immagini digitali consentono di tenere parzialmente conto di tali specificità delle immagini, utilizzando contemporaneamente i risultati della teoria cognitiva della percezione umana delle immagini visive.

L'analisi del volume spazio-temporale dei dati consente di identificare non solo le caratteristiche statiche, ma anche dinamiche degli oggetti di osservazione. In questo caso, il problema di riconoscimento può essere definito come una classificazione di insiemi di stati o come una classificazione di traiettorie, la cui soluzione non può essere trovata con metodi classici di riconoscimento, perché le transizioni temporali possono generare trasformazioni di immagini che non sono descritte da dipendenze analitiche note; Inoltre, oltre al compito di riconoscere oggetti dinamici, ci sono compiti di riconoscimento di azioni ed eventi attivi, ad esempio, per rilevare azioni non autorizzate in luoghi affollati o per determinare il genere di una scena per l'indicizzazione in database multimediali. Se consideriamo il compito di riconoscere oggetti ed eventi da sequenze di immagini come un unico processo, allora il più appropriato è un approccio gerarchico con elementi di elaborazione parallela a ogni livello.

Il miglioramento dei mezzi tecnici per la raccolta e la riproduzione di informazioni sotto forma di immagini statiche (foto) e sequenze video richiede un ulteriore sviluppo di metodi e algoritmi per la loro elaborazione, analisi delle situazioni e riconoscimento degli oggetti rappresentati. La prima formulazione teorica del problema del riconoscimento delle immagini risale al 1960-1970. e si riflette in una serie di opere di autori noti. La formulazione di un problema di riconoscimento dell'immagine può variare dal problema di riconoscimento dell'oggetto stesso, dai problemi di analisi della scena ai problemi di comprensione dell'immagine e ai problemi di visione artificiale. Allo stesso tempo, i sistemi decisionali intelligenti basati su metodi di riconoscimento di modelli e immagini utilizzano informazioni di input di tipo complesso. Include sia immagini ottenute in un'ampia gamma di onde dello spettro elettromagnetico (ultravioletto, visibile, infrarosso, ecc.), sia informazioni sotto forma di immagini sonore e dati sulla posizione. Nonostante la diversa natura fisica, tali informazioni possono essere rappresentate sotto forma di immagini reali di oggetti e immagini specifiche. I dati radiometrici sono immagini piatte di una scena presentata in prospettiva o in proiezione ortogonale. Si formano misurando l'intensità delle onde elettromagnetiche di un certo intervallo spettrale, riflesse o emesse dagli oggetti nella scena. Di solito vengono utilizzati dati fotometrici misurati nell'intervallo spettrale visibile - immagini monocromatiche (luminosità) * oa colori: i dati di posizione sono le coordinate spaziali dei punti osservati della scena. Se le coordinate vengono misurate per tutti i punti della scena, allora un tale array di dati sulla posizione può essere chiamato un'immagine della profondità della scena. Esistono modelli di immagine semplificati (ad esempio, modelli di proiezione affine, rappresentati da proiezioni a bassa prospettiva, paraprospettiche, ortogonali e parallele), in cui la profondità della scena è considerata un valore costante e l'immagine della posizione della scena non non trasportare informazioni utili. In questo caso, le informazioni sonore hanno un carattere di evento ausiliario.

I dati fotometrici vengono misurati più rapidamente. Le informazioni sulla posizione vengono generalmente calcolate dai dati ricevuti da dispositivi speciali(ad esempio, un telemetro laser, radar) o utilizzando un metodo stereoscopico per analizzare le immagini di luminosità. A causa delle difficoltà di ottenere rapidamente i dati sulla posizione (soprattutto per scene con una forma di oggetti visivi che cambia rapidamente), prevalgono i compiti di descrivere una scena da una singola immagine visiva, ad es. compiti di percezione visiva monoculare della scena. Nel caso generale, è impossibile determinare completamente la geometria della scena da una singola immagine. Solo con alcune restrizioni per scene modello abbastanza semplici e la disponibilità di informazioni a priori sulla disposizione spaziale degli oggetti, è possibile costruire una descrizione tridimensionale completa da una singola immagine. Una delle vie d'uscita da questa situazione è l'elaborazione e l'analisi delle sequenze video ricevute da una o più telecamere installate immobili o in movimento nello spazio.

Pertanto, le immagini sono la principale forma di rappresentazione delle informazioni sul mondo reale ed è necessario un ulteriore sviluppo di metodi per la trasformazione e l'analisi semantica sia delle singole immagini che delle sequenze video. Una delle direzioni più importanti nello sviluppo di tali sistemi intelligenti è l'automazione della scelta dei metodi per descrivere e trasformare le immagini, tenendo conto della loro natura informativa e degli obiettivi di riconoscimento già nelle fasi iniziali dell'elaborazione delle immagini.

Il primo lavoro di ricercatori degli Stati Uniti (Louisiana State University, Carnegie Mellon University, Pittsburgh), Svezia ("Computational Vision and Active Perception Laboratory (CVAP), Department of Numerical Analysis and Computer Science), Francia (INRIA), Gran Bretagna ( University of Leeds), Germania (University of Karlsruhe), Austria (University of Queensland), Giappone, Cina (School of Computer Science, Fudan University) sull'elaborazione di sequenze di immagini e il riconoscimento dinamico di oggetti sono stati pubblicati alla fine degli anni '80 Successivamente, sono iniziati lavori simili apparire e in Russia: a Mosca (MGU, MAI (STU), MIPT, GosNII AS), San Pietroburgo (SPbSU, GUAP, FSUE GOI, LOMO), Ryazan (RGRTU), Samara (SSAU), Voronezh (VSU) , Yaroslavl (YarSU), Kirov (VSU), Taganrog (TTI SFU), Novosibirsk (NSU), Tomsk (TSPU), Irkutsk (IrSU), Ulan-Ude (ESTU) e altre città in quest'area, come Accademico della Accademia Russa delle Scienze, Dottore in Scienze Tecniche Yu. I. Zhuravlev, Membro corrispondente dell'Accademia russa delle scienze, dottore in scienze tecniche V. A. Soifer, dottore in scienze tecniche N. G. Zagoruiko, dottore in scienze tecniche L. M. Mestetsky, dottore in scienze tecniche B. A. Alpatov e altri Ad oggi, sono stati compiuti progressi significativi nella costruzione di sistemi di videosorveglianza, sistemi di autenticazione dell'identità basati su immagini, ecc. Tuttavia, ci sono problemi irrisolti nel riconoscimento di immagini dinamiche a causa della complessità e della diversità del comportamento degli oggetti nel mondo reale. Pertanto, questa direzione deve migliorare modelli, metodi e algoritmi per il riconoscimento di oggetti ed eventi dinamici da sequenze di immagini in diverse gamme di radiazioni elettromagnetiche, che consentiranno di sviluppare sistemi di videosorveglianza a un livello qualitativamente nuovo.

Lo scopo del lavoro di tesi è aumentare l'efficienza del riconoscimento di oggetti dinamici, le loro azioni ed eventi attivi in scene complesse mediante sequenze di immagini per sistemi di videosorveglianza all'aperto e al chiuso.

L'obiettivo stabilito ha determinato la necessità di risolvere i seguenti compiti:

Analizzare metodi per stimare il movimento e trovare segni di movimento di oggetti da un insieme di immagini sequenziali, metodi per segmentare oggetti dinamici e analisi semantica di scene complesse, nonché approcci alla costruzione di sistemi per riconoscere e tracciare oggetti dinamici di vari scopo designato.

Sviluppare modelli per il riconoscimento di immagini statiche e dinamiche basati su una procedura gerarchica per l'elaborazione di serie temporali, in particolare sequenze di immagini.

Sviluppare un metodo per stimare il movimento di strutture dinamiche basato su informazioni spaziotemporali ottenute in diversi intervalli di radiazione elettromagnetica, che consenta di scegliere metodi di segmentazione a seconda della natura del movimento e, quindi, eseguire il riconoscimento adattivo delle immagini dinamiche.

Creare un modello di movimento multilivello di strutture dinamiche in una scena complessa, che consenta, sulla base dei dati odometrici ottenuti, di costruire traiettorie di movimento di strutture dinamiche e avanzare ipotesi sull'esistenza di oggetti visivi basati sull'analisi della preistoria di movimenti.

Sviluppare un complesso algoritmo di segmentazione che tenga conto dell'insieme di caratteristiche identificate di strutture dinamiche per direzioni di movimento arbitrarie e sovrapposizione di proiezioni di oggetti, basato su un modello di movimento multilivello in scene complesse.

Sviluppare un metodo per riconoscere le immagini dinamiche presentate in termini di una grammatica formale e un videografo di scena basato sul metodo del processo decisionale collettivo, nonché metodi per riconoscere azioni ed eventi attivi in una scena complessa utilizzando grafici di azioni ed eventi attivi (estendendo il videografo di una scena complessa) e una rete bayesiana.

Sulla base dei metodi e dei modelli sviluppati, progettare sistemi sperimentali per vari scopi; progettato per l'elaborazione di sequenze di immagini di oggetti caratterizzate da un insieme fisso e arbitrario di 2^-proiezioni e -riconoscimento di immagini dinamiche c. scene difficili.

Metodi, ricerca. Durante l'esecuzione del lavoro di tesi, sono stati utilizzati metodi di teoria del riconoscimento del modello, teoria descrittiva del riconoscimento dell'immagine, teoria dell'elaborazione del segnale, metodi di analisi vettoriale e calcolo tensoriale, nonché teoria dei gruppi, teoria delle grammatiche formali.

La novità scientifica del lavoro di tesi è la seguente:

1. È stato costruito un nuovo modello dinamico di trasformazione dell'immagine, che si distingue per livelli gerarchici estesi di segmentazione (secondo vettori di movimento locali e globali) e riconoscimento (di oggetti e delle loro azioni attive), che consente di trovare caratteristiche target per scene statiche con oggetti in movimento e scene dinamiche basate sul concetto di massima invariante dinamica.

2. La teoria descrittiva del riconoscimento delle immagini è stata ampliata introducendo quattro nuovi principi: tenere conto dell'obiettivo del riconoscimento nelle fasi iniziali dell'analisi, riconoscimento del comportamento degli oggetti dinamici, stima della preistoria, un numero variabile di oggetti di osservazione, che migliora la qualità del riconoscimento degli oggetti in movimento aumentando il contenuto informativo dei dati iniziali.

3. Per la prima volta è stato sviluppato un metodo spaziotemporale adattivo per la stima del movimento in sequenze sincrone delle gamme visibili e infrarosse della radiazione elettromagnetica, che consente di estrarre segni di movimento a vari livelli gerarchici, combinando i vantaggi di entrambi i tipi di sequenze di immagini.

4. È stato sviluppato un nuovo modello di movimento multilivello; permettendo di scomporre la scena in livelli separati; non > limitato; divisione generalmente accettata in primo piano e sfondo, che consente una segmentazione più affidabile delle immagini degli oggetti in; complesse scene prospettiche.

5: giustificato? e costruito; nuovo; algoritmo generalizzato per la segmentazione di oggetti dinamici; con, applicando, un insieme di caratteristiche^ comprese le storie comportamentali; e consente di tracciare sia la dinamica dei singoli oggetti visivi sia l'interazione degli oggetti nella scena (proiezioni sovrapposte; la comparsa/scomparsa di oggetti dal campo visivo del sensore video) sulla base delle trasformazioni di gruppo; e la prima analisi proposta della parte comune delle proiezioni degli oggetti (da due frame adiacenti) utilizzando stime integrali e invarianti.

6. Viene modificato il metodo del processo decisionale collettivo, che differisce nel trovare segni di proiezioni inter-frame di un oggetto e consente di tenere conto della storia delle osservazioni per riconoscere azioni ed eventi attivi basati sulla rete bayesiana, e anche quattro tipi di pseudo-distanze sono proposte per trovare una misura di somiglianza v di immagini dinamiche con immagini dinamiche di riferimento in funzione della rappresentazione delle caratteristiche dinamiche.

Significato pratico. I metodi e gli algoritmi proposti nel lavoro di tesi sono destinati all'uso pratico nel monitoraggio dei veicoli nel traffico a più corsie nell'ambito del progetto statale Safe City, nei sistemi di controllo automatizzato per vari processi di produzione tecnologica mediante sequenze video, nei sistemi di videosorveglianza all'aperto e videosorveglianza interna, nonché nei sistemi per l'identificazione di oggetti su fotografie aeree e il riconoscimento di immagini di paesaggi. Sulla base della ricerca di dissertazione, sono stati sviluppati sistemi software per l'elaborazione e il riconoscimento di oggetti dinamici utilizzati in vari campi di attività.

Implementazione dei risultati del lavoro. I programmi sviluppati sono registrati nel registro russo dei programmi per computer: il programma "Segmentazione di immagini di testo scritto a mano (SegPic)" (certificato n. 2008614243, Mosca, 5 settembre 2008); Programma di stima del movimento (certificato n. 2009611014, Mosca, 16 febbraio 2009); programma "Localizzazione del volto (FaceDetection)" (certificato n. 2009611010, Mosca, 16 febbraio 2009); il programma "Sistema per l'imposizione di effetti visivi naturali su un'immagine statica (imitazione di effetti naturali)" (certificato n. 2009612794, Mosca, 30 luglio 2009); programma "Rilevamento visivo del fumo (SmokeDetection)" (certificato n. 2009612795, Mosca, 30 luglio 2009); "Programma per la registrazione visiva delle targhe statali dei veicoli durante il traffico multi-thread (FNX CTRAnalyzer)" (certificato n. 2010612795, Mosca, 23 marzo 2010), programma "Miglioramento dell'immagine non lineare" (certificato n. 2010610658, g. Mosca , 31 marzo 2010

Sono stati ricevuti atti sul trasferimento e l'uso di algoritmi e software per il riconoscimento di casse frigorifere su una catena di montaggio (OJSC KZH Biryusa, Krasnoyarsk), per l'identificazione di immagini di oggetti su immagini di paesaggi (Concern of Radio Engineering Vega, OJSC KB Luch, Rybinsk, Yaroslavl regione), per segmentare la vegetazione forestale mediante una serie di fotografie aeree consecutive (LLC Altex Geomatica, Mosca), per rilevare le targhe delle targhe statali dei veicoli nelle sequenze video durante il traffico multi-stream e migliorare la qualità della loro visualizzazione ^ (UGIBDD GUVD per Territorio di Krasnojarsk, Krasnojarsk).

Gli algoritmi e il software sviluppati vengono utilizzati nel processo educativo durante lo svolgimento di lezioni nelle discipline "Intelligent Data Processing", "Computer Technologies in Science and Education", "Theoretical Foundations of Digital Image Processing", "Pattern Recognition", "Neural Networks" , "Algoritmi di elaborazione delle immagini", "Algoritmi per l'elaborazione di sequenze video", "Analisi della scena e visione artificiale" presso la Siberian State Aerospace University intitolata all'accademico M.F. Reshetnev (SibGAU).

L'affidabilità dei risultati ottenuti nel lavoro di tesi è assicurata dalla correttezza dei metodi di ricerca utilizzati, dal rigore matematico delle trasformazioni eseguite, nonché dalla corrispondenza delle disposizioni e delle conclusioni formulate ai risultati della loro verifica sperimentale.

Le principali disposizioni per la difesa:

1. Un modello per l'elaborazione e il riconoscimento di immagini dinamiche in scene complesse, notevolmente ampliato da livelli gerarchici di segmentazione e riconoscimento non solo degli oggetti, ma anche delle loro azioni attive.

2. Estensione della teoria descrittiva del riconoscimento di immagini per serie temporali (sequenze di immagini) aumentando il contenuto informativo dei dati analizzati non solo nel dominio spaziale, ma anche nella componente temporale.

3. Metodo spazio-temporale adattivo per la stima del moto su. sulla base di rappresentazioni tensoriali dei volumi IS locali in sequenze sincrone delle gamme visibili e infrarosse della radiazione elettromagnetica.

4. Un modello di movimento multilivello in scene complesse, che espande la scomposizione delle scene prospettiche in livelli separati per un'analisi più affidabile delle traiettorie di movimento degli oggetti.

5. Un algoritmo di segmentazione generalizzata per oggetti dinamici che consente, sulla base delle trasformazioni di gruppo e delle stime integrali e invarianti proposte, di identificare le proiezioni di oggetti sovrapposti, la comparsa/scomparsa di oggetti dal campo visivo del sensore video.

6. Metodi per riconoscere immagini dinamiche basate su un metodo modificato di decisione collettiva e trovare pseudo-distanze in spazi metrici, così come azioni ed eventi attivi in scene complesse.

Approvazione del lavoro. Le principali disposizioni e i risultati della ricerca di tesi sono stati riportati e discussi alla 10a conferenza internazionale "Pattern Recognition and Image Analysis: Modern Information Technologies", (S.-Petersburg, 2010), il congresso internazionale "Ultra Modern Telecommunications and Control Systems ICUMT2010" (Mosca, 2010) ; XII International Symposium on Nonparametric Methods in Cybernetics and System Analysis (Krasnoyarsk, 2010), II International Symposium "Intelligent Decision-Technologies - IDT 2010" (Baltimore, 2010), III International Conference. "Automazione, controllo? and Information Technology - AOIT-ICT"2010" (Novosibirsk, 2010), 10a, 11a e 12a conferenza e mostra internazionale "Digital signal processing and its application" (Mosca, 2008 - 2010), X conferenza scientifica e tecnica internazionale "Theoretical and problemi applicati delle moderne tecnologie dell'informazione" (Ulan-Ude, 2009), IX conferenza scientifica e tecnica internazionale "Cybernetics and high technologies of the XXI century" (Voronezh, 2008), conferenza tutta russa "Modelli e metodi di elaborazione delle immagini" (Krasnoyarsk , 2007), alle X, XI e XIII conferenze scientifiche internazionali “Letture di Reshetnev” (Krasnoyarsk, 2006, 2007, 2009), nonché a seminari scientifici Università Statale Strumentazione aerospaziale (San Pietroburgo, 2009), Institute for Computational Modeling of CO

RAS (Krasnoyarsk, 2009), Istituto dei sistemi di elaborazione delle immagini RAS (Samara, 2010).

Pubblicazioni. Secondo i risultati della ricerca di tesi, 53 opera stampata, di cui 1 monografia, 26 articoli (di cui 14 articoli - in pubblicazioni incluse nell'elenco di VAK, 2 articoli - in pubblicazioni elencate nel "Thomson Reuters: Science Citation Index Expanded / Conference Proceedings Citation Index"), 19 abstract, 7 certificati registrati nel registro russo dei programmi per computer, oltre a 3 rapporti di ricerca.

Contributo personale. Tutti i principali risultati presentati nella dissertazione, compresa la formulazione dei problemi e le loro soluzioni matematiche e algoritmiche, sono stati ottenuti dall'autore personalmente, o eseguiti sotto la sua supervisione scientifica e con la diretta partecipazione. Sulla base dei materiali del lavoro, sono state difese due dissertazioni per il grado di candidato in scienze tecniche, durante le quali l'autore era il relatore ufficiale.

Struttura del lavoro. L'opera si compone di introduzione, sei capitoli, conclusione, bibliografia. Il testo principale della dissertazione contiene 326 pagine, la presentazione è illustrata da 63 figure e 23 tabelle. L'elenco bibliografico comprende 232 titoli.

Tesi simili nella specialità "Fondamenti teorici dell'informatica", 05.13.17 codice HAC

Algoritmi combinati per la selezione operativa di oggetti in movimento in una sequenza di fotogrammi video basati sul metodo del differenziale locale per il calcolo del flusso ottico 2010, candidato di scienze tecniche Kazakov, Boris Borisovich
Metodi per la stabilizzazione di sequenze video di scene statiche e dinamiche complesse nei sistemi di videosorveglianza 2014, candidato di scienze tecniche Buryachenko, Vladimir Viktorovich
Metodo e sistema per l'elaborazione di immagini mediche dinamiche 2012, candidato di scienze tecniche Maryaskin, Evgeny Leonidovich
Riconoscimento di tutti gli aspetti di immagini radar di oggetti terrestri (superficiali) con segmentazione dello spazio delle caratteristiche in zone di quasi invarianza 2006, candidato di scienze tecniche Matveev, Alexey Mikhailovich
Metodi e algoritmi per il rilevamento di caratteri di testo sovrapposti in sistemi di riconoscimento di immagini con struttura di sfondo complessa 2007, Candidato di scienze tecniche Zotin, Alexander Gennadievich

Conclusione della dissertazione sul tema "Fondamenti teorici dell'informatica", Favorskaya, Margarita Nikolaevna

6.7 Conclusioni del capitolo

In questo capitolo, vengono considerate in dettaglio la struttura e le funzioni principali del complesso software sperimentale "ZROEL", v.1.02, che esegue l'elaborazione gerarchica sistemica di sequenze di immagini fino ai più alti livelli di riconoscimento di oggetti ed eventi. sistema automatizzato, che richiede la partecipazione umana per la formazione e la messa a punto di grafici, reti e classificatori. Un certo numero di moduli di sistema di basso livello funzionano automaticamente. La struttura del pacchetto software è tale che è possibile modificare i moduli senza influire sugli altri moduli del sistema. Rappresentato diagrammi funzionali i moduli principali del sistema: modulo, preprocessing, modulo di stima del movimento, modulo di segmentazione, modulo di riconoscimento degli oggetti e modulo di riconoscimento delle azioni attive.

Studi sperimentali basati su questo pacchetto software sono stati condotti su diverse sequenze video e sequenze a infrarossi dal database di test OTCBVS^07, sulle sequenze video di test del taxi di Amburgo, cubo di Rubik. "Silent", così come sul proprio materiale video. Sono stati testati cinque metodi di stima del movimento. È stato dimostrato sperimentalmente che il metodo di corrispondenza dei blocchi e il metodo di sequenza infrarosso proposto mostrano valori simili e sono i meno accurati. Il metodo proposto per la sequenza video e il metodo per le caratteristiche del punto di tracciamento mostrano risultati simili. Allo stesso tempo, l'approccio tensoriale sviluppato richiede una minore quantità di calcoli al computer rispetto al metodo delle caratteristiche del punto di tracciamento. È opportuno utilizzare l'uso congiunto di sequenze video sincronizzate e sequenze infrarosse per trovare il modulo del vettore velocità in condizioni di ridotta illuminazione della scena.

Per riconoscere gli oggetti visivi, sono stati utilizzati quattro tipi di pseudo-distanze (Hausdorff, Gromov-Hausdorff, Fréchet pseudo-distanza, pseudo-distanza naturale) per trovare una misura della somiglianza delle immagini dinamiche di input con le immagini dinamiche di riferimento (a seconda della presentazione di una caratteristica dinamica: un insieme di caratteristiche numeriche, insiemi di vettori, insiemi di funzioni). Hanno dimostrato la loro validità per immagini con trasformazioni morfologiche ammissibili. Abbiamo utilizzato stime normalizzate integrate della forma del contorno Kc della parte comune della proiezione dell'oggetto tra fotogrammi condizionalmente adiacenti e l'area della parte comune 5e e una stima invariante - la funzione di correlazione delle parti comuni del proiezioni Fcor. L'uso di un metodo modificato di processo decisionale collettivo consente di "scartare" osservazioni non riuscite di immagini di input (casi di proiezioni sovrapposte di oggetti, distorsione della scena da fonti di illuminazione, ecc.) e selezionare le osservazioni più appropriate. Gli esperimenti hanno dimostrato che l'uso di un metodo modificato del processo decisionale collettivo aumenta l'accuratezza del riconoscimento in media del 2,4-2,9%.

Risultati sperimentali di valutazione del movimento, segmentazione e riconoscimento di oggetti sono stati ottenuti su sequenze di immagini di prova ("Hamburg taxi", "Rubik cube". "Silent", sequenze video e sequenze a infrarossi dal database di prova "OTSVVS" 07). database di test "ANIMALI DOMESTICI", "CAVIAR", "VACE". La natura della sequenza visiva del test influisce sulle prestazioni. Gli oggetti che eseguono il movimento rotatorio sono riconosciuti peggio ("cubo di Rubik"), meglio - oggetti artificiali di piccole dimensioni ("Taxi di Amburgo", "Video 1"). I migliori risultati sono mostrati dal riconoscimento di due sequenze. Inoltre, i migliori risultati sperimentali sono stati raggiunti quando si riconoscono azioni attive periodiche di persone non in gruppo (camminare, correre, alzare le mani). I falsi positivi sono dovuti alla presenza di ombre in diversi punti della scena.

Alla fine* del sesto capitolo, sono stati applicati "progetti come" Registrazione visiva delle targhe statali dei veicoli nel traffico multi-thread "," Sistema per l'identificazione di modelli di custodie per frigoriferi tramite immagini "," Algoritmi per l'elaborazione della segmentazione i, immagini del paesaggio. Identificazione di oggetti ". Algoritmo e. software è stato trasferito alle organizzazioni interessate: i risultati dell'operazione di test hanno mostrato l'operabilità del software sviluppato sulla base dei modelli e dei metodi proposti nel lavoro di tesi.

CONCLUSIONE

Nel lavoro di tesi è stato posto e risolto un importante problema scientifico e tecnico dell'elaborazione di dati spazio-temporali ottenuti da sequenze delle gamme visibili e infrarosse della radiazione elettromagnetica e del riconoscimento di immagini dinamiche in scene complesse. Il sistema di metodi gerarchici per l'elaborazione e l'estrazione di caratteristiche da dati spazio-temporali è una base metodologica per risolvere problemi applicati nel campo della videosorveglianza.

L'introduzione sostanzia la pertinenza del lavoro di dissertazione, formula il fine e fissa gli obiettivi della ricerca, mostra la novità scientifica e il valore pratico della ricerca svolta, e presenta i principali provvedimenti sottoposti alla difesa.

Il primo capitolo mostra che gli oggetti visivi nelle sequenze video sono caratterizzati da un vettore di caratteristiche più multidimensionale rispetto alle immagini nella formulazione classica del problema del riconoscimento di immagini statiche.

Viene costruita una classificazione dei principali tipi di problemi di riconoscimento per immagini statiche, scene statiche con elementi di movimento e sequenze di immagini, che riflette la natura storica dello sviluppo dei metodi matematici in quest'area. È stata effettuata un'analisi dettagliata dei metodi di stima del movimento, degli algoritmi di segmentazione per gli oggetti in movimento e dei metodi per interpretare gli eventi in scene complesse.

Vengono presi in considerazione i sistemi hardware e software commerciali esistenti in aree quali il monitoraggio dei veicoli per vari scopi, l'elaborazione di materiali video sportivi, la sicurezza (riconoscimento facciale, ingresso non autorizzato di persone in un'area protetta) e vengono analizzati anche gli sviluppi della ricerca per i sistemi di videosorveglianza.

Alla fine del capitolo 1, viene presentata la formulazione del problema dell'elaborazione spaziotemporale delle sequenze di immagini, presentata sotto forma di tre livelli e cinque fasi di elaborazione e riconoscimento delle informazioni visive dalle sequenze di immagini.

Nel secondo capitolo della dissertazione vengono sviluppati modelli formali per l'elaborazione e il riconoscimento di oggetti in base alle loro immagini statiche e sequenze di immagini. Le mappature ammissibili sono costruite nello spazio delle immagini e nello spazio delle caratteristiche per il problema diretto e il problema inverso. Vengono fornite regole per la costruzione di funzioni decisionali invarianti e un invariante dinamico massimo generalizzato. Durante il riconoscimento, le traiettorie di diverse immagini nello spazio multidimensionale delle caratteristiche possono intersecarsi. Quando le proiezioni degli oggetti si intersecano, trovare un invariante dinamico massimo generalizzato diventa ancora più difficile, e in alcuni casi addirittura impossibile.

Vengono considerati i principi di base della teoria descrittiva del riconoscimento delle immagini, che si basa su metodi regolari per selezionare e sintetizzare procedure algoritmiche per l'elaborazione delle informazioni nel riconoscimento delle immagini. Vengono proposti principi aggiuntivi che espandono la teoria descrittiva per le immagini dinamiche: tenendo conto dell'obiettivo di riconoscimento nelle fasi iniziali dell'elaborazione della sequenza di immagini, riconoscimento di situazioni comportamentali di oggetti dinamici, stima della preistoria di oggetti dinamici, un numero variabile di oggetti di osservazione in scene complesse.

Viene considerato in dettaglio il problema della ricerca delle caratteristiche del bersaglio per l'analisi delle sequenze di immagini in funzione del tipo di ripresa (nel caso di ripresa ad angolo singolo), del movimento del sensore video e della presenza di oggetti in movimento nella zona di visibilità. Man mano che l'attività diventa più complessa, vengono fornite le descrizioni di quattro situazioni nello spazio delle caratteristiche.

Il terzo capitolo formula le fasi di elaborazione di sequenze di immagini e riconoscimento di oggetti, azioni attive, eventi e genere di scena. Le fasi riflettono la natura gerarchica sequenziale dell'elaborazione delle informazioni visive. Vengono inoltre presentate le condizioni e le limitazioni dei metodi gerarchici per l'elaborazione spaziotemporale delle sequenze di immagini.

La classificazione delle regioni dinamiche dell'immagine viene eseguita analizzando gli autovalori 31) del tensore strutturale, i cui autovettori sono determinati dagli spostamenti locali delle intensità dell'immagine dei fotogrammi vicini e vengono utilizzati per stimare gli orientamenti locali delle regioni dinamiche. Viene confermato un nuovo metodo per stimare il movimento nel volume spazio-temporale di dati nelle gamme di radiazione visibile e infrarossa basato sull'approccio tensoriale. Viene considerata la possibilità di utilizzare un kernel spazialmente variabile, adattabile alla dimensione e all'orientamento dell'ambiente puntuale. L'adattamento dell'ambiente, che inizialmente ha la forma di un cerchio, per poi assumere la forma di un'ellisse orientata dopo 2-3 iterazioni, migliora la valutazione delle strutture orientate nell'immagine. Tale strategia migliora le stime del gradiente nel set di dati spaziotemporali.

La stima dei parametri di moto locale viene eseguita calcolando primitive geometriche e punti singolari della regione locale. Pertanto, la valutazione dei segni locali del movimento delle regioni è la base per avanzare successive ipotesi che gli oggetti visivi appartengano all'una o all'altra classe. L'uso di sequenze video sincrone e sequenze a infrarossi migliora i risultati della segmentazione delle regioni in movimento nell'immagine e la ricerca di vettori di movimento locali.

È dimostrato che i confini nelle immagini a colori possono essere stimati sulla base di metodi di gradiente multidimensionali costruiti in tutte le direzioni in ogni punto del confine, metodi vettoriali che utilizzano statistiche di ordine su un'immagine a colori, nonché utilizzando un approccio tensoriale nel quadro di multidimensionale metodi del gradiente. I modi per perfezionare le informazioni sui contorni sono essenziali per le regioni con importo arbitrario proiezioni consentite.

Nel quarto capitolo viene costruito un modello di movimento multilivello basato su strutture di movimento, che riflette la dinamica degli oggetti nelle scene reali ed espande la rappresentazione a due livelli della scena, suddivisa in oggetti di interesse e uno sfondo fisso.

Vengono studiati modelli di moto di oggetti su un piano basati sulla teoria dei gruppi di Lie compatti. Vengono presentati modelli per la trasformazione proiettiva e varietà di modelli di trasformazione affine. Tali trasformazioni descrivono bene strutture di movimento con un numero limitato di proiezioni (oggetti tecnogenici). La rappresentazione di strutture con un numero illimitato di proiezioni (oggetti antropogenici) mediante trasformazioni affini o proiettive è accompagnata da una serie di condizioni aggiuntive (in particolare, il requisito che gli oggetti siano lontani dal sensore video, oggetti di piccole dimensioni, ecc.) . Vengono fornite definizioni e un teorema dimostrato da L. S. Pontryagin, sulla base del quale è stato possibile trovare un automorfismo interno delle coordinate di gruppo che descrive un oggetto fino a spostamenti tra frame vicini. L'entità degli spostamenti è determinata dal metodo per stimare il movimento della differenza interframe sviluppato nel Capitolo 3.

Viene costruita un'estensione delle transizioni ammissibili tra gruppi di trasformazioni dovute alla dualità della natura delle 2^)-immagini (rappresentazione dei cambiamenti nella proiezione di un singolo oggetto e intersezione visiva di più oggetti: (interazione dell'oggetto)). Si riscontrano criteri che, quando si cambiano gruppi di trasformazioni, fissano azioni ed eventi attivi nella scena, vale a dire stime integrate della forma del contorno Kc della parte comune della proiezione tra fotogrammi condizionatamente vicini e l'area del comune parte 5e e stime invarianti - la funzione di correlazione delle parti comuni delle proiezioni Pcog e le costanti del gruppo Lie strutturale c "g, che ci consentono di stimare il grado di variabilità e rivelare la natura del movimento degli oggetti osservati.

È stato inoltre costruito un modello della preistoria del movimento degli oggetti nelle sequenze di immagini, comprese le serie temporali delle traiettorie di movimento, i cambiamenti nella forma di un oggetto quando si muove nello spazio 3L>, nonché i cambiamenti nella forma di un oggetto associato all'interazione di oggetti nella scena e alla comparsa/scomparsa di un oggetto dal campo visivo del sensore (utilizzato per riconoscere azioni ed eventi attivi nella scena). 1

È stato sviluppato un algoritmo generalizzato per la segmentazione di oggetti in scene complesse che tiene conto di casi complessi di segmentazione (immagini sovrapposte, comparsa e scomparsa di oggetti dal campo visivo della telecamera, movimento verso la telecamera), che comprende tre sottofasi: pre-segmentazione, segmentazione e post-segmentazione. Per ogni sottofase vengono formulati compiti, dati iniziali e di output, vengono sviluppati diagrammi di flusso di algoritmi che consentono la segmentazione di scene complesse sfruttando i vantaggi delle sequenze sincrone da diversi intervalli di radiazione.

Il quinto capitolo si occupa del processo di riconoscimento dinamico di modelli utilizzando una grammatica formale, un videografo di scene e un metodo modificato di processo decisionale collettivo. Una scena dinamica con movimento a più livelli ha una struttura variabile nel tempo, quindi è consigliabile utilizzare metodi di riconoscimento strutturale. La grammatica contestuale a tre livelli proposta per il riconoscimento di scene complesse con movimento multilivello di oggetti implementa due compiti: il compito di analizzare una sequenza di immagini e il compito di analizzare una scena.

Un mezzo più visivo di descrizione semantica di una scena è un videografo costruito utilizzando il metodo di raggruppamento gerarchico. Basato su caratteristiche complesse livello inferiore strutture spaziali locali, stabili nel tempo, si formano oggetti spaziali locali e si costruisce un videografo della scena, inclusi oggetti spaziali riconosciuti, un insieme di azioni insite in essi, nonché connessioni spazio-temporali tra di loro.

Il metodo modificato del processo decisionale collettivo si basa su una procedura di riconoscimento a due livelli. Al primo livello si effettua il riconoscimento dell'appartenenza di un'immagine ad una particolare area di competenza. Al secondo livello entra in vigore la regola decisionale, la cui competenza è massima in una determinata area. Le espressioni per le pseudo-distanze vengono costruite quando si trova una misura della somiglianza delle immagini dinamiche di input con le immagini dinamiche di riferimento, a seconda della rappresentazione delle caratteristiche dinamiche: un insieme di caratteristiche numeriche, un insieme di vettori, un insieme di funzioni.

Quando si riconoscono gli eventi, il videografo di scene complesse viene esteso al videografo di eventi: viene costruito un modello dipendente dall'oggetto di un oggetto dinamico. Come funzione di corrispondenza, vengono utilizzati i classificatori più semplici nello spazio delle caratteristiche (ad esempio, con il metodo ^-means), poiché la corrispondenza viene eseguita secondo un insieme limitato di modelli associati a un oggetto precedentemente identificato. Vengono considerati i modi di formare modelli di proiezioni di oggetti visivi.

Il videografo degli eventi è costruito sulla base delle reti di Markov. Vengono considerati i metodi per rilevare le azioni attive degli agenti, nonché la procedura per costruire e tagliare un videografo di eventi per riconoscere gli eventi in una scena. Allo stesso tempo, per ogni evento viene costruito il proprio modello, che viene addestrato su esempi di test. Il rilevamento degli eventi si riduce al raggruppamento di azioni attive eseguite in sequenza sulla base di un approccio bayesiano. Viene eseguito un taglio ricorsivo: la matrice dei coefficienti di peso nella sequenza video di input e il confronto con gli eventi di riferimento ottenuti nella fase di addestramento. Queste informazioni sono* la fonte per determinare il genere della scena e, se necessario, indicizzare la sequenza video nel database. È stato sviluppato uno schema per la comprensione e l'interpretazione di immagini e materiali video per l'indicizzazione in database Internet multimediali.

Il sesto capitolo presenta una descrizione del complesso software sperimentale "SPOER", v.l.02 per l'elaborazione di sequenze di immagini e il riconoscimento di oggetti ed eventi in movimento. Esegue l'elaborazione gerarchica sistemica di sequenze di immagini fino ai più alti livelli di riconoscimento di oggetti ed eventi. È un sistema automatizzato che richiede l'intervento umano per addestrare e mettere a punto grafici, reti e classificatori. Un certo numero di moduli di sistema di basso livello funzionano automaticamente.

Negli studi sperimentali condotti utilizzando il pacchetto software SPOER, v.l.02, sequenze video e sequenze di immagini a infrarossi dalla "base di prova 07" OTCBVS, sequenze video di prova "taxi di Amburgo", "cubo di Rubik", "silenzioso" e i nostri materiali video sono stati Sono stati testati cinque metodi di stima del movimento. Il metodo proposto per la sequenza video mostra i risultati più accurati e richiede meno calcoli al computer rispetto ad altri metodi. - condizioni di luce della scena.

Per riconoscere oggetti visivi con trasformazioni morfologiche accettabili delle proiezioni, abbiamo utilizzato stime normalizzate integrate della forma del contorno Kc della parte comune della proiezione dell'oggetto tra fotogrammi condizionatamente adiacenti e l'area della parte comune 5e e una stima invariante - la funzione di correlazione delle parti comuni delle proiezioni Fcor. L'uso di un metodo modificato di processo decisionale collettivo consente di "scartare" osservazioni non riuscite di immagini di input (casi di proiezioni sovrapposte di oggetti, distorsioni visive della scena da fonti luminose, ecc.) e selezionare le osservazioni più appropriate. Gli esperimenti hanno dimostrato che l'uso di un metodo modificato del processo decisionale collettivo aumenta l'accuratezza del riconoscimento in media del 2,4-2,9%.

Risultati sperimentali del movimento del punteggio; la segmentazione e il riconoscimento degli oggetti sono stati ottenuti su sequenze di test di immagini ("Hamburg taxi", "Rubik cube", "Silent", sequenze video e sequenze a infrarossi dal database di test "OTCBVS * 07"). Per riconoscere le azioni attive delle persone, sono stati utilizzati esempi tratti dai database di test "PETS", "CAVIAR", "VACE". I migliori risultati sono mostrati dal riconoscimento da parte di due sequenze. Inoltre, i migliori risultati sperimentali sono stati raggiunti riconoscendo azioni attive periodiche di persone non in gruppo (camminare, correre, alzare le mani). I falsi positivi sono causati dal controluce e dalla presenza di ombre in diversi punti della scena.

Sulla base del complesso sperimentale "ZROEYA", V. 1.02, sono stati sviluppati sistemi di elaborazione delle informazioni video per vari scopi: "Registrazione visiva delle targhe statali dei veicoli nel traffico multi-stream", "Sistema di identificazione per modelli di casse frigorifere da images", "Algoritmi per l'elaborazione e la segmentazione di immagini di paesaggi . Identificazione degli oggetti". L'algoritmo e il software sono stati trasferiti alle organizzazioni interessate. I risultati dell'operazione di test hanno mostrato l'operatività del software sviluppato sulla base dei modelli e dei metodi proposti nel lavoro di tesi.

Pertanto, i seguenti risultati sono stati ottenuti nel lavoro di tesi:

1. I modelli formali di elaborazione e riconoscimento delle strutture spazio-temporali sono costruiti sulla base di una procedura gerarchica adattiva. elaborazione di sequenze di immagini, che si differenziano in quanto tengono conto delle trasformazioni isomorfe e omomorfe e derivano funzioni generalizzate di invarianti statici e dinamici. Sono stati inoltre costruiti modelli per la ricerca di caratteristiche statiche e dinamiche di oggetti per quattro attività di analisi di sequenze di immagini, a seconda della presenza di un sensore video in movimento1 e di oggetti in movimento nella scena.

2. Le principali disposizioni dell'approccio descrittivo al riconoscimento della sequenza di immagini sono state ampliate, consentendo di tenere conto degli obiettivi del riconoscimento nelle fasi iniziali dell'elaborazione della sequenza di immagini con successiva segmentazione delle aree di interesse, costruire traiettorie di movimento e riconoscere il comportamento di oggetti dinamici, tengono conto della storia del movimento degli oggetti nell'attraversare le loro proiezioni, accompagnano un numero variabile di oggetti di osservazione.

3. È stato sviluppato un metodo gerarchico per l'elaborazione e il riconoscimento delle strutture spazio-temporali, costituito da tre livelli e cinque fasi e che prevede la normalizzazione delle proiezioni degli oggetti, che consente di ridurre il numero di standard per una classe durante il riconoscimento di oggetti dinamici complessi .

4. È stato sviluppato un metodo per stimare il movimento per sequenze di immagini dalle gamme visibili e infrarosse della radiazione elettromagnetica, che differisce in quanto vengono utilizzati insiemi di dati spazio-temporali, presentati sotto forma di tensori strutturali 3£> e tensori bB. flusso, rispettivamente. La stima del movimento risultante consente di scegliere il metodo più efficace per segmentare oggetti visivi dinamici che differiscono nel numero di proiezioni valide.

5. È stato costruito un modello di movimento multilivello delle regioni dell'immagine basato su vettori di velocità locali, che differisce in quanto consente di dividere la scena non solo in oggetti in primo piano e sullo sfondo, ma anche in livelli di movimento di oggetti distanti dall'osservatore. Ciò è particolarmente vero per scene complesse registrate da un sensore video in movimento, quando tutti gli oggetti nella scena sono in movimento relativo.

6. È stato sviluppato un algoritmo di segmentazione adattiva per oggetti dinamici: a) per oggetti con un numero limitato di proiezioni, basato sull'analisi della preistoria del movimento di regioni dinamiche locali, caratterizzato dal fatto che quando le immagini si sovrappongono, la forma del la regione è completata secondo il modello corrente e, previa applicazione del filtro di Kalman, è prevista corrente, traiettoria; b) per oggetti con un numero arbitrario di proiezioni basate su complesse caratteristiche di analisi, colore, consistenza, statistiche, topologiche e di movimento, caratterizzate dal fatto che quando le immagini si sovrappongono, la forma della regione viene completata utilizzando il metodo dei contorni attivi.

7. Viene proposto un metodo per costruire un videografo dinamico di una scena complessa utilizzando il metodo del raggruppamento gerarchico di caratteristiche complesse di livello inferiore in strutture spaziali locali stabili nel tempo e quindi in oggetti spaziali locali. Il videografo generato stabilisce relazioni temporali tra gli oggetti e conserva tutte le caratteristiche generalizzate per il riconoscimento degli eventi nella scena. La grammatica bidimensionale di M.I. Schlesinger nel quadro del metodo di riconoscimento strutturale a una grammatica contestuale a tre livelli.

8: Per il riconoscimento degli oggetti dinamici, viene modificato il metodo decisionale collettivo, che prima riconosce che l'immagine appartiene all'area di competenza, quindi sceglie la regola di decisione la cui competenza è massima nell'area data. Vengono costruiti quattro tipi di pseudo-distanze per trovare una misura di somiglianza tra le immagini dinamiche di input e gli standard, a seconda della rappresentazione delle caratteristiche dinamiche.

9. È stato sviluppato un metodo di riconoscimento degli eventi basato sulla rete bayesiana, che esegue il taglio ricorsivo della matrice dei coefficienti di peso nella sequenza video di input e il confronto con gli eventi di riferimento ottenuti in fase di addestramento. Queste informazioni sono la fonte per determinare il genere della scena e l'indicizzazione delle sequenze video nei database Internet multimediali.

10. I problemi pratici di elaborazione e riconoscimento di sequenze di immagini vengono risolti utilizzando il metodo adattivo-gerarchico dell'elaborazione spazio-temporale, viene mostrata l'efficienza del metodo, viene dimostrata l'efficacia del sistema di metodi di elaborazione gerarchici, ecc. riconoscimento di informazioni visive con possibilità di selezione adattiva delle caratteristiche c. processo di risoluzione dei problemi. I risultati ottenuti sotto forma di sistemi sperimentali progettati sono stati trasferiti alle organizzazioni interessate.

Pertanto, in questo lavoro di tesi, è stato risolto un importante problema scientifico e tecnico di supporto informativo per i sistemi di videosorveglianza ed è stata sviluppata una nuova direzione nel campo dell'elaborazione spazio-temporale e del riconoscimento delle immagini dinamiche.

Elenco dei riferimenti per la ricerca di tesi Dottore in scienze tecniche Favorskaya, Margarita Nikolaevna, 2011

1. Analisi automatica di immagini complesse / Ed. EM. Bra-vermana. M.: Mir, 1969. - 309 p. Bongard MM Problemi di riconoscimento. - M.: Nauka, 1967.-320 p.

2. Alpatov, B.A., Rilevamento di un oggetto in movimento in una sequenza di immagini in presenza di restrizioni sull'area e velocità dell'oggetto / B.A. Alpatov, A.A. Kitaev // Elaborazione digitale delle immagini, n. 1, 2007. p. 11-16.

3. Alpatov, B.A., Selezione di oggetti in movimento in condizioni di distorsioni geometriche dell'immagine / B.A. Alpatov, P.V. Babayan // Elaborazione del segnale digitale, n. 45 2004. p. 9-14.

4. Alpatov, B.A., Babayan P.V. Metodi di elaborazione e analisi delle immagini" nei sistemi di bordo per il rilevamento e il tracciamento di oggetti / B.A. Alpatov, P.V. Babayan // Elaborazione del segnale digitale, n. 2, 2006. 45-51 p.

5. Bolshakov, A.A., Metodi per l'elaborazione di dati multivariati e serie temporali: libro di testo per le università / A.A. Bolshakov, R.I. Karimov / M.: Hotline-Telecom, 2007. 522 p.6: Bongard, M.M. Problemi di riconoscimento / M.M. Bongard / M.: Nauka, 1967.-320 p.

6. Bulinsky, A.B. Teoria dei processi casuali1 / A.V. Bulinsky, A.N. Shiryaev / M.: FIZMATLIT, 2005. 408 p.

7. Weinzweig, MN Architettura del sistema di rappresentazione visiva dinamica della scena in termini di concetti / M.N. Vaintsvaig, M.N. Polyakov // sab. tr. 11 tutto russo. conf. "Metodi matematici di pattern recognition (MMRO-11)", M., 2003. pp. 261-263.

8. Vapnik, V.N. Il compito di apprendere il riconoscimento del modello / V.N. Vapnik / M.: Conoscenza, 1970. - 384 p.

9. P.Vapnik, V.N. Teoria del riconoscimento dei modelli (problemi statistici dell'apprendimento) / V.N. Vapnik, A.Ya. Chervonenkis / M.: Nauka, 1974. 416 p.

10. Vasiliev, V.I. Riconoscimento dei corpi in movimento / V.I. Vasiliev, A.G. Ivakhnenko, V.E. Reutsky e altri // Automazione, 1967, n. 6, p. 47-52.

11. Vasiliev, V.I. Sistemi di riconoscimento / V.I. Vasiliev / Kiev: Nauk. Dumka, 1969. 292 p.

12. Vasiliev, V.I. Riconoscere i sistemi. Direttorio / V.I. Vasiliev / Kyiv, Nauk, Dumka, 1983. 422 p.

13. Visilter, Yu.V. Applicazione del metodo di analisi delle prove morfologiche nei problemi di visione artificiale>/ Yu.V. Vizilter // Bollettino di computer e tecnologie dell'informazione, n. 9, 2007 p. 11-18.

14. Visilter, Yu.V. Morfologie proiettive basate sull'interpolazione / Yu.V. Vizilter // Bollettino di computer e tecnologie dell'informazione, n. 4, 2008.-p. 11-18.

15. Vizilter, Yu.V., Morfologie proiettive e loro applicazione nell'analisi strutturale delle immagini digitali / Yu.V. Visilter, S.Yu. Zheltov // Izv. CORSO. TiSU, n. 6, 2008. pag. 113-128.

16. Visilter, Yu.V. Indagine sul comportamento dei filtri autoregressivi nel problema della rivelazione e analisi del movimento su sequenze video digitali / Yu.V. Visilter, B.V. Vishnyakov // Bollettino di computer e tecnologie dell'informazione, n. 8, 2008. - p. 2-8.

17. Visilter, Yu.V. Morfologie dell'immagine proiettiva basate su modelli descritti da funzionali di strutturazione /Yu.V. Visilter, S.Yu. Zheltov // Bollettino di computer e tecnologie dell'informazione, n. 11, 2009.-p. 12-21.

18. Vishnyakov, B.V. Utilizzo del metodo modificato dei flussi ottici nel problema del rilevamento del movimento e del tracciamento interframe.

19. Ganebnykh, S.N. Analisi della scena basata sull'uso di rappresentazioni ad albero di immagini / S.N. Ganebnykh, M.M. Lange // sab. tr. 11 tutto russo. conf. "Metodi matematici di riconoscimento di modelli (MMRO-11)", M., 2003.-p. 271-275.

20. Glushkov, V.M. Introduzione alla cibernetica / V.M. Glushkov / Kyiv: casa editrice dell'Accademia delle scienze della SSR ucraina, 1964. 324 p.

21. Gonzalez, R., Woods R. Elaborazione digitale delle immagini. Traduzione dall'inglese. ed. PA Chochia / R. Gonzalez, R. Woods / M.: Technosfera, 2006. 1072 p.

22. Goroshkin, A.N., Segmentazione dell'immagine del testo scritto a mano (SegPic) / A.N. Goroshkin, M.N. Favorskaya // Certificato n. 2008614243. Registrato nel registro dei programmi per computer, Mosca, 5 settembre 2008.

23. Grenander, W. Lezioni sulla teoria delle immagini / W. Grenander / In 3 volumi / Tradotto dall'inglese. ed. Yu. I. Zhuravleva. Mosca: Mir, 1979-1983. 130 sec.

24. Gruzman, I.S. Elaborazione digitale delle immagini nei sistemi informativi: libro di testo. Indennità / IS Gruzman, B.C. Kirichuk, V.P. Kosykh, GI Peretyagin, A.A. Spektor / Novosibirsk, casa editrice NSTU, 2003. p. 352.

25. Inferenza affidabile e plausibile nei sistemi intelligenti, ed. V.N. Vagina, DA Pospelov. 2a ed., rev. e aggiuntivi - M.: FIZMATLIT, 2008. - 712 p.

26. Duda, R. Pattern recognition and scene analysis / R. Duda, P. Hart / M.: casa editrice Mir, 1978. 512 p.

27. Zhuravlev Yu.I. Sull'approccio algebrico alla risoluzione di problemi di riconoscimento e classificazione / Yu.I. Zhuravlev // Problemi di cibernetica: sab. st., problema. 33, M.: Nauka, 1978. p. 5-68.

28. Zhuravlev Yu.I. Sulla correzione algebrica delle procedure di elaborazione (trasformazione) delle informazioni / Yu.I. Zhuravlev, K.V. Rudakov // Problemi di matematica applicata e informatica, M .: Nauka, 1987. p. 187-198.

29. Zhuravlev Yu.I. Riconoscimento di pattern e riconoscimento di immagini / Yu.I. Zhuravlev, I.B. Gurevich // Annuario “Riconoscimento. Classificazione. Previsione. Metodi matematici e loro applicazione”, vol. 2, M.: Nauka, 1989.-72 p.

30. Zhuravlev Yu.I. Riconoscimento di pattern e analisi delle immagini / Yu.I. Zhuravlev, I.B. Gurevich / Intelligenza artificiale in 3 libri. Libro. 2. Modelli e metodi: Manuale / Ed. SÌ. Pospelova, M.: casa editrice "Radio e comunicazione", 1990. - pp. 149-190.

31. Zagoruiko, N.G. Modalità di riconoscimento e loro applicazione / N.G. Za-goruiko / M.: Sov. radiofonico, 1972. 206 p.

32. Zagoruiko, N.G. Intelligenza artificiale e previsione empirica / N.G. Zagoruiko / Novosibirsk: ed. NSU, 1975. 82 p.

33. Ivakhnenko A.G. Sull'applicazione della teoria dell'invarianza e del controllo combinato alla sintesi e all'analisi dei sistemi di apprendimento / A.G. Ivakhnenko // Automazione, 1961, n. 5, p. 11-19.

34. Ivakhnenko, G.I. Riconoscimento ad autoapprendimento e sistemi di controllo automatico / A.G. Ivakhnenko / Kiev: Tekhnika, 1969. 302 p.

35. Kashkin, V.B. Telerilevamento della Terra dallo spazio. Elaborazione digitale delle immagini: libro di testo / V.B. Kashkin, A.I. Su-hinin / Mosca: Logos, 2001. 264 p.

36. Kobzar, A.I. Statistica matematica applicata. Per ingegneri e scienziati / A.I. Kobzar / M.: FIZMATLIT, 2006. 816 p.

37. Kovalevsky, V.A. Metodo di correlazione del riconoscimento delle immagini / V.A. Kovalevsky // Zhurn. Calcola. Matematica e Fisica Matematica, 1962, 2, n.4, p. 684-690.

38. Kolmogorov, A.N.: Epsilon-entropia ed epsilon-capacità degli insiemi negli spazi funzionali / A.N. Kolmogorov, V.M. Tikhomirov // Teoria dell'informazione e teoria degli algoritmi. M.: Nauka, 1987. p. 119-198.

39. Korn, G. Manuale di matematica per scienziati e ingegneri / G.Korn, T. Korn // M.: Nauka, cap. ed. Fis.-Matematica. lett., 1984. 832 p.

40. Kronover, R. Frattali e caos nei sistemi dinamici / R. Kronover // M.: Tekhnosfera, 2006. 488 p.

41. Lapko, A.B. Sistemi di classificazione non parametrici* e ibridi per dati eterogenei / AV Lapko, BlA. Lapko // Tr. 12 tutto russo. conf. "Metodi matematici e modelli di pattern recognition" (MMRO-12), M., 2005.-p. 159-162.

42. Levtin, K.E. Rilevazione visiva del fumo (SmokeDetection) / K.E. Levtin, M.N. Favorskaya // Certificato n. 2009612795. Registrato nel registro dei programmi per computer, Mosca, 3 luglio 2009.

43. Lutsiv, V.R. Principi di unificazione dei sistemi ottici dei robot / V.R. Lutsiv, M.N. Favorskaya // V-libro. "Unificazione e standardizzazione dei robot industriali", Tashkent, 1984. p. 93-94.

44. Lutsiv, V.R. Sistema ottico universale per HAP / V.R. Lutsiv, M.N. Favorskaya // Nel libro. "Esperienza nella creazione, implementazione e utilizzo di sistemi di controllo di processo in associazioni e imprese", L., LDNTP, 1984. p. 44-47.

45. Medvedeva, E.V. Metodo per la stima dei vettori di movimento nelle immagini video / E.V. Medvedeva, B.O. Timofeev // Nei materiali della 12a conferenza e mostra internazionale "Elaborazione del segnale digitale e sua applicazione", M .: V 2 Vol. T. 2, 2010. p. 158-161.

46. Metodi di elaborazione delle immagini al computer / Ed. VA Soifer. 2a ed., spagnolo. - M.: FIZMATLIT, 2003. - 784 p.

47. Metodi per il rilevamento automatico e il tracciamento degli oggetti. Elaborazione e controllo delle immagini / B.A. Alpatov, P.V. Babayan, O.E. Balashov, A.I. Stepashkin. -M .: Ingegneria radiofonica, 2008. - 176 p.

48. Metodi dell'ottica informatica / Ed. VA Soifer. M.: FIZMATLIT, 2003. - 688 p.

49. Mudrov, A.E. Metodi numerici per PC in BASIC, Fortran e Pascal / A.E. Mudrov / Tomsk: MP "RASKO", 1991. 272 p.

50. Pakhirka, A.I. Localizzazione del volto (FaceDetection) / AI Pakhirka, M.N. Favorskaya // Certificato n. 2009611010. Registrato nel registro dei programmi per computer, Mosca, 16 febbraio 2009.

51. Pakhirka, A.I. Miglioramento dell'immagine non lineare / AI Pakhirka, M.N. Favorskaya // Certificato n. 2010610658. Registrato nel registro dei programmi per computer, Mosca, 31 marzo 2010.

52. Pontryagin L. S. Gruppi continui J L. S. Pontryagin // 4a ed., M .: Nauka, 1984.-520 p.

53. Potapov, A.A. Frattali in radiofisica e radar: topologia di campionamento / A.A. Potapov // Ed. 2°, rivisto. e aggiuntivi - M.: Universitetskaya kniga, 2005. 848 p.

54. Radchenko Yu.S. Indagine sull'algoritmo spettrale per rilevare "cambiamenti nella sequenza video" / Yu.S. Radchenko, AV Bulygin, TA Radchenko // Izv.

55. Salnikov, I.I. Segnali raster spazio-tempo nei sistemi di analisi delle immagini / I.I. Salnikov // M.: FIZMATLIT, 2009. -248 p.

56. Sergunin, S.Yu. Schema di costruzione dinamica di una descrizione multilivello di immagini / S.Yu.Sergunin, K.M.Kvashnin, M.I. Kumskov // sab. tr. 11 tutto russo. conf: "Mathematical Methods of Pattern Recognition (MMRO-11)", M., 2003. p. 436-439:

57. Slynko Yu.V. Risolvere il problema del tracciamento e del contorno simultanei con il metodo della massima verosimiglianza / Yu.V. Slynko // Elaborazione del segnale digitale, n. 4, 2008. p. 7-10

58. Solso, R. Psicologia cognitiva / R. Solso / San Pietroburgo: Peter, 6a ed., 2006. 590 p.

59. Tarasov, I.E. Sviluppo di dispositivi digitali basati sull'FPGA Xi-linx utilizzando il linguaggio VHDL / I.E. Tarasov / M.: Hotline-Telecom, 2005. - 252 p.

60. Favorskaya, M.N. Sviluppo di algoritmi per il riconoscimento di immagini digitali in sistemi robotici adattivi / M.N*. Favorskaya // L!, Istituto di aviazione di Leningrado. Strumentazione, 1985. Deposito manoscritto: in VINITI 23.01.85. N. 659-85 Dip.

61. Favorskaya; MN Applicazione di metodi spettrali per la normalizzazione e il riconoscimento di immagini in complessi robotici adattivi / M.N. * Favorskaya // L., Leningradsky, in-t aviation. priborostr., 1985. Manoscritto dep. al VINITI il 23 gennaio 1985. N. 660-85 Dip.

62. Favorskaya, M.N. Esperienza nello sviluppo di algoritmi di riconoscimento di oggetti per la produzione di stampi / M.N. Favorskaya // Nel libro. "Stato, esperienza e indirizzi di lavoro sull'automazione integrata basata su GPS, RTK e PR", Penza, 1985. p. 64-66.

63. Favorskaya, M.N. Studio delle proprietà proiettive di gruppi di oggetti / M.N. Favorskaya, Yu.B. Kozlova // Bollettino dell'Università aerospaziale statale siberiana. Problema. 3, Krasnoyarsk, 2002. - p. 99-105.

64. Favorskaya, M.N. Determinazione della struttura affine di un oggetto mediante movimento / M.N. Favorskaya // Bollettino dell'Università aerospaziale statale siberiana, vol. 6, Krasnojarsk, 2005. - p. 86-89.

65. Favorskaya- M.N. Classificazione generale degli approcci al riconoscimento delle immagini / M-.N. Favorskaya // V< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Funzioni di decisione invarianti nei problemi di riconoscimento di immagini statiche / M.N. Favorskaya // Bollettino dell'Università aerospaziale statale siberiana. Problema. 1 (14), Krasnoyarsk, 2007. pag. 65-70.

67. Favorskaya, M.N. Metodi probabilistici di segmentazione del flusso video come problema con dati mancanti / M.N. Favorskaya // Bollettino dell'Università aerospaziale statale siberiana. Problema. 3 (16), Krasnoyarsk, 2007. pag. 4-8.

68. Favorskaya, M.N. Selezione delle caratteristiche informative del bersaglio nei sistemi di riconoscimento delle immagini / M.N. Favorskaya // Nei materiali dell'XI Inter-Dunar. scientifico conf. "Letture di Reshetnev" SibGAU, Krasnoyarsk, 2007 p. 306-307.

69. Favorskaya, M.N. Strategie per la segmentazione di immagini bidimensionali / M.N. Favorskaya // Nei materiali della conferenza scientifica tutta russa "Modelli e metodi di elaborazione delle immagini MMOI-2007", Krasnoyarsk, 2007. p. 136-140.

70. Favorskaya, M.N. Segmentazione di immagini di paesaggi basata sull'approccio frattale / M.N. Favorskaya // Nei materiali della decima conferenza ed esposizione internazionale "Elaborazione del segnale digitale e sua applicazione", M., 2008. p. 498-501.

71. Favorskaya, M.N. Modello di riconoscimento dell'immagine del testo scritto a mano / M.N. Favorskaya, A.N. Goroshkin // Bollettino dell'Università aerospaziale statale siberiana. Problema. 2" (19), Krasnoyarsk, 2008. pp. 52-58.

72. Favorskaya, M.N. Algoritmi per l'implementazione della stima del movimento nei sistemi di videosorveglianza / M.N. Favorskaya, A.S. Shilov // Sistemi di gestione e tecnologie dell'informazione. Ricerca Avanzata / IPU RAS; VSTU, n. 3.3(33), M.-Voronezh, 2008. p. 408^12.

73. Favorskaya, M.N. Sulla questione dell'uso di grammatiche formali nel riconoscimento di oggetti in scene complesse // M.N. Favorskaya / Nei materiali della XIII conferenza scientifica internazionale. "Letture di Reshetnev". Alle 2 ore 4.2, Krasnoyarsk, 2009. p. 540-541.

74. Favorskaya, M.N. Riconoscimento dinamico di pattern basato su filtri predittivi / M.N. Favorskaya // Bollettino dell'Università aerospaziale statale siberiana. Problema. 1(22) a ore 2 4f. 1, Krasnoyarsk, 20091 pag. 64-68.

75. Favorskaya, M.N., Metodi, ricerca del movimento nelle sequenze video / M.N. Favorskaya, A.I. Pahirka, AC Scilov; MV Damov // Bollettino. Università aerospaziale statale siberiana. Problema. 1 (22) alle ore 2. Parte 2, Krasnoyarsk, 2009. p. 69-74.

76. Favorskaya, M.N. Trovare oggetti video in movimento utilizzando tensori strutturali 3D locali / M.N. Favorskaya // Bollettino dell'Università aerospaziale statale siberiana. Problema. 2 (23), Krasnoyarsk, 2009. pag. 141-146.

77. Favorskaya, M.N. Valutazione del movimento di oggetti in scene complesse basata sull'approccio tensoriale / M.N. Favorskaya // Elaborazione del segnale digitale, n. 1, 2010.-p. 2-9.

78. Favorskaya, M.N. Calcolo complesso delle caratteristiche delle immagini del paesaggio / M.N. Favorskaya, N.Yu. Petukhov // Rivista ottica, 77, 8, 2010.-p. 54-60.

79. Va bene, a.C. Riconoscimento delle immagini / B.C. Fine // M.: Nauka, 1970.-284 p.

80. Forsythe, DA Visione computerizzata. Approccio moderno / D.A. Forsyth, J. Pons // M.: Williams Publishing House, 2004. 928 p.

81. Fu, K. Metodi sequenziali nel riconoscimento di schemi e nell'apprendimento automatico / K. Fu / M.: Nauka, 1971. 320 p.

82. Fu, K. Metodi strutturali nel riconoscimento di forme / K. Fu / M.: Mir, 1977.-320 p.

83. Fukunaga, K. Introduzione alla teoria statistica del riconoscimento di schemi / K. Fukunaga / M.: Nauka, 1979. 368 p.

84. Shelukhin, O.I. Autosomiglianza e frattali. Applicazioni di telecomunicazione / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / Ed. O.I. Shelukhin. M.: FIZMATLIT, 2008. 368 p.

85. Shilov, A.S. Definizione di moto (MotionEstimation) / A.S. Shilov, MN Favorskaya // Certificato n. 2009611014. Registrato nel registro dei programmi per computer, Mosca, 16 febbraio 2009.

86. Sh.Shlezinger, M.I. Metodo di correlazione per il riconoscimento di sequenze di immagini / M.I. Schlesinger / Nel libro: Macchine da lettura. Kiev: Nauk.dumka, 1965. p. 62-70.

87. Schlesinger, M.I. Analisi sintattica di segnali visivi bidimensionali sotto interferenza / M.I. Schlesinger // Cibernetica, n. 4, 1976. - pp. 76-82.

88. Stark, G.-G. Applicazione di wavelet per DSP / G.-G. Shtark / Ml: Technosphere, 2007. 192 p.

89. Shup, T. Metodi numerici applicati in fisica e tecnologia: Per. dall'inglese. / T. Shup / Ed. SP Merkuriev; M.: Superiore. School, 19901 - 255 p.11 "5. Electr, risorsa: http://www.cse.ohio-state.edu/otcbvs-bench

90. Electr, risorsa: http://www.textures.forrest.cz/ risorsa elettronica (base di immagini di texture libreria di texture forrest).

91. Electr, risorsa: http://www.ux.uis.no/~tranden/brodatz.html risorsa elettronica (database di immagini texture Brodatz).

92. Allili M.S., Ziou D. Contorni attivi per il tracciamento di oggetti video utilizzando informazioni su regione, confine e forma // SIViP, vol. 1, n. 2, 2007.pp. 101-117.

93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. Stima affidabile del movimento della telecamera utilizzando modelli di flusso ottico // Appunti della lezione in

94. Computer Science (comprese le sottoserie Lecture Notes in Artificial Intelligence e Lecture Notes in Bioinformatics) 5875 LNCS (PARTE 1), 2009. pp. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Video Event Classification using String Kernels // Multimed. Strumenti Appl., vol. 48, n. 1, 2009.pp. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Classificazione delle azioni nei video di calcio utilizzando string kernel // In: Proc. di IEEE Int "l Workshop sull'indicizzazione multimediale basata sui contenuti (CBMI). Chania, Creta, 2009. pp. 13-18.

97. Barnard K., Fan Q. F., Swaminathan R., Hoogs A., Collins R, Rondot P. e Kaufhold J. Valutazione della semantica localizzata: dati, metodologia ed esperimenti // International Journal of Computer Vision, IJCV 2008, vol. 77, n. 1-3,2008.-pp. 199-217.

98. Bertini M., Del Bimbo A., Serra G. Regole di apprendimento per l'annotazione semantica di eventi video // Dispense in Informatica; In: Proc. di Int"l Conference on Visual Information Systems (VISUAL), Vol. 5188, 2008. pp. 192-203.

99. Bobick A.F., Davis J.W. Il riconoscimento del movimento umano utilizzando modelli temporali // IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, n. 3, 2001.pp. 257-267.

100. Boiman O., Irani M. Rilevazione di irregolarità nelle immagini e nei video // International Journal of Computer Vision, vol. 74, n. 1, 2007.pp. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.‑P. Un modello variazionale per la segmentazione degli oggetti che utilizza le informazioni sui confini e le priorità di forma guidate4 dal Mumford-Shah Functional // International Journal of Computer Vision, vol. 68, n. 2, 2006.-pp. 145-162.

102. Cavallaro A., Salvador E., Ebrahimi T. Elaborazione video basata su oggetti Shadow-aware // Visione IEEE; Elaborazione di immagini e segnali, vol. 152, n. 4, 2005.-pp. 14-22.

103. Chen J., Ye J. Training SVM con kernel indefiniti // In: Proc. della 25a conferenza internazionale sull'apprendimento automatico (ICML), vol. 307, 2008.pp. 136-143.

104. Cheung S.-M., Luna Y.-S. Rilevamento di pedoni in avvicinamento a distanza utilizzando modelli di intensità temporale // MVA2009, vol. 10, n. 5, 2009.-pp. 354-357.

105. Dalai N., Triggs B. e Schmid G. Rilevamento umano utilizzando istogrammi orientati di flusso e aspetto // In ECCV, vol. II, 2006. pp. 428^141.

106. Dalai N., Triggs B. Histograms of Oriented Gradients for Human Detection // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), vol. II, 2005-pp. 886-893.

107. Dani A.P., Dixon W.E. Struttura a telecamera singola e stima del movimento // Lecture Notes in Control and Information Sciences, 401, 2010. pp. 209-229.

108. Datta Ri, Joshi D;, Li J. e Wang J. Z1 Image retrieval: Ideas, influences, and trends of the new age // ACM"-Computing Surveys, Vol. 40:, no: 2, 2008. ■ -pp.1-60.

109. Dikbas S., Arici T., Altunbasak Y. Stima del movimento veloce con accuratezza del sottocampione senza interpolazione // IEEE Transactions on Circuits and Systems for Video Technology 20(7), 2010. -pp. 1047-1051.

110. Dollar P., Rabaud V., Cottrell G., Belongie S. Riconoscimento del comportamento tramite caratteristiche spazio-temporali sparse // In: Proc. 2nd Joint IEEE International Workshop on Evaluation of Tracking and Surveillance, VS-PETS, 2005. pp. 65-72.

111. Donatini P. e Frosini P. Pseudodistanze naturali tra superfici chiuse // Journal of the European Mathematical Society, vol. 9, n. 2, 2007 pagg. 231-253.

112. Donatini P. e Frosini P. Pseudodistanze naturali tra curve chiuse // Forum Mathematicum, vol. 21, n. 6, 2009.pp. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Rilevamento di eventi visivi utilizzando dinamiche concettuali multidimensionali // In: Proc. di IEEE Int"l Conference on Multimedia and Expo (ICME), 2006. pp. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Modellazione 3D realistica della crescita forestale con effetto naturale // Atti del secondo KES International Symposium IDT 2010, Baltimora. STATI UNITI D'AMERICA. Springer-Verlag, Berlino, Heidelberg. 2010.-pp. 191-199.

115. Francois A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL: un framework ontologico per rappresentare e annotare eventi video // IEEE Multimedia, Vol: 12; NO. 4, 2005.pp. 76-86.

116. Gao J., Kosaka A:, Kak A.C. A Multi-Kalman Filtering Approach for Video Tracking of Human-Delineated Objects in Cluttered" Environments // IEEE Computer Vision and Image Understanding, 2005, V. 1, n. 1. pp. 1-57.

117 Gui L., Thiran J.-P., Paragios N. Segmentazione di oggetti comuni e classificazione del comportamento nelle sequenze di immagini // Conf. IEEE. su Computer Vision e Pattern Recognition, 17-22 giugno 2007. pp. 1-8.

118. Haasdonk B. Interpretazione dello spazio delle caratteristiche di SVM con kernel indefiniti // IEEE Transactions on Pattern Analysis and Machine Intelligence. vol. 27, n. 4, 2005.pp. 482-492.

119. Harris C. e Stephens M. Un rilevatore combinato di angoli e bordi // In Fourth Alvey Vision Conference, Manchester, Regno Unito, 1988. pp. 147-151.

120. Haubold A., Naphade M. Classificazione di eventi video utilizzando funzioni di movimento compresso nel tempo a 4 dimensioni // In CIVR "07: Atti della sesta conferenza internazionale ACM sul recupero di immagini e video, NY, USA, 2007. -pp 178-185.

121. Haykin S. Reti neurali: un'introduzione completa. / NY: Prentice-Hall, 1999;.- 658 pi.

122. Hoynck M., Unger M., Wellhausen J. e Ohm J.‑R. Un approccio solido alla stima del movimento globale per l'analisi video basata sul contenuto // Atti di SPIE vol. 5601, Bellingham, WA, 2004. pagg. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Deinterlacing using hierarchical motion analysis // IEEE Transactions on Circuits and Systems for Video Technology 20(5), 2010. pp. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-tree, Oct-tree e K-tree: un approccio generalizzato alla decomposizione ricorsiva dello spazio euclideo // Transazioni IEEE su PAMI, vol. 5, n. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R:, Hebert Mi. Rilevamento visivo efficiente degli eventi utilizzando funzioni volumetriche // In: Proc. di Int "l Conference on Computer Vision (ICCV), vol. 1, 2005.-pp. 166-173.

126. Klaser A., Marszalek M. e Schmid C.A Descrittore spazio-temporale basato su gradienti 3D // In BMVC, British Machine Vision, Conference, 2008. -pp. 995-1004.

127. Kovashka, A., Grauman, K. Apprendimento di una gerarchia di caratteristiche di quartiere spazio-temporali discriminanti per il riconoscimento dell'azione umana // Atti della IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2010. pp.2046-2053.

128. Kumskov M.I. Schema di calcolo dell'analisi dell'immagine controllata dai modelli degli oggetti da riconoscere // Pattern Recognition and Image Analysis, vol. 11, n. 2, 2001. pag. 446-449:

129. Kwang-Kyu S. Recupero di immagini basato sul contenuto combinando l'algoritmo genetico e la macchina vettoriale di supporto // In ICANN (2), 2007. pp. 537-545.

130. Lai C.-L., Tsai S.-T., Hung Y.-P. Uno studio sulla calibrazione delle coordinate tridimensionali utilizzando il sistema fuzzy // International Symposium on Computer, Communication, Control and Automation 1, 2010. - pp. 358-362.

131. Laptev I. Sui punti di interesse dello spazio-tempo // International Journal of Computer Vision, vol. 64, n. 23, 2005.pp. 107-123.

132. Leibe B., Seemann E., Schiele B. Rilevamento di pedoni in scene affollate* // IEEE Conference on Computer Vision and "Pattern Recognition, Vol. 1, 2005.-pp. 878-885.

133. Lew M. S., Sebe N., Djeraba C. e Jain R. Recupero di informazioni multimediali basato sul contenuto1: stato dell'arte e sfide // ACM Transactions on Multimedia Computing, Communications, and Applications, vol. 2, n. 1, 2006.pp. 1-19.

134. Li J. e Wang J. Z. Annotazione computerizzata in tempo reale delle immagini // IEEE Trans. PAMI, vol. 30, 2008.pp. 985-1002.

135. Li L., Luo R., Ma R., Huang W. e Leman K. Valutazione di un sistema IVS per il rilevamento di oggetti abbandonati su set di dati PETS 2006 // Proc. 9 IEEE Intern. Workshop sugli ANIMALI DOMESTICI, New York, 2006. pp. 91-98.

136. Li L., Socher R. e Fei-Fei L. Towards Total Scene Understanding: Classification, Annotation and Segmentation in an Automatic Framework // IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2009. pp. 2036-2043.

137. Li Q., Wang G., Zhang G.) Chen S. Accurata stima del movimento globale basata sulla piramide con maschera // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao/Journal of Computer-Aided Design and Computer Graphics, Vol: 21 , no . 6, 2009.pp. 758-762.

138. Lindeberg T., Akbarzadeh A. e Laptev I. Operatori di interesse spazio-temporale diagonalizzati galileiani // Atti della 17a Conferenza internazionale sul riconoscimento dei modelli (ICPR"04), 2004. pp. 1051-1057.

139. Lim J., Barnes, N. Stima dell'epipolo utilizzando il flusso ottico nei punti antipodi // Computer Vision and Image Understanding 114, n. 2, 2010.pp. 245-253.

140. Lowe D. G. Caratteristiche distintive dell'immagine da punti chiave invarianti di scala // International Journal of Computer Vision, vol. 60, n. 2, 2004.pp. 91-110.

141. Lucas B.D., Kanade T. Una tecnica iterativa di registrazione delle immagini con un'applicazione alla visione stereo // Conferenza congiunta internazionale sull'intelligenza artificiale, 1981. pp. 674-679.

142. Mandelbrot B;B. The Fractal Geometry of Nature / NY: Freeman^ 1982. 468 p.; russ, trad.: Mandelbrot B. Fractal, geometria della natura: Per. dall'inglese. / M .: Istituto di ricerca informatica, 202. - 658 p.

143. Mandelbrot V.V., Frame M.L. Frattali, grafica e didattica della matematica/N. Y.: Springer-Verlag, 2002. 654 p.

144. Mandelbrot B.B. Fractals and Chaos: The Mandelbrot Set. and Beyond / NY: Springer-Verlag, 2004. 308 p.

145. Memoli F. Sull'uso delle distanze di Gromov-Hausdorff per il confronto delle forme // Atti del Simposio Eurographics sulla grafica basata su punti. Praga, Repubblica Ceca, 2007. pp. 81-90.

146. Mercer J. Funzioni di tipo positivo e negativo e loro connessione con la teoria delle equazioni integrali // Transactions of the London Philosophical Society (A), vol. 209, 1909. pp. 415-446.

147. Mikolajczyk K. Rilevazione di caratteristiche locali invarianti alle trasformazioni affini, tesi di dottorato, Institut National Polytechnique de Grenoble, Francia. 2002.171 pag.

148. Mikolajczyk K. e Schmid G. Un rivelatore di punti di interesse affini invarianti // Atti di ECCV. vol. 1. 2002. pp. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Riconoscimento dell'azione umana utilizzando una macchina per l'apprendimento estremo basata su vocabolari visivi // Neurocomputing, vol. 73 (10-12), 2010. pp. 1906-1917.

150. Mladenic D., Skowron A., a cura di: ECML. vol. 4701 di Lecture Notes in Computer Science, Springer, 2007. pp. 164-175.

151. Moshe Y., Hel-Or H. Stima del movimento del blocco video basata su kernel in codice gray // IEEE Transactions on Image Processing 18(10), 2009. pp. 22432254.

152. Nakada T., Kagami S;, Mizoguchi H. Pedestrian Detection using 3D Optical Flow Sequences for-afMobile Robot // IEEE Sensors, 2008. pp: 116-119:

153. Needleman, SB:,. Wunsch CD; Un metodo generale applicabile alla ricerca di somiglianze nella* sequenza amminoacidica di due proteine // Journal "of Molecular Biology Vol. 48, no: 3, 1970. pp. 443-453.

154. Neuhaus M., Bunke H. Modifica le funzioni del kernel basate sulla distanza per la classificazione di pattern strutturali // Pattern Recognition. vol. 39, n. 10, 2006. pp: 1852-1863.

155. Nevatia R., Hobbs J. e Bolles B. Un'ontologia per la rappresentazione di eventi video // In Workshop on Event Detection and Recognition. IEEE, Vol.12, n. 4, 2004.pp. 76-86.

156. Nguyen.N.-T., Laurendeau D:, Branzan-Albu A. Un metodo robusto per la stima del movimento della telecamera nei film basato sul flusso ottico // The 6th International

Si prega di notare che i testi scientifici presentati sopra sono pubblicati per la revisione e ottenuti attraverso il riconoscimento del testo della dissertazione originale (OCR). A questo proposito, possono contenere errori relativi all'imperfezione degli algoritmi di riconoscimento. Non ci sono tali errori nei file PDF di dissertazioni e abstract che forniamo.

sushiandbox.ru Mastering PC - Internet. Skype. Mezzi sociali. Lezioni su Windows.

Modelli spaziali del terreno. Classificazione dei tipi di modellazione. modelli dinamici. Esempi di costruzione di modelli dinamici Modelli spaziali e dinamici

Elenco delle dissertazioni consigliate

Ricostruzione dell'immagine basata sull'analisi spaziotemporale di sequenze video 2011, candidato di scienze tecniche Damov, Mikhail Vitalievich

Metodo computerizzato per la localizzazione del volto nelle immagini in condizioni di illuminazione difficili 2011, Candidato di scienze tecniche Pakhirka, Andrey Ivanovich

Un metodo per l'elaborazione spazio-temporale di sequenze video non sincronizzate nei sistemi di visione stereo 2013, Ph.D. Pyankov, Dmitry Igorevich

Teoria e metodi dell'analisi morfologica dell'immagine 2008, dottore in scienze fisiche e matematiche Visilter, Yuri Valentinovich

Riconoscimento di gesti dinamici in un sistema di visione artificiale basato sulla rappresentazione mediale della forma delle immagini 2012, Ph.D. Kurakin, Alexey Vladimirovich

Introduzione alla tesi (parte dell'abstract) sul tema "Modelli e metodi per il riconoscimento di immagini dinamiche basate sull'analisi spaziotemporale di sequenze di immagini"

Tesi simili nella specialità "Fondamenti teorici dell'informatica", 05.13.17 codice HAC

Algoritmi combinati per la selezione operativa di oggetti in movimento in una sequenza di fotogrammi video basati sul metodo del differenziale locale per il calcolo del flusso ottico 2010, candidato di scienze tecniche Kazakov, Boris Borisovich

Metodi per la stabilizzazione di sequenze video di scene statiche e dinamiche complesse nei sistemi di videosorveglianza 2014, candidato di scienze tecniche Buryachenko, Vladimir Viktorovich

Metodo e sistema per l'elaborazione di immagini mediche dinamiche 2012, candidato di scienze tecniche Maryaskin, Evgeny Leonidovich

Riconoscimento di tutti gli aspetti di immagini radar di oggetti terrestri (superficiali) con segmentazione dello spazio delle caratteristiche in zone di quasi invarianza 2006, candidato di scienze tecniche Matveev, Alexey Mikhailovich

Metodi e algoritmi per il rilevamento di caratteri di testo sovrapposti in sistemi di riconoscimento di immagini con struttura di sfondo complessa 2007, Candidato di scienze tecniche Zotin, Alexander Gennadievich

Conclusione della dissertazione sul tema "Fondamenti teorici dell'informatica", Favorskaya, Margarita Nikolaevna

Elenco dei riferimenti per la ricerca di tesi Dottore in scienze tecniche Favorskaya, Margarita Nikolaevna, 2011

Post simili

Modelli spaziali del terreno. Classificazione dei tipi di modellazione. modelli dinamici. Esempi di costruzione di modelli dinamici Modelli spaziali e dinamici

Elenco delle dissertazioni consigliate

Ricostruzione dell'immagine basata sull'analisi spaziotemporale di sequenze video 2011, candidato di scienze tecniche Damov, Mikhail Vitalievich

Metodo computerizzato per la localizzazione del volto nelle immagini in condizioni di illuminazione difficili 2011, Candidato di scienze tecniche Pakhirka, Andrey Ivanovich

Un metodo per l'elaborazione spazio-temporale di sequenze video non sincronizzate nei sistemi di visione stereo 2013, Ph.D. Pyankov, Dmitry Igorevich

Teoria e metodi dell'analisi morfologica dell'immagine 2008, dottore in scienze fisiche e matematiche Visilter, Yuri Valentinovich

Riconoscimento di gesti dinamici in un sistema di visione artificiale basato sulla rappresentazione mediale della forma delle immagini 2012, Ph.D. Kurakin, Alexey Vladimirovich

Introduzione alla tesi (parte dell'abstract) sul tema "Modelli e metodi per il riconoscimento di immagini dinamiche basate sull'analisi spaziotemporale di sequenze di immagini"

Tesi simili nella specialità "Fondamenti teorici dell'informatica", 05.13.17 codice HAC

Algoritmi combinati per la selezione operativa di oggetti in movimento in una sequenza di fotogrammi video basati sul metodo del differenziale locale per il calcolo del flusso ottico 2010, candidato di scienze tecniche Kazakov, Boris Borisovich

Metodi per la stabilizzazione di sequenze video di scene statiche e dinamiche complesse nei sistemi di videosorveglianza 2014, candidato di scienze tecniche Buryachenko, Vladimir Viktorovich

Metodo e sistema per l'elaborazione di immagini mediche dinamiche 2012, candidato di scienze tecniche Maryaskin, Evgeny Leonidovich

Riconoscimento di tutti gli aspetti di immagini radar di oggetti terrestri (superficiali) con segmentazione dello spazio delle caratteristiche in zone di quasi invarianza 2006, candidato di scienze tecniche Matveev, Alexey Mikhailovich

Metodi e algoritmi per il rilevamento di caratteri di testo sovrapposti in sistemi di riconoscimento di immagini con struttura di sfondo complessa 2007, Candidato di scienze tecniche Zotin, Alexander Gennadievich

Conclusione della dissertazione sul tema "Fondamenti teorici dell'informatica", Favorskaya, Margarita Nikolaevna

Elenco dei riferimenti per la ricerca di tesi Dottore in scienze tecniche Favorskaya, Margarita Nikolaevna, 2011

Post simili

Configurazione dei moduli CI (CAM) Tricolor su TV di diverse marche Modulo Cam per la visione di canali TV codificati

Ripristino da un checkpoint

Come installare Windows su Mac in tre modi Installare Windows su imac