Volumen - Modelo espacial. Modelos de terreno espacial Modelos dinámicos multivariantes

Existe una clase de tareas en las que la información sobre la estructura y movimiento de objetos de una escena compleja es de especial importancia (videovigilancia en salas cerradas, en lugares concurridos, control de tráfico de complejos robóticos, monitorización del movimiento de vehículos, etc.) . Las secuencias de imágenes son un recurso de información complejo estructurado en el espacio y el tiempo y que combina información inicial en forma de señales multidimensionales, la forma de su representación en una computadora y modelos físicos de objetos dinámicos, fenómenos, procesos. Las nuevas capacidades técnicas del procesamiento de imágenes digitales permiten tener en cuenta parcialmente esta especificidad de las imágenes, al mismo tiempo que se utilizan los logros de la teoría cognitiva de la percepción humana de las imágenes visuales.

El análisis del volumen espacio-temporal de datos permite identificar no solo signos estáticos, sino también dinámicos de objetos de observación. En este caso, el problema de reconocimiento puede definirse como una clasificación de conjuntos de estados o como una clasificación de trayectorias, cuya solución no se puede encontrar por métodos de reconocimiento clásicos, ya que las transiciones de tiempo ^ pueden generar transformaciones de imágenes que no están descritas por dependencias analíticas conocidas; Además, junto con la tarea de reconocer objetos dinámicos, existen tareas de reconocimiento de acciones y eventos activos, por ejemplo, para identificar acciones no autorizadas en lugares concurridos o determinar el género de una escena para indexar en bases de datos multimedia. Si consideramos el problema de reconocer objetos y eventos a partir de secuencias de imágenes como un solo proceso, entonces lo más apropiado es un enfoque jerárquico con elementos de procesamiento paralelo en cada nivel.

La mejora de los medios técnicos para recopilar y reproducir información en forma de imágenes estáticas (fotografías) y secuencias de video requiere un mayor desarrollo de métodos y algoritmos para su procesamiento, análisis de situaciones y reconocimiento de objetos representados. La formulación teórica inicial del problema del reconocimiento de imágenes se remonta a 1960-1970. y se refleja en una serie de obras de autores famosos. La formulación del problema de reconocimiento de imágenes puede variar desde el problema real de reconocimiento de objetos, problemas de análisis de escenas hasta problemas de comprensión de imágenes y problemas de visión artificial. Al mismo tiempo, los sistemas para la toma de decisiones inteligentes basados ​​en métodos de reconocimiento de patrones e imágenes utilizan información de entrada de tipo complejo. Incluye tanto imágenes obtenidas en un amplio rango de longitudes de onda del espectro electromagnético (ultravioleta, visible, infrarrojo, etc.) como información en forma de imágenes sonoras y datos de ubicación. A pesar de la diferente naturaleza física, dicha información se puede presentar en forma de imágenes reales de objetos e imágenes específicas. Los datos radiométricos son imágenes planas de una escena presentada en perspectiva o proyección ortográfica. Se forman midiendo la intensidad de ondas electromagnéticas de un determinado rango espectral, reflejadas o emitidas por objetos en la escena. Por lo general, se utilizan datos fotométricos medidos en el rango espectral visible: imágenes monocromáticas (brillo) * o en color: los datos de ubicación son las coordenadas espaciales de los puntos observados en la escena. Si se miden las coordenadas para todos los puntos de la escena, entonces dicha matriz de datos de ubicación puede denominarse imagen de profundidad de la escena. Existen modelos de imagen simplificados (por ejemplo, modelos de proyección afín, representados por proyecciones de baja perspectiva, paraperspectiva, ortogonales y paralelas), en los que la profundidad de la escena se considera constante y la imagen de ubicación de la escena no. llevar información útil. En este caso, la información sonora es de naturaleza de evento auxiliar.

Los datos fotométricos se miden más rápidamente. La información de ubicación, por regla general, se calcula a partir de datos recibidos de dispositivos especiales (por ejemplo, un telémetro láser, radar) o utilizando un método estereoscópico para analizar imágenes de brillo. Debido a las dificultades para obtener rápidamente datos de ubicación (especialmente para escenas con una forma de objetos visuales que cambia rápidamente), prevalecen las tareas de describir la escena a partir de una imagen visual, es decir. Tareas de percepción visual monocular de la escena. En el caso general, es imposible determinar completamente la geometría de la escena a partir de una sola imagen. Solo bajo ciertas restricciones para escenas de modelos bastante simples y la presencia de información a priori sobre la ubicación espacial de los objetos, es posible construir una descripción tridimensional completa a partir de una imagen. Una de las formas de salir de esta situación es el procesamiento y análisis de secuencias de video recibidas de una o más cámaras de video instaladas estacionarias o en movimiento en el espacio.

Por lo tanto, las imágenes son la principal forma de representación de información sobre el mundo real, y se requiere un mayor desarrollo de métodos de transformación y análisis semántico de imágenes individuales y secuencias de video. Una de las direcciones más importantes en el desarrollo de tales sistemas inteligentes es la automatización de la elección de métodos para describir y transformar imágenes, teniendo en cuenta su naturaleza informativa y objetivos de reconocimiento ya en las etapas iniciales del procesamiento de imágenes.

Los primeros trabajos de investigadores de EE.UU. (Universidad Estatal de Luisiana, Universidad Carnegie Mellon, Pittsburgh), Suecia ("Laboratorio de Visión Computacional y Percepción Activa (CVAP), Departamento de Análisis Numérico y Ciencias de la Computación), Francia (INRIA), Gran Bretaña ( Universidad de Leeds), Alemania (Universidad de Karlsruhe), Austria (Universidad de Queensland), Japón, China (Escuela de Ciencias de la Computación, Universidad de Fudan) sobre el procesamiento de secuencias de imágenes y el reconocimiento de objetos dinámicos se publicaron a fines de la década de 1980. Posteriormente, similares comenzaron a aparecer obras y en Rusia: en Moscú (Universidad Estatal de Moscú, MAI (GTU), MIPT, GosNII AS), San Petersburgo (Universidad Estatal de San Petersburgo, GUAP, FSUE GOI, LOMO), Riazán (RGRTU), Samara (SSAU), Voronezh (VSU), Yaroslavl (YarSU), Kirov (Universidad Estatal de Voronezh), Taganrog (TTI SFU), Novosibirsk (NSU), Tomsk (TSPU), Irkutsk (Universidad Estatal de Irkutsk), Ulan-Ude (VSSTU) y otras ciudades. en este campo, como Académico de la Academia de Ciencias de Rusia, Doctor en Ciencias Técnicas Yu. I. Zhuravlev, Miembro correspondiente de la Academia de Ciencias de Rusia, Doctor en Ciencias Técnicas V. A. Soifer, Doctor en Ciencias Técnicas N.G. Zagoruiko, Doctor en Ciencias Técnicas L. M. Mestetsky, Doctor en Ciencias Técnicas BA Alpatov y otros, hasta la fecha se han logrado importantes avances en la construcción de sistemas de videovigilancia, sistemas de identificación personal basados ​​en imágenes, etc. Sin embargo, existen problemas sin resolver en el reconocimiento de imágenes dinámicas debido a la complejidad y variedad del comportamiento de los objetos en el mundo real. Así, esta dirección requiere la mejora de modelos, métodos y algoritmos para el reconocimiento de objetos y eventos dinámicos a partir de secuencias de imágenes en diversos rangos de radiación electromagnética, lo que permitirá el desarrollo de sistemas de videovigilancia a un nivel cualitativamente nuevo.

El objetivo de la tesis es mejorar la eficiencia del reconocimiento de objetos dinámicos, sus acciones activas y eventos en escenas complejas mediante secuencias de imágenes para sistemas de videovigilancia en interiores y exteriores.

Este objetivo determinó la necesidad de resolver las siguientes tareas:

Analizar métodos para evaluar el movimiento y encontrar signos de movimiento de objetos basados ​​en un conjunto de imágenes secuenciales, métodos de segmentación de objetos dinámicos y análisis semántico de escenas complejas, así como enfoques para el reconocimiento de edificios y sistemas de seguimiento de objetos dinámicos para diversos fines.

Desarrollar modelos para el reconocimiento de patrones estáticos y dinámicos basados ​​en un procedimiento jerárquico para procesar series de tiempo, en particular, secuencias de imágenes.

Desarrollar un método para evaluar el movimiento de estructuras dinámicas basado en información espacio-temporal obtenida en varios rangos de radiación electromagnética, que permita seleccionar métodos de segmentación en función de la naturaleza del movimiento y, por tanto, realizar un reconocimiento adaptativo de imágenes dinámicas. .

Crear un modelo de movimiento multinivel de estructuras dinámicas en una escena compleja, que permita, a partir de los datos odométricos obtenidos, construir trayectorias de movimiento de estructuras dinámicas y plantear hipótesis sobre la existencia de objetos visuales a partir del análisis. de la prehistoria de los movimientos.

Desarrollar un algoritmo de segmentación complejo que tenga en cuenta la totalidad de los signos identificados de estructuras dinámicas con direcciones arbitrarias de desplazamiento y superposición de proyecciones de objetos, basado en un modelo de movimiento multinivel en escenas complejas.

Desarrollar un método para reconocer imágenes dinámicas presentadas en términos de una gramática formal y un camarógrafo de escena, basado en el método de toma de decisiones colectivas, así como métodos para reconocer acciones y eventos activos en una escena compleja utilizando gráficos de acciones y eventos activos. (ampliando el camarógrafo de una escena compleja), y una red bayesiana ...

Sobre la base de los métodos y modelos desarrollados, diseñar sistemas experimentales para diversos fines; diseñado para procesar secuencias de imágenes de objetos caracterizados por un conjunto fijo y arbitrario de proyecciones de 2 £ y reconocimiento de imágenes dinámicas en formato. escenas difíciles.

Métodos de búsqueda. Al realizar la disertación, los métodos de la teoría del reconocimiento de patrones, la teoría descriptiva del reconocimiento de imágenes, la teoría del procesamiento de señales, los métodos de análisis vectorial y cálculo tensorial, así como la teoría de grupos, la teoría de gramáticas formales fueron usó.

La novedad científica del trabajo de tesis es la siguiente:

1. Se ha construido un nuevo modelo para transformar imágenes dinámicas, caracterizado por niveles jerárquicos extendidos de segmentación (por vectores de movimiento local y global) y reconocimiento (objetos y sus acciones activas), que permite encontrar características objetivo para escenas estáticas con objetos en movimiento y Escenas dinámicas basadas en el concepto de invariante dinámico máximo.

2. La teoría descriptiva del reconocimiento de imágenes se ha ampliado introduciendo cuatro nuevos principios: tener en cuenta el objetivo de reconocimiento en las etapas iniciales del análisis, reconocer el comportamiento de los objetos dinámicos, evaluar la historia, un número variable de objetos de observación, que mejora la calidad del reconocimiento de objetos en movimiento aumentando el contenido de información de los datos iniciales.

3. Por primera vez, se ha desarrollado un método espacio-temporal adaptativo para evaluar el movimiento en secuencias sincrónicas de rangos visibles e infrarrojos de radiación electromagnética, que permite extraer signos de movimiento en varios niveles jerárquicos, combinando las ventajas de ambos tipos de secuencias de imágenes.

4. Se ha desarrollado un nuevo modelo de tráfico multinivel; permitiendo descomponer la escena en niveles separados; no> limitado; la división generalmente aceptada en primer plano y fondo, que permite una segmentación más confiable de imágenes de objetos en; escenas de perspectiva difíciles.

5: ¿Razonable? y construido; nuevo; algoritmo generalizado para la segmentación de objetos dinámicos; con, aplicación, una variedad de signos, incluyendo prehistoria del comportamiento; y le permite rastrear tanto la dinámica de los objetos visuales individuales como la interacción de los objetos en la escena (proyecciones superpuestas; aparición / desaparición de objetos del campo de visión del sensor de video) basado en transformaciones grupales; y el primer análisis propuesto de la parte común de las proyecciones de objetos (de dos marcos adyacentes) utilizando estimaciones integrales e invariantes.

6. Se modifica el método de toma de decisiones colectivas, que se diferencia en encontrar señales de proyecciones intercuadros de un objeto y permite tomar en cuenta la prehistoria de observaciones para reconocer acciones y eventos activos basados ​​en una red bayesiana, y también se proponen cuatro tipos de pseudodistancias para encontrar la medida de similitud v de imágenes dinámicas con imágenes dinámicas de referencia en función de la presentación de características dinámicas.

Significado práctico. Los métodos y algoritmos propuestos en el trabajo de tesis están pensados ​​para su aplicación práctica en la "monitorización de vehículos en tráfico multicarril en el marco del proyecto estatal" Ciudad Segura ", en sistemas de control automatizados para diversos procesos tecnológicos de producción mediante secuencias de vídeo, en exteriores sistemas de videovigilancia y videovigilancia en espacios cerrados, así como en sistemas de identificación de objetos en fotografías aéreas y reconocimiento de imágenes de paisajes A partir de la investigación de tesis, se han desarrollado complejos de software para procesar y reconocer objetos dinámicos, que se utilizan en diversos campos de actividad.

Implementación de resultados de trabajo. Los programas desarrollados están registrados en el registro ruso de programas informáticos: el programa “Segmentación de imágenes manuscritas (SegPic)” (certificado nº 2008614243, Moscú, 5 de septiembre de 2008); Programa MotionEstimation (certificado No. 2009611014, Moscú, 16 de febrero de 2009); el programa "Localización facial (FaceDetection)" (certificado No. 2009611010, Moscú, 16 de febrero de 2009); el programa "Sistema de imposición de efectos visuales naturales sobre una imagen estática (Imitación de efectos naturales)" (certificado nº 2009612794, Moscú, 30 de julio de 2009); el programa "Detección visual de humo (SmokeDetection)" (certificado №2009612795, Moscú, 30 de julio de 2009); "El programa de registro visual de matrículas estatales de vehículos en tráfico de múltiples flujos (FNX CTRAnalyzer)" (certificado No. 2010612795, Moscú, 23 de marzo de 2010), el programa "Mejora de imagen no lineal" (certificado No. 2010610658, g Moscú, 31 de marzo de 2010

Se recibieron actas sobre la transferencia y uso de algoritmos y software para el reconocimiento de cajas de frigoríficos en una línea de montaje (OJSC KZH "Biryusa", Krasnoyarsk), para la identificación de imágenes de objetos en imágenes de paisajes (Preocupación de la ingeniería de radio "Vega", OJSC KB " Luch ", Rybinsk, región de Yaroslavl), para la segmentación de la vegetación forestal basada en un conjunto de fotografías aéreas secuenciales (LLC Altex Geomatika, Moscú), para detectar placas de matrículas estatales de vehículos en secuencias de video durante el tráfico de múltiples flujos y mejorar la calidad de su exhibición ^ (UGIBDD GUVD en el territorio de Krasnoyarsk, Krasnoyarsk).

Los algoritmos y software desarrollados se utilizan en el proceso educativo al realizar clases en las disciplinas "Procesamiento inteligente de datos", "Tecnologías informáticas en la ciencia y la educación", "Fundamentos teóricos del procesamiento de imágenes digitales", "Reconocimiento de patrones", "Redes neuronales". , "Procesamiento de algoritmos de imágenes", "Algoritmos para procesar secuencias de video", "Análisis de escenas y visión artificial" en la Universidad Aeroespacial Estatal de Siberia que lleva el nombre del académico M.F. Reshetnev (SibGAU).

La confiabilidad de los resultados obtenidos en el trabajo de disertación está asegurada por la corrección de los métodos de investigación utilizados, el rigor matemático de las transformaciones realizadas, así como la correspondencia de los enunciados y conclusiones formulados con los resultados de su verificación experimental.

Las principales disposiciones para la defensa:

1. Modelo de procesamiento y reconocimiento de imágenes dinámicas en escenas complejas, significativamente ampliado por "niveles jerárquicos de segmentación y reconocimiento no solo de objetos, sino también de sus acciones activas".

2. Expansión de la teoría descriptiva del reconocimiento de imágenes para series de tiempo (secuencias de imágenes) aumentando el contenido de información de los datos analizados no solo en el dominio espacial, sino también en el componente temporal.

3. Un método espacio-temporal adaptativo para evaluar el movimiento. basado en representaciones de tensor de volúmenes de ZI locales en secuencias sincrónicas de rangos visibles e infrarrojos de radiación electromagnética.

4. Un modelo de movimiento multinivel en escenas complejas, que expande la descomposición de escenas en perspectiva en niveles separados para un análisis más confiable de las trayectorias de movimiento de los objetos.

5. Un algoritmo generalizado para la segmentación de objetos dinámicos, que permite, en base a las transformaciones grupales y las estimaciones integrales e invariantes propuestas, identificar proyecciones superpuestas de objetos, la aparición / desaparición de objetos del campo de visión del sensor de video. .

6. Métodos de reconocimiento de imágenes dinámicas basados ​​en un método modificado de toma de decisiones colectivas y búsqueda de pseudodistancias en espacios métricos, así como acciones activas y eventos en escenarios complejos.

Aprobación de obra. Las principales disposiciones y resultados de la investigación de tesis se informaron y debatieron en la décima conferencia internacional "Reconocimiento de patrones y análisis de imágenes: tecnologías de información modernas" (S.-Petersburg, 2010), el congreso internacional "Sistemas de control y telecomunicaciones ultramodernos ICUMT2010" ( Moscú, 2010); XII Simposio Internacional sobre Métodos No Paramétricos en Cibernética y Análisis de Sistemas (Krasnoyarsk, 2010), II Simposio Internacional "Tecnologías de Decisiones Inteligentes - IDT 2010" (Baltimore, 2010), III Congreso Internacional. “¿Automatización, Control? y tecnología de la información - AOIT- ICT "2010" (Novosibirsk, 2010), 10, 11 y 12 conferencias y exposiciones internacionales "Procesamiento de señales digitales y su aplicación" (Moscú, 2008 - 2010), X conferencia científica y técnica internacional "Teórica y cuestiones aplicadas de las tecnologías de la información modernas "(Ulan-Ude, 2009), IX conferencia científica y técnica internacional" Cibernética y altas tecnologías del siglo XXI "(Voronezh, 2008), conferencia de toda Rusia" Modelos y métodos de procesamiento de imágenes "(Krasnoyarsk , 2007), en las X, XI y XIII conferencias científicas internacionales "Lecturas de Reshetnev" (Krasnoyarsk, 2006, 2007, 2009), así como en los seminarios científicos de la Universidad Estatal de Instrumentación Aeroespacial (San Petersburgo, 2009), Instituto de Modelado Computacional de SO

RAS (Krasnoyarsk, 2009), Instituto de Sistemas de Procesamiento de Imágenes RAS (Samara, 2010).

Publicaciones. Con base en los resultados de la investigación de tesis, se publicaron 53 trabajos impresos, de los cuales 1 monografía, 26 artículos (de los cuales 14 artículos están en publicaciones incluidas en la lista VAK, 2 artículos están en publicaciones enumeradas en Thomson Reuters: Science Citation Index Expanded / Índice de citas de actas de conferencias "), 19 tesis de informes, 7 certificados registrados en el registro ruso de programas informáticos, así como 3 informes de investigación.

Contribución personal. Todos los principales resultados presentados en la tesis, incluida la formulación de problemas y sus soluciones matemáticas y algorítmicas, fueron obtenidos por el autor personalmente, o realizados bajo su supervisión científica y con participación directa. Con base en los materiales del trabajo, se defendieron dos disertaciones para el grado de candidato de ciencias técnicas, en cuya implementación el autor fue el asesor científico oficial.

Estructura de trabajo. El trabajo consta de una introducción, seis capítulos, una conclusión, una bibliografía. El texto principal de la tesis contiene 326 páginas, la presentación está ilustrada con 63 figuras y 23 tablas. La lista bibliográfica incluye 232 títulos.

6.7 Conclusiones del capítulo

Este capítulo describe en detalle la estructura y funciones principales del complejo de software experimental "ZROEL", u.1.02, el cual; realiza procesamiento jerárquico sistémico de secuencias de imágenes hasta los niveles más altos de reconocimiento de objetos y eventos. Es un sistema automatizado que Requiere participación humana para entrenamiento y ajuste de gráficos, redes y clasificadores. Varios módulos de bajo nivel del sistema funcionan en modo automático. La estructura del paquete de software es tal que es posible modificar módulos sin afectar otros módulos del sistema. Se presentan esquemas funcionales de los principales módulos del sistema: módulo, preprocesamiento, módulo de estimación de movimiento, módulo de segmentación, módulo de reconocimiento de objetos y módulo de reconocimiento de acciones activas.

Se llevaron a cabo estudios experimentales basados ​​en este paquete de software en varias secuencias de video y secuencias infrarrojas de la base de prueba "OTCBVS ^ 07", en secuencias de video de prueba "Taxi de Hamburgo", "Cubo de Rubik". "Silent", así como en nuestro propio material de video. Se probaron cinco métodos de estimación de movimiento. Se ha demostrado experimentalmente que el método de coincidencia de bloques y el método propuesto para la secuencia de infrarrojos muestran valores cercanos y son los menos precisos. El método propuesto para la secuencia de video y el método para rastrear características de puntos muestran resultados similares. Al mismo tiempo, el enfoque tensorial desarrollado requiere una menor cantidad de cálculos por computadora en comparación con el método de rastreo de características puntuales. Se recomienda el uso combinado de secuencia de vídeo sincronizada y secuencia de infrarrojos para encontrar el módulo de vector de velocidad en condiciones de poca iluminación de la escena.

Para reconocer objetos visuales, se utilizaron cuatro tipos de pseudodistancias (pseudodistancias de Hausdorff, Gromov-Hausdorff, Frechet, pseudodistancia natural) para encontrar una medida de similitud de imágenes dinámicas de entrada con imágenes dinámicas de referencia (dependiendo de la representación de una característica dinámica: un conjunto de características numéricas, un conjunto de vectores, un conjunto de funciones). Han mostrado su consistencia para imágenes con admisibles transformaciones morfológicas. Usamos estimaciones normalizadas integradas de la forma de contorno Kc de la parte común de la proyección del objeto entre marcos condicionalmente adyacentes y el área de la parte común 5e y una estimación invariante - la función de correlación de las partes comunes de las proyecciones Fcor . La aplicación del método modificado de toma de decisiones colectivas permite "descartar" observaciones fallidas de imágenes de entrada (casos de proyecciones superpuestas de objetos, distorsión de la escena de fuentes de luz, etc.) y elegir las observaciones más apropiadas. Los experimentos han demostrado que el uso del método modificado de toma de decisiones colectivas aumenta la precisión del reconocimiento en un promedio de 2,4-2,9%.

Se obtuvieron resultados experimentales de estimación de movimiento, segmentación y reconocimiento de objetos en secuencias de imágenes de prueba (taxi de Hamburgo, cubo de Rubik. Silencioso, secuencias de video y secuencias de infrarrojos de la base de prueba OTSBVS 07). Ejemplos de las bases de prueba "PETS", "CAVIAR", "VACE". La naturaleza de la secuencia visual de prueba afecta los indicadores. Los objetos que realizan un movimiento de rotación ("cubo de Rubik") se reconocen peor, los objetos artificiales de pequeño tamaño ("Taxi de Hamburgo", "Video 1"). Los mejores resultados se muestran mediante el reconocimiento mediante dos secuencias. Además, los mejores resultados experimentales se obtuvieron al reconocer acciones activas periódicas de personas que no están en grupos (caminar, correr, levantar la mano). ...

Al final * del sexto capítulo, "proyectos aplicados como" Registro visual de matrículas estatales de vehículos en tráfico de múltiples flujos "," Un sistema para identificar modelos de cajas de refrigeradores por imágenes "," Algoritmos para procesamiento y segmentación " , imágenes de paisaje Identificación de objetos Se entregó algoritmos y software a las organizaciones interesadas: Los resultados de la operación de prueba mostraron la operatividad del software desarrollado a partir de los modelos y métodos propuestos en la tesis.

CONCLUSIÓN

En el trabajo de tesis se planteó y resolvió un importante problema científico y técnico de procesamiento de datos espacio-temporales obtenidos a partir de secuencias de rangos de radiación electromagnética visible e infrarroja y reconocimiento de imágenes dinámicas en escenas complejas. El sistema de métodos jerárquicos para procesar y extraer características de datos espacio-temporales es una base metodológica para resolver problemas aplicados en el campo de la videovigilancia.

La introducción fundamenta la relevancia del trabajo de tesis, formula la meta y establece los objetivos de la investigación, muestra la novedad científica y el valor práctico de la investigación realizada, presenta las principales disposiciones para la defensa.

El primer capítulo muestra que los objetos visuales en las secuencias de video se caracterizan por un vector de características más multidimensional que las "imágenes en la formulación clásica del problema del reconocimiento de imágenes estáticas. En la tesis, las etapas de clarificación se introducen en los niveles medio y superior de procesamiento". , que son esenciales para imágenes dinámicas.

Se construye una clasificación de los principales tipos de problemas de reconocimiento de imágenes estáticas, escenas estáticas con elementos de movimiento y secuencias de imágenes, que refleja el carácter histórico del desarrollo de los métodos matemáticos en esta área. Se lleva a cabo un análisis detallado de métodos para evaluar el movimiento, algoritmos para la segmentación de objetos en movimiento, métodos para interpretar eventos en escenas complejas.

Se consideran los sistemas de hardware y software comerciales existentes en áreas tales como monitoreo de vehículos para diversos fines, procesamiento de material de video deportivo, seguridad (reconocimiento facial, entrada no autorizada de personas en un área protegida). También se analizan los desarrollos de investigación para sistemas de videovigilancia.

Al final del Capítulo 1, se presenta la formulación del problema del procesamiento espacio-temporal de secuencias de imágenes, presentado en forma de tres niveles y cinco etapas de procesamiento y reconocimiento de información visual a partir de secuencias de imágenes.

En el segundo capítulo de la tesis se desarrollan modelos formales de procesamiento y reconocimiento de objetos por sus imágenes estáticas y secuencias de imágenes. Se construyen las asignaciones admisibles en el espacio de la imagen y el espacio de características para el problema directo y el problema inverso. Se dan las reglas para construir funciones de decisión invariantes y el invariante dinámico máximo generalizado. Al reconocer las trayectorias de diferentes patrones en el espacio multidimensional de características, pueden cruzarse. En la intersección de las proyecciones de objetos, encontrar el invariante dinámico máximo generalizado se vuelve aún más difícil y, en algunos casos, incluso una tarea imposible.

Se consideran los principios básicos de la teoría descriptiva del reconocimiento de imágenes, que se basan en métodos regulares de selección y síntesis de procedimientos algorítmicos de procesamiento de información para el reconocimiento de imágenes. Se proponen principios adicionales que amplían la teoría descriptiva para imágenes dinámicas: tener en cuenta el objetivo de reconocimiento en las etapas iniciales del procesamiento de secuencias de imágenes, reconocer situaciones de comportamiento de objetos dinámicos, evaluar la historia de objetos dinámicos, un número variable de objetos de observación en escenas complejas.

El problema de buscar características de destino para analizar secuencias de imágenes se considera en detalle, dependiendo del tipo de disparo (en el caso de disparo de un solo ángulo), el movimiento del sensor de video y la presencia de objetos en movimiento en la zona de visibilidad. Se dan descripciones de cuatro situaciones en el espacio de atributos a medida que la tarea se vuelve más compleja.

En el tercer capítulo se formulan las etapas de procesamiento de secuencias de imágenes y reconocimiento de objetos, acciones activas, eventos y el género de una escena. Las etapas reflejan la naturaleza jerárquica secuencial del procesamiento de la información visual. También se presentan las condiciones y limitaciones de los métodos jerárquicos de procesamiento espacio-temporal de secuencias de imágenes.

La clasificación de las regiones dinámicas de la imagen se lleva a cabo analizando los autovalores 31) del tensor estructural, cuyos autovectores se determinan a partir de los desplazamientos locales de las intensidades de las imágenes de los fotogramas vecinos y se utilizan para evaluar las orientaciones locales de las regiones dinámicas. Se ha comprobado un nuevo método para estimar el movimiento en el volumen de datos del espacio-tiempo en los rangos de radiación visible e infrarrojo sobre la base del enfoque tensorial. Se considera la posibilidad de utilizar un kernel espacialmente variable que se adapte al tamaño y orientación del entorno puntual. La adaptación del entorno, que al principio tiene la forma de un círculo y luego se convierte en una elipse orientada después de 2-3 iteraciones, permite mejorar la evaluación de las estructuras orientadas en la imagen. Esta estrategia mejora las estimaciones de gradientes en el conjunto de datos de espacio-tiempo.

Los parámetros de movimiento local se estiman calculando primitivas geométricas y puntos singulares de la región local. Así, la valoración de los signos locales del movimiento de las regiones es la base para el avance de hipótesis posteriores sobre la pertenencia de los objetos visuales a una clase u otra. El uso de secuencias de vídeo sincrónicas y secuencias de infrarrojos puede mejorar los resultados de la segmentación de las regiones en movimiento en la imagen y encontrar vectores de movimiento locales.

Se muestra que es posible estimar los límites en imágenes en color sobre la base de métodos de gradiente multidimensional construidos en todas las direcciones en cada punto del límite, métodos vectoriales que usan estadísticas ordinales en una imagen en color, así como el enfoque tensorial dentro de el marco de los métodos de gradiente multidimensional. Los métodos para refinar la información de contorno son esenciales para regiones con un número arbitrario de proyecciones permitidas.

En el cuarto capítulo, se construye un modelo de movimiento multinivel sobre la base de estructuras de movimiento, que refleja la dinámica de los objetos en escenas reales y amplía la representación en dos niveles de una escena dividida en objetos de interés y un fondo estacionario.

Se investigan modelos de movimiento de objetos en un plano basados ​​en la teoría de los grupos de Lie compactos. Se presentan modelos de transformación proyectiva y variedades de modelos de transformación afines. Tales transformaciones describen bien las estructuras de movimiento con un número limitado de proyecciones (objetos tecnogénicos). La representación de estructuras con un número ilimitado de proyecciones (objetos antropogénicos) mediante transformaciones afines o proyectivas va acompañada de una serie de condiciones adicionales (en particular, el requisito de que los objetos estén alejados del sensor de video, objetos pequeños, etc.). Se dan las definiciones y un teorema demostrado por L.S. La magnitud de los cambios se determina mediante el método para estimar el movimiento de la diferencia entre cuadros, desarrollado en el Capítulo 3.

Se construyó una extensión de las transiciones admisibles entre grupos de transformación debido a la dualidad de la naturaleza de 2 £) -imágenes (visualización de cambios en la proyección de un objeto individual e intersección visual de varios objetos: (interacción de objetos)). Se encontraron criterios que, al cambiar los grupos de transformación, registran acciones y eventos activos en la escena, es decir, estimaciones integradas de la forma del contorno Kc de la parte común de la proyección entre los marcos condicionalmente adyacentes y el área de la parte común. 5e y estimaciones invariantes - la función de correlación de las partes comunes de las proyecciones Pcr y las constantes estructurales del grupo de Lie con "q, que permiten estimar el grado de variabilidad y revelar la naturaleza del movimiento de los objetos observados .

Asimismo, se ha construido un modelo de la prehistoria del movimiento de objetos en secuencias de imágenes, que incluye series temporales de trayectorias de movimiento, cambios en la forma de un objeto cuando se mueve en el espacio 3 £>, así como cambios en la forma de un objeto asociada con la interacción de objetos en la escena y la aparición / desaparición de un objeto del campo de visión del sensor (utilizado para reconocer acciones y eventos activos en la escena). 1

Se ha desarrollado un algoritmo generalizado para la segmentación de objetos en escenas complejas, teniendo en cuenta casos complejos de segmentación (imágenes superpuestas, aparición y desaparición de objetos del campo de visión de la cámara, movimiento hacia la cámara), que incluye tres subetapas: presegmentación, segmentación y possegmentación. Para cada sub-etapa se formulan tareas, datos iniciales y de salida, se han desarrollado diagramas de bloques de algoritmos que permiten segmentar escenas complejas, aprovechando las ventajas de secuencias síncronas de diferentes rangos de radiación.

El quinto capítulo examina el proceso de reconocimiento de patrones dinámicos utilizando gramática formal, un camarógrafo de escena y un método modificado de toma de decisiones colectivas. Una escena dinámica con movimiento multinivel tiene una estructura que cambia con el tiempo, por lo que es recomendable utilizar métodos de reconocimiento estructural. La gramática contextual de tres niveles propuesta para reconocer escenas complejas con movimiento multinivel de objetos implementa dos tareas: la tarea de analizar una secuencia de imágenes y la tarea de analizar una escena.

Un medio más visual de descripción semántica de una escena es un camarógrafo, construido de acuerdo con el método de agrupación jerárquica. Sobre la base de características complejas del nivel inferior, las estructuras espaciales locales, estables en el tiempo, se forman objetos espaciales locales y se construye un camarógrafo de la escena, incluidos los objetos espaciales reconocidos, un conjunto de acciones inherentes, así como la conexiones espacio-temporales entre ellos.

El método modificado de toma de decisiones colectivas se basa en un procedimiento de reconocimiento de dos niveles. En el primer nivel, se lleva a cabo el reconocimiento de la pertenencia de la imagen a un área particular de competencia. En el segundo nivel, entra en vigor la regla de decisión, cuya competencia es máxima en el área determinada. Las expresiones para pseudodistancias se construyen al encontrar una medida de similitud de imágenes dinámicas de entrada con imágenes dinámicas de referencia, dependiendo de la presentación de características dinámicas: un conjunto de características numéricas, un conjunto de vectores, un conjunto de funciones.

Al reconocer eventos, el camarógrafo de una escena compleja se expande al camarógrafo de eventos: se ha construido un modelo dependiente del objeto de un objeto dinámico. Como función de emparejamiento, se utilizan los clasificadores más simples en el espacio de características (por ejemplo, por el método de ^ -medias), ya que la comparación se lleva a cabo de acuerdo con un conjunto limitado de patrones asociados con un objeto previamente identificado. Se consideran métodos para formar plantillas de proyecciones de objetos visuales.

El camarógrafo de eventos se construye sobre la base de las redes de Markov. Se consideran los métodos de detección de acciones activas de los agentes, así como el procedimiento de construcción y corte de un camarógrafo de eventos para su reconocimiento, eventos en una escena. Al mismo tiempo, para cada evento, se construye su propio modelo, que se entrena con ejemplos de prueba. La detección de eventos se reduce a agrupar acciones activas secuenciales basadas en el enfoque bayesiano. Se realiza un corte recursivo: matriz de coeficientes de peso en la secuencia de video de entrada y comparación con eventos de referencia obtenidos en la etapa de entrenamiento. Esta información es * inicial para determinar el género de la escena y, si es necesario, indexar la secuencia de video en la base de datos. Se ha desarrollado un esquema para comprender e interpretar imágenes y materiales de video para su indexación en bases de datos multimedia de Internet.

El sexto capítulo describe el paquete de software experimental "SPOER", v.l.02 para procesar secuencias de imágenes y reconocer objetos y eventos en movimiento. Realiza un procesamiento jerárquico sistémico de secuencias de imágenes hasta los niveles más altos de reconocimiento de objetos y eventos. Es un sistema automatizado que requiere la participación humana para entrenar y configurar gráficos, redes y clasificadores. Varios módulos de bajo nivel del sistema funcionan en modo automático.

En estudios experimentales realizados con el paquete de software SPOER vl02, se utilizaron secuencias de video y secuencias de imágenes infrarrojas de la base de prueba OTCBVS "07", secuencias de video de prueba "Taxi de Hamburgo", "Cubo Rubik", "Silent" y materiales de video propios. Se probaron cinco métodos de estimación de movimiento. El método propuesto para una secuencia de video demuestra los resultados más precisos y requiere menos cantidad de cálculos de computadora en comparación con otros métodos. El uso combinado de una secuencia de video sincronizada y una secuencia de infrarrojos es aconsejable al encontrar los módulos de los vectores de velocidad en condiciones de poca iluminación de la escena.

Para reconocer objetos visuales con transformaciones morfológicas admisibles de proyecciones, estimaciones normalizadas integradas de la forma del contorno Kc de la parte común de la proyección del objeto entre marcos condicionalmente adyacentes y el área de la parte común 5e y una estimación invariante: la correlación función de las partes comunes de las proyecciones Fcor. La aplicación del método modificado de toma de decisiones colectivas permite "descartar" observaciones fallidas de las imágenes de entrada (casos de proyecciones superpuestas de objetos, distorsiones visuales de la escena de fuentes de luz, etc.) y elegir las observaciones más apropiadas. Los experimentos han demostrado que el uso del método modificado de toma de decisiones colectivas aumenta la precisión del reconocimiento en un promedio de 2,4-2,9%.

Resultados experimentales de la estimación del movimiento; La segmentación y el reconocimiento de objetos se obtuvieron en secuencias de imágenes de prueba ("Taxi de Hamburgo", "Cubo de Rubik". "Silencioso", secuencias de video y secuencias de infrarrojos de la base de prueba "OTCBVS * 07"). Para reconocer las acciones activas de las personas, se utilizaron ejemplos de las bases de prueba "PETS", "CAVIAR", "VACE". Los mejores resultados se muestran mediante el reconocimiento de dos secuencias. Además, los mejores resultados experimentales se lograron al reconocer acciones activas periódicas de personas que no estaban en grupos (caminar, correr, levantar la mano). Los falsos positivos son causados ​​por luces y la presencia de sombras en varios lugares de la escena.

Sobre la base del complejo experimental "ZROEYA", V. 1.02, se desarrollaron sistemas para procesar información de video para diversos fines: "Registro visual de matrículas estatales de vehículos con tráfico multiproceso", "Un sistema para identificar modelos de cajas de refrigeradores por imágenes "," Algoritmos de procesamiento y segmentación de imágenes de paisajes ... Identificación de objetos ". Se transfirieron algoritmos y software a las organizaciones interesadas. Los resultados de la operación de prueba mostraron la operatividad del software desarrollado a partir de los modelos y métodos propuestos en la tesis.

Así, en el trabajo de tesis se obtuvieron los siguientes resultados:

1. Los modelos formales de procesamiento y reconocimiento de estructuras espacio-temporales se construyen sobre la base de un procedimiento jerárquico adaptativo. procesando secuencias de imágenes, que se diferencian en que toman en cuenta transformaciones isomórficas y homomórficas y derivan funciones generalizadas de invariantes estáticas y dinámicas. También se construyen modelos de búsqueda de características estáticas y dinámicas de objetos para cuatro tareas de análisis de secuencias de imágenes, dependiendo de la presencia de un sensor de video en movimiento1 y objetos en movimiento en la escena.

2. Ampliado: las principales disposiciones del enfoque descriptivo para el reconocimiento de secuencias de imágenes, lo que permite tener en cuenta los objetivos de reconocimiento en las etapas iniciales del procesamiento de una secuencia de imágenes con la posterior segmentación de áreas de interés, construir trayectorias y reconocer el comportamiento de los objetos dinámicos, tener en cuenta la prehistoria del movimiento de los objetos al cruzar sus proyecciones, acompañar a un número variable de objetos de observación.

3. Se ha desarrollado un método jerárquico para procesar y reconocer estructuras espacio-temporales, que consta de tres niveles y cinco etapas y asumiendo la normalización de proyecciones de objetos, lo que permite reducir el número de estándares para una clase al reconocer objetos dinámicos complejos. .

4. Se ha desarrollado un método para estimar el movimiento para secuencias de imágenes de los rangos visible e infrarrojo de radiación electromagnética, que se diferencia en que se utilizan conjuntos de datos espacio-temporales, presentados en forma de tensores estructurales 3 £> y tensores bB. flujo respectivamente. La estimación de movimiento resultante le permite elegir el método de segmentación más eficaz para objetos visuales dinámicos que difieren en el número de proyecciones permitidas.

5. Se construye un modelo de movimiento multinivel de regiones de imagen sobre la base de vectores de velocidad local, que se diferencia en que permite dividir la escena no solo en objetos de primer plano y de fondo, sino también en niveles de movimiento de objetos alejados del observador. Esto es especialmente cierto para escenas complejas grabadas por un sensor de video móvil, cuando todos los objetos de la escena están en movimiento relativo.

6. Se ha desarrollado un algoritmo adaptativo para la segmentación de objetos dinámicos: a) para objetos con un número limitado de proyecciones, basado en el análisis de la prehistoria del movimiento de regiones dinámicas locales, caracterizado porque cuando las imágenes se superponen, la forma de la región se completa de acuerdo con la plantilla actual y, siempre que se aplique el filtro de Kalman, se predice la trayectoria actual; b) para objetos con un número arbitrario de proyecciones basadas en análisis complejos, color, textura, estadísticos, signos topológicos y signos de movimiento, caracterizados porque cuando las imágenes se superponen, la forma de la región se completa mediante el método de contornos activos.

7. Se propone un método para construir una videográfica dinámica de una escena compleja mediante el método de agrupación jerárquica de atributos complejos del nivel más bajo en estructuras espaciales locales, estables en el tiempo, y además en objetos espaciales locales. El camarógrafo formado establece relaciones temporales entre objetos y guarda todas las características generalizadas para reconocer eventos en la escena. La gramática bidimensional de M.I. Schlesinger en el marco del método de reconocimiento estructural hasta una gramática contextual de tres niveles.

8: Para el reconocimiento de objetos dinámicos se modifica el método de toma de decisiones colectivas, que primero reconoce la pertenencia de la imagen al área de competencia, y luego selecciona la regla de decisión, cuya competencia es máxima en el determinado zona. Se construyen cuatro tipos de pseudodistancias para encontrar una medida de similitud de imágenes dinámicas de entrada con estándares, dependiendo de la presentación de características dinámicas.

9. Se ha desarrollado un método de reconocimiento de eventos basado en una red bayesiana, que realiza corte recursivo de la matriz de coeficientes de peso en la secuencia de video de entrada y comparación con eventos de referencia obtenidos en la etapa de entrenamiento. Esta información es el punto de partida para determinar el género de una escena e indexar secuencias de video en bases de datos multimedia de Internet.

10. Los problemas prácticos de procesamiento y reconocimiento de secuencias de imágenes se resuelven utilizando el método adaptativo-jerárquico de procesamiento espacio-tiempo, se muestra la eficiencia del método, se demuestra la efectividad de la aplicación del sistema de métodos de procesamiento jerárquico. reconocimiento de información visual con la posibilidad de selección adaptativa de características c. el proceso de resolución del problema. Los resultados obtenidos en forma de sistemas experimentales diseñados fueron transferidos a las organizaciones interesadas.

Así, en este trabajo de tesis se ha resuelto un importante problema científico y técnico de soporte de información para sistemas de videovigilancia y se ha desarrollado un nuevo rumbo en el campo del procesamiento espacio-temporal y reconocimiento de imágenes dinámicas.

1. Análisis automático de imágenes complejas / Ed. EM. Bra-vermana. Moscú: Mir, 1969-309 p. Bongard M.M. Problemas de reconocimiento. - M .: Nauka, 1967.-320 p.

2. Alpatov, BA, Detección de un objeto en movimiento en una secuencia de imágenes en presencia de restricciones en el área y la velocidad del objeto / BA. Alpatov, A.A. Kitaev // Procesamiento de imágenes digitales, No. 1, 2007. p. 11-16.

3. Alpatov, BA, Selección de objetos en movimiento en condiciones de distorsiones geométricas de la imagen / BA. Alpatov, P.V. Babayan // Procesamiento de señales digitales, No. 45 2004. p. 9-14.

4. Alpatov, B.A., Babayan P.V. Métodos de procesamiento y análisis de imágenes "en sistemas a bordo para la detección y seguimiento de objetos / BA Alpatov, PV Babayan // Procesamiento de señales digitales, No. 2, 2006. 45-51 p.

5. Bolshakov, A.A., Métodos para procesar datos multivariados y series de tiempo: libro de texto para universidades / A.A. Bolshakov, R.I. Karimov / M.: Hotline-Telecom, 2007.522 p. 6: Bongard, M.M. Problemas de reconocimiento / M.M. Bongard / M.: Nauka, 1967.-320 p.

6. Bulinsky, A.B. Teoría de los procesos estocásticos1 / A.B. Bulinsky, A.N. Shiryaev / M.: FIZMATLIT, 2005.408 p.

7. Weintsweig, M.N. Vayntsvaig M.N., Vaintsvaig M.N., Arquitectura del sistema de representación visual de escenas dinámicas en términos de conceptos. Polyakova // Sáb. tr. 11º de toda Rusia. conf. "Métodos matemáticos para el reconocimiento de patrones (MMRO-11)", M., 2003. p. 261-263.

8. Vapnik, V.N. La tarea de enseñar el reconocimiento de patrones / V.N. Vapnik / M.: Conocimiento, 1970 .-- 384 p.

9.P. Vapnik, V.N. Teoría del reconocimiento de patrones (problemas de aprendizaje estadístico) / V.N. Vapnik, A. Ya. Chervonenkis / M.: Nauka, 1974, 416 p.

10. Vasiliev, V.I. Reconocimiento de cuerpos en movimiento / V.I. Vasiliev, A.G. Ivakhnenko, V.E. Reutsky et al. // Automation, 1967, nº 6, pág. 47-52.

11. Vasiliev, V.I. Sistemas de reconocimiento / V.I. Vasiliev / Kiev: Nauk. Dumka, 1969, 292 p.

12. Vasiliev, V.I. Sistemas de reconocimiento. Manual / V.I. Vasiliev / Kiev, Nauk, Dumka, 1983, 422 p.

13. Vizilter, Yu.V. Aplicación del método de análisis de evidencia morfológica en problemas de visión artificial> / Yu.V. Visilter // Boletín de tecnologías informáticas y de la información, No. 9, 2007 p. 11-18.

14. Vizilter, Yu.V. Morfologías proyectivas basadas en interpolación / Yu.V. Visilter // Boletín de tecnologías informáticas y de la información, No. 4, 2008.- p. 11-18.

15. Vizilter, Yu.V., Morfologías proyectivas y su aplicación en el análisis estructural de imágenes digitales / Yu.V. Vizilter, S.Yu. Zheltov // Izv. RAS. TISU, No. 6, 2008. pág. 113-128.

16. Vizilter, Yu.V. Investigación del comportamiento de filtros autorregresivos en el problema de detección y análisis de movimiento en secuencias de video digital / Yu.V. Vizilter, B.V. Vishnyakov // Boletín de tecnologías informáticas y de la información, No. 8, 2008. - p. 2-8.

17. Vizilter, Yu.V. Morfologías proyectivas de imágenes basadas en modelos descritos por funcionales estructurantes / Yu.V. Vizilter, S.Yu. Zheltov // Boletín de tecnologías informáticas y de la información, No. 11, 2009.- p. 12-21.

18. Vishnyakov, B.V. El uso de un método modificado de flujos ópticos en el problema de la detección de movimiento y el seguimiento entre cuadros.

19. Ganebnykh, S.N. Análisis de escenas basado en el uso de representaciones de imágenes en forma de árbol / S.N. Ganebnykh, M.M. Lange // Sáb. tr. 11º All-Ross. conf. "Métodos matemáticos de reconocimiento de patrones (ММРО-11)", M., 2003.- p. 271-275.

20. Glushkov, V.M. Introducción a la cibernética / V.M. Glushkov / Kiev: editorial de la Academia de Ciencias de la República Socialista Soviética de Ucrania, 1964.324 p.

21. González, R., Woods R. Procesamiento de imágenes digitales. Traducido del inglés. ed. P. A. Chochia / R. Gonzalez, R. Woods / M.: Technosphere, 2006.1072 p.

22. Goroshkin, A.N., Segmentación de imágenes de texto escrito a mano (SegPic) / A.N. Goroshkin, M.N. Favorskaya // Certificado No. 2008614243. Registrado en el Registro de programas de computadora, Moscú, 5 de septiembre de 2008

23. Grenander, W. Conferencias sobre la teoría de las imágenes / W. Grenander / En 3 volúmenes / Traducido del inglés. Ed. Yu.I. Zhuravleva. M .: Mir, 1979-1983. 130 s.

24. Gruzman, I.S. Procesado digital de imágenes en sistemas de información: Libro de texto. Manual / I.S. Gruzman, B.C. Kirichuk, V.P. Kosykh, G. I. Peretyagin, A.A. Spektor / Novosibirsk, editorial NSTU, 2003. p. 352.

25. Conclusión confiable y plausible en sistemas inteligentes / Ed. V.N. Vagina, D.A. Pospelova. 2da ed., Rev. y añadir. - M .: FIZMATLIT, 2008 .-- 712 p.

26. Duda, R. Reconocimiento de patrones y análisis de escenas / R. Duda, P. Hart / Moscú: Mir Publishing House, 1978. 512 p.

27. Zhuravlev, Yu.I. Sobre un enfoque algebraico para resolver problemas de reconocimiento y clasificación / Yu.I. Zhuravlev // Problemas de la cibernética: Sat. El arte no. 33, Moscú: Nauka, 1978. p. 5-68.

28. Zhuravlev, Yu.I. Acerca de la corrección algebraica de los procedimientos de procesamiento (transformación) de la información / Yu.I. Zhuravlev, K.V. Rudakov // Problemas de Matemática e Informática Aplicadas, Moscú: Nauka, 1987. p. 187-198.

29. Zhuravlev, Yu.I. Reconocimiento de patrones y reconocimiento de imágenes / Yu.I. Zhuravlev, I.B. Gurevich // Anuario “Reconocimiento. Clasificación. Pronóstico. Los métodos matemáticos y su aplicación ”, no. 2, Moscú: Nauka, 1989.-72 p.

30. Zhuravlev, Yu.I. Reconocimiento de patrones y análisis de imágenes / Yu.I. Zhuravlev, I.B. Gurevich / Inteligencia artificial en 3 libros. Libro. 2. Modelos y métodos: Manual / Ed. SI. Pospelova, M.: Editorial "Radio y comunicación", 1990. - págs. 149-190.

31. Zagoruiko, N.G. Métodos de reconocimiento y su aplicación / N.G. Za-goruiko / M.: Sov. radio, 1972.206 p.

32. Zagoruiko, N.G. Inteligencia artificial y predicción empírica / N.G. Zagoruiko / Novosibirsk: ed. NSU, ​​1975, 82 pág.

33. Ivakhnenko, A.G. Sobre la aplicación de la teoría de la invariancia y el control combinado a la síntesis y análisis de sistemas de aprendizaje / A.G. Ivakhnenko // Automation, 1961, nº 5, pág. 11-19.

34. Ivakhnenko, G.I. Sistemas de autoaprendizaje de reconocimiento y control automático / A.G. Ivakhnenko / Kiev: Technics, 1969.302 p.

35. Kashkin, V. B. Teledetección de la Tierra desde el espacio. Procesamiento de imágenes digitales: Libro de texto / V.B. Kashkin, A.I. Su-khinin / M.: Logos, 2001, 264 p.

36. Kobzar, A.I. Estadística matemática aplicada. Para ingenieros y científicos / A.I. Kobzar / M.: FIZMATLIT, 2006 816 p.

37. Kovalevsky, V.A. Método de correlación de reconocimiento de imágenes / V.A. Kovalevsky // Zh. calculado matemáticas y física matemática, 1962, 2, nº 4, p. 684-690.

38. Kolmogorov, AN: Epsilon-entropía y epsilon-capacidad de conjuntos en espacios funcionales. Kolmogorov, V.M. Tikhomirov // Teoría de la información y teoría de algoritmos. Moscú: Nauka, 1987. p. 119-198.

39. Korn, G. Manual de matemáticas para científicos e ingenieros / G. Korn, T. Korn // M.: Nauka, Ch. ed. estera-fisica. lit., 1984.832 p.

40. Kronover, R. Fractales y caos en sistemas dinámicos / R. Krono-ver // M.: Tekhnosfera, 2006. 488 p.

41. Lapko, A.B. Sistemas de clasificación no paramétricos * e híbridos para diferentes tipos de datos / A.V. Lapko, BlA. Lapko // Tr. 12º de toda Rusia. conf. "Métodos matemáticos y modelos de reconocimiento de patrones" (ММРО-12), M., 2005.-p. 159-162.

42. Levtin, K.E. Detección visual de humo (SmokeDetection) / K.E. Levtin, M.N. Favorskaya // Certificado No. 2009612795. Registrado en el Registro de programas de computadora, Moscú, ZO Julio de 2009

43. Luciv, V.R. Principios de unificación de sistemas ópticos de robots / V.R. Lutsiv, M.N. Favorskaya // Libro virtual. "Unificación y estandarización de robots industriales", Tashkent, 1984. p. 93-94.

44. Luciv, V.R. Sistema óptico universal para HAP / V.R. Lutsiv, M.N. Favorskaya // En el libro. "Experiencia en la creación, implementación y uso de sistemas de control de procesos en asociaciones y empresas", L., LDNTP, 1984. p. 44-47.

45. Medvedeva, E.V. Un método para evaluar vectores de movimiento en imágenes de video / E.V. Medvedeva, B.O. Timofeev // En los materiales de la 12ª conferencia y exposición internacional "Procesamiento de señales digitales y su aplicación", Moscú: En 2 volúmenes, Vol. 2, 2010. p. 158-161.

46. ​​Métodos de procesamiento de imágenes por computadora / Ed. V.A. Soifer. 2ª ed., Isp. - M .: FIZMATLIT, 2003 .-- 784 p.

47. Métodos de detección y seguimiento automático de objetos. Procesamiento y control de imágenes / BA Alpatov, P.V. Babayan, O.E. Balashov, A.I. Stepashkin. -M.: Radiotekhnika, 2008 .-- 176 p.

48. Métodos de óptica informática / Ed. V.A. Soifer. M .: FIZMATLIT, 2003 .-- 688 p.

49. Mudrov, A.E. Métodos numéricos para computadoras personales en lenguajes BASIC, FORTRAN y Pascal / A.E. Mudrov / Tomsk: MP RASKO, 1991, 272 p.

50. Pakhirka, A.I. Localización facial (FaceDetection) / A.I. Pakhirka, M.N. Favorskaya // Certificado No. 2009611010. Registrado en el Registro de programas de computadora, Moscú, 16 de febrero de 2009

51. Pakhirka, A.I. Mejora de imagen no lineal / A.I. Pakhirka, M.N. Favorskaya // Certificado No. 2010610658. Registrado en el Registro de programas de computadora, Moscú, 31 de marzo de 2010

52. Pontryagin, LS Continuous groups J, LS Pontryagin // 4th ed., Moscú: Nauka, 1984.-520 p.

53. Potapov, A.A. Fractales en radiofísica y radar: topología de muestra / A.A. Potapov // Ed. 2do, rev. y añadir. - M.: Libro universitario, 2005.848 p.

54. Radchenko, Yu.S. Investigación del algoritmo espectral para detectar "cambios en la secuencia de video / Yu.S.

55. Salnikov, I.I. Señales espacio-temporales ráster en sistemas de análisis de imágenes / I.I. Salnikov // M.: FIZMATLIT, 2009.-248 p.

56. Sergunin, S.Yu. Esquema de construcción dinámica de descripción multinivel de imágenes / S.Yu. Sergunin, K.M. Kvashnin, M.I. Kumskov // Sáb. tr. 11º de toda Rusia. Conf: "Métodos matemáticos para el reconocimiento de patrones (MMRO-11)", M., 2003. p. 436-439:

57. Slynko, Yu.V. Solución del problema de seguimiento y contorneado simultáneos por el método de máxima verosimilitud / Yu.V. Slynko // Procesamiento de señales digitales, No. 4, 2008. p. 7-10

58. Solso, R. Psicología cognitiva / R. Solso / San Petersburgo: Peter, 6ª ed., 2006.590 p.

59. Tarasov, I.E. Desarrollo de dispositivos digitales basados ​​en FPGA "Xi-linx" utilizando el lenguaje VHDL / I.E. Tarasov / M.: Hotline-Telecom, 2005 .-- 252 p.

60. Favorskaya, M.N. Desarrollo de algoritmos para el reconocimiento de imágenes digitales en sistemas robóticos adaptativos / M.N. *. Favorskaya // L!, Instituto de Aviación de Leningrado. priborostr., 1985. Manuscript dep: in VINITI 23.01.85. No. 659-85 Dep.

61. Favorskaya; MINNESOTA. Aplicación de métodos espectrales para la normalización y reconocimiento de imágenes en sistemas robóticos adaptativos / M.N. * Favorskaya // L., Leningradsky, Aviation Institute. priborostr., 1985. Manuscript dep. en VINITI 23/01/85. No. 660-85 Dep.

62. Favorskaya, M.N. Experiencia en el desarrollo de algoritmos de reconocimiento de objetos para la producción de estampados / M.N. Favorskaya // En el libro. "Estado, experiencia y direcciones de trabajo en automatización integrada basada en GPS, RTK y PR", Penza, 1985. p. 64-66.

63. Favorskaya, M.N. Investigación de propiedades proyectivas de grupos de objetos / M.N. Favorskaya, Yu.B. Kozlova // Boletín de la Universidad Aeroespacial Estatal de Siberia. Asunto 3, Krasnoyarsk, 2002 .-- p. 99-105.

64. Favorskaya, M.N. Determinación de la estructura afín de un objeto por movimiento / M.N. Favorskaya // Boletín de la Universidad Aeroespacial Estatal de Siberia, vol. 6, Krasnoyarsk, 2005 .-- pág. 86-89.

65. Favorskaya- M.N. Clasificación general de enfoques para el reconocimiento de imágenes / M-.N. Favorskaya // V< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Funciones de decisión invariantes en problemas de reconocimiento de imágenes estáticas / M.N. Favorskaya // Boletín de la Universidad Aeroespacial Estatal de Siberia. Asunto 1 (14), Krasnoyarsk, 2007. pág. 65-70.

67. Favorskaya, M.N. Métodos probabilísticos de segmentación de secuencias de video como un problema con datos faltantes / M.N. Favorskaya // Boletín de la Universidad Aeroespacial Estatal de Siberia. Asunto 3 (16), Krasnoyarsk, 2007. pág. 4-8.

68. Favorskaya, M.N. La elección de características informativas de destino en sistemas de reconocimiento de imágenes / M.N. Favorskaya // En los materiales del XI inter-dunar. científico. conf. "Lecturas de Reshetnev", Universidad Agraria Estatal de Siberia, Krasnoyarsk, 2007 p. 306-307.

69. Favorskaya, M.N. Estrategias de segmentación de imágenes bidimensionales / M.N. Favorskaya // En los materiales de la conferencia científica de toda Rusia "Modelos y métodos de procesamiento de imágenes MMOI-2007", Krasnoyarsk, 2007. p. 136-140.

70. Favorskaya, M.N. Segmentación de imágenes de paisajes basada en un enfoque fractal / M.N. Favorskaya // En los materiales de la décima conferencia y exposición internacional "Procesamiento de señales digitales y su aplicación", M., 2008. p. 498-501.

71. Favorskaya, M.N. Modelo de reconocimiento de imagen de texto escrito a mano / M.N. Favorskaya, A.N. Goroshkin // Boletín del Estado de Siberia4 i, Universidad Aeroespacial Militar. Asunto 2 "(19), Krasnoyarsk, 2008. p. 52-58.

72. Favorskaya, M.N. Algoritmos para la implementación de estimación de movimiento en sistemas de videovigilancia / M.N. Favorskaya, A.C. Shilov // Sistemas de control y tecnologías de la información. Investigación avanzada / IPU RAS; VSTU, No. 3.3 (33), M.-Voronezh, 2008. pág. 408 ^ 12.

73. Favorskaya, M.N. Sobre el uso de gramáticas formales para el reconocimiento de objetos en escenas complejas // M.N. Favorskaya / En los materiales de la XIII Conferencia Científica Internacional. "Lecturas de Reshetnev". A las 2 horas 4.2, Krasnoyarsk, 2009. p. 540-541.

74. Favorskaya, M.N. Reconocimiento de imágenes dinámicas basado en filtros predictivos / M.N. Favorskaya // Boletín de la Universidad Aeroespacial Estatal de Siberia. Asunto 1 (22) a las 2 h 4f. 1, Krasnoyarsk, 20091 p. 64-68.

75. Favorskaya, M.N., Métodos de búsqueda de movimiento en secuencias de video / M.N. Favorskaya, A.I. Pakhirka, A.C. Shilov; M.V. Damov // Boletín. Universidad Aeroespacial Estatal de Siberia. Asunto 1 (22) a las 2 horas, Parte 2, Krasnoyarsk, 2009, pág. 69-74.

76. Favorskaya, M.N. Encontrar objetos de vídeo en movimiento mediante tensores estructurales 3D locales / M.N. Favorskaya // Boletín de la Universidad Aeroespacial Estatal de Siberia. Asunto 2 (23), Krasnoyarsk, 2009. pág. 141-146.

77. Favorskaya, M.N. Evaluación del movimiento de objetos en escenas complejas basada en el enfoque tensorial / M.N. Favorskaya // Procesamiento de señales digitales, No. 1.2010.-p. 2-9.

78. Favorskaya, M.N. Cálculo complejo de características de imágenes de paisajes / M.N. Favorskaya, N.Yu. Petukhov // Revista óptica, 77, 8, 2010.- p. 54-60.

79. Bien, B.C. Reconocimiento de imágenes / B.C. Bien // M.: Nauka, 1970.-284 p.

80. Forsyth, D.A. Visión por computador. Enfoque moderno / D.A. Forsyth, J. Pons // M.: Editorial "Williams", 2004. 928 p.

81. Fu, K. Métodos secuenciales en reconocimiento de patrones y aprendizaje automático / K. Fu / Moscú: Nauka, 1971. 320 p.

82. Fu, K. Métodos estructurales en el reconocimiento de patrones / K. Fu / M.: Mir, 1977.-320 p.

83. Fukunaga, K. Introducción a la teoría estadística del reconocimiento de patrones / K. Fukunaga / Moscú: Nauka, 1979. 368 p.

84. Shelukhin, O. I. Auto-semejanza y fractales. Aplicaciones de telecomunicaciones / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / Ed. O.I. Shelukhin. Moscú: FIZMATLIT, 2008, 368 p.

85. Shilov, A.S. Determinación de movimiento (MotionEstimation) / A.S. Shilov, M.N. Favorskaya // Certificado No. 2009611014. Inscrito en el Registro de programas de computadora, Moscú, 16 de febrero de 2009

86. Sh. Schlesinger, M.I. Método de correlación para el reconocimiento de secuencias de imágenes / M.I. Schlesinger / En el libro: Máquinas de lectura. Kiev: Nauk.dumka, 1965, pág. 62-70.

87. Schlesinger, M.I. Análisis sintáctico de señales visuales bidimensionales en condiciones de interferencia / M.I. Schlesinger // Cybernetics, No. 4, 1976. - págs. 76-82.

88. Stark, G.-G. Aplicación de wavelets para DSP / G.-G. Stark / Ml: Technosphere, 2007, 192 p.

89. Shup, T. Métodos numéricos aplicados en física y tecnología: Per. De inglés / T. Shup / Ed. S.P. Merkuriev; M.: Más alto. School., 19901-255 p. 11 "5. Electr, recurso: http: // www.cse.ohio-state.edu/otcbvs-bench

90. Electr, recurso: http://www.textures.forrest.cz/ recurso electrónico (biblioteca de texturas forrest).

91. Electr, recurso: http://www.ux.uis.no/~tranden/brodatz.html recurso electrónico (base de imágenes de textura Brodatz).

92. Allili M.S., Ziou D. Contornos activos para el seguimiento de objetos de vídeo utilizando información de región, contorno y forma // SIViP, vol. 1, no. 2, 2007. págs. 101-117.

93. Almeida J., Minetto R., Almeida T. A., Da S. Torres R., Leite N. J. Estimación robusta del movimiento de la cámara utilizando modelos de flujo óptico // Notas de clase en

94. Ciencias de la Computación (incluidas las subseries Lecture Notes en Inteligencia Artificial y Lecture Notes en Bioinformática) 5875 LNCS (PARTE 1), 2009. págs. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Clasificación de eventos de video usando String Kernels // Multimed. Aplicación de herramientas, vol. 48, no. 1, 2009. págs. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Categorización de acciones en videos de fútbol usando núcleos de cadena // In: Proc. of IEEE Int "l Taller sobre indexación multimedia basada en contenido (CBMI). Chania, Creta, 2009. pp. 13-18.

97. Barnard K., Fan QF, Swaminathan R., Hoogs A., Collins R, Rondot P. y Kaufhold J. Evaluación de semántica localizada: datos, metodología y experimentos // International Journal of Computer Vision, IJCV 2008, Vol. 77, no. 1-3,2008.-págs. 199-217.

98. Bertini M., Del Bimbo A., Serra G. Reglas de aprendizaje para la anotación semántica de eventos de video // Lecture Notes In Computer Science; En: Proc. de la Conferencia Internacional sobre Sistemas de Información Visual (VISUAL), Vol. 5188, 2008. pp. 192-203.

99. Bobick A.F., Davis J.W. El reconocimiento del movimiento humano usando plantillas temporales // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, no. 3, 2001. págs. 257-267.

100. Boiman O., Irani M. Detectando irregularidades en imágenes y en video // International Journal of Computer Vision, vol. 74, no. 1, 2007. págs. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.-P. Un modelo variacional para la segmentación de objetos utilizando información de límites y forma previa impulsada4 por Mumford-Shah Functional // International Journal of Computer Vision, vol. 68, no. 2, 2006.-pp. 145-162.

102. Cavallaro A., Salvador E., Ebrahimi T. Procesamiento de video basado en objetos consciente de las sombras // IEEE Vision; Procesamiento de imágenes y señales, vol. 152, no. 4, 2005.-pp. 14-22.

103. Chen J., Ye J. Training SVM con granos indefinidos // En: Proc. de la 25ª conferencia internacional sobre aprendizaje automático (ICML), vol. 307, 2008. págs. 136-143.

104. Cheung S.-M., Moon Y.-S. Detección de peatones que se acercan a distancia mediante patrones de intensidad temporal // MVA2009, vol. 10, no. 5, 2009. -pp. 354-357.

105. Dalai N., Triggs B. y Schmid G. Detección humana usando histogramas orientados de flujo y apariencia // En ECCV, vol. II, 2006. págs. 428 ^ 141.

106. Dalai N., Triggs B. Histogramas de gradientes orientados para la detección humana // Conferencia IEEE sobre visión por computadora y reconocimiento de patrones (CVPR), vol. II, 2005-págs. 886-893.

107. Dani A.P., Dixon W.E. Estructura de una sola cámara y estimación de movimiento // Notas de clase en Ciencias de la información y el control, 401, 2010. págs. 209-229.

108. Datta Ri, Joshi D;, Li J. y Wang J. Z1 Recuperación de imágenes: ideas, influencias y tendencias de la nueva era // ACM "-Computing Surveys, Vol. 40:, no: 2, 2008. ■ -p. 1-60.

109. Dikbas S., Arici T., Altunbasak Y. Estimación de movimiento rápido con precisión de submuestra sin interpolación // IEEE Transactions on Circuits and Systems for Video Technology 20 (7), 2010. -pp. 1047-1051.

110. Dollar P., Rabaud V., Cottrell G., Belongie S. Reconocimiento del comportamiento a través de características espaciotemporales dispersas // In: Proc. 2º Taller internacional conjunto de IEEE sobre evaluación de seguimiento y vigilancia, VS-PETS, 2005. págs. 65-72.

111. Donatini P. y Frosini P. Seudodistancias naturales entre superficies cerradas // Revista de la Sociedad Matemática Europea, vol. 9, no. 2, 2007 págs. 231-253.

112. Donatini P. y Frosini P. Seudodistancias naturales entre curvas cerradas // Forum Mathematicum, vol. 21, no. 6, 2009. págs. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Detección visual de eventos mediante dinámicas de conceptos multidimensionales // In: Proc. de IEEE Int "l Conferencia sobre Multimedia y Expo (ICME), 2006. pp. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Modelado 3D realista del crecimiento forestal con efecto natural // Actas del Segundo Simposio Internacional KES IDT 2010, Baltimore. ESTADOS UNIDOS. Springer-Verlag, Berlín, Heidelberg. 2010.-pp. 191-199.

115. Francois A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL: Un marco de ontología para representar y anotar eventos de video // IEEE Multimedia, Vol: 12; no. 4, 2005. págs. 76-86.

116. Gao J., Kosaka A:, Kak A.C. Un enfoque de filtrado de Kalman múltiple para el seguimiento de video de objetos delineados por humanos en entornos desordenados // IEEE Visión por computadora y comprensión de imágenes, 2005, V. 1, no. 1. pp. 1-57.

117. Gui L., Thiran J.-P., Paragios N. Segmentación conjunta de objetos y clasificación del comportamiento en secuencias de imágenes // IEEE Conf. sobre Visión por Computador y Reconocimiento de Patrones, 17-22 de junio de 2007. págs. 1-8.

118. Haasdonk B. Interpretación del espacio de características de SVM con núcleos indefinidos // Transacciones IEEE sobre análisis de patrones e inteligencia de máquinas. Vol. 27, no. 4, 2005. págs. 482-492.

119. Harris C. y Stephens M. Un detector combinado de esquinas y bordes // En la Cuarta Conferencia de Visión de Alvey, Manchester, Reino Unido, 1988. págs. 147-151.

120. Haubold A., Naphade M. Classification of video events using 4-dimensional-time-compressed motion features // In CIVR "07: Proceedings of the 6th ACM international confcrcnce on Image and video retrieval, NY, USA, 2007. -pp 178-185.

121. Haykin S. Neural Networks: A Comprehensive Introduction. / N.Y.: Prentice-Hall, 1999; .- 658 pi.

122. Hoynck M., Unger M., Wellhausen J. y Ohm J.-R. Un enfoque sólido para la estimación de movimiento global para el análisis de video basado en contenido // Actas de SPIE Vol. 5601, Bellingham, WA, 2004. págs. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Desentrelazado mediante análisis de movimiento jerárquico // Transacciones IEEE en circuitos y sistemas para tecnología de vídeo 20 (5), 2010. págs. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-trees, Oct-trees y K-trees: A Generalized Approach to Recursive Decomposition of Euclidean Space // IEEE Transactions onPAMI, vol. 5, no. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R :, Hebert Mi. Detección visual de eventos eficiente mediante funciones volumétricas // In: Proc. del Congreso Internacional de Visión por Computador (ICCV), vol. 1, 2005.-pp. 166-173.

126. Klaser A., ​​Marszalek M. y Schmid C. Un descriptor espacio-temporal basado en gradientes 3D // En BMVC, British Machine Vision, Conference, 2008. -pp. 995-1004.

127. Kovashka, A., Grauman, K Aprendiendo una jerarquía de características discriminatorias de vecindad espacio-tiempo para el reconocimiento de la acción humana // Actas de la Conferencia de la Sociedad de Computadoras IEEE sobre Visión por Computadora y Reconocimiento de Patrones, 2010. págs. 2046-2053.

128. Kumskov M.I. Esquema de cálculo del análisis de imágenes controlado por los modelos de los objetos a reconocer // Reconocimiento de patrones y análisis de imágenes, vol. 11, no. 2, 2001. pág. 446-449:

129. Kwang-Kyu S. Recuperación de imágenes basada en contenido mediante la combinación de algoritmo genético y máquina de vectores de soporte // En ICANN (2), 2007. págs. 537-545.

130. Lai C.-L., Tsai S.-T., Hung Y.-P. Un estudio sobre la calibración de coordenadas tridimensionales mediante el sistema difuso // Simposio Internacional de Computación, Comunicación, Control y Automatización 1, 2010. - págs. 358-362.

131. Laptev I. Sobre los puntos de interés del espacio-tiempo // International Journal of Computer Vision, vol. 64, no. 23, 2005. págs. 107-123.

132. Leibe B., Seemann E., Schiele B. Detección de peatones en escenas llenas de gente * // Conferencia IEEE sobre visión por computadora y "Reconocimiento de patrones, Vol. 1, 2005.-pp. 878-885".

133. Lew M. S., Sebe N., Djeraba C. y Jain R. Recuperación de información multimedia basada en contenido1: estado del arte y desafíos // ACM Transactions on Multimedia Computing, Communications, and Applications, vol. 2, no. 1, 2006. págs. 1-19.

134. Li, J. y Wang, J. Z. Anotación computarizada en tiempo real de imágenes // IEEE Trans. PAMI, vol. 30, 2008. págs. 985-1002.

135. Li L., Luo R., Ma R., Huang W. y Leman K. Evaluación de un sistema IVS para la detección de objetos abandonados en conjuntos de datos PETS 2006 // Proc. 9 Pasante IEEE. Workshop on PETS, Nueva York, 2006. págs. 91-98.

136. Li L., Socher R. y 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. Estimación precisa del movimiento global basada en una pirámide con máscara // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao / Journal of Computer-Aided Design and Computer Graphics, Vol: 21 , no ... 6, 2009. págs. 758-762.

138. Lindeberg T., Akbarzadeh A. y Laptev I. Operadores de interés espacio-temporales diagonalizados por Galileo // Actas de la 17ª Conferencia Internacional sobre Reconocimiento de Patrones (ICPR "04), 2004. págs. 1051-1057.

139. Lim J., Barnes, N. Estimación del epipolar utilizando flujo óptico en puntos antípodas // Visión por computadora y comprensión de la imagen 114, no. 2, 2010. págs. 245-253.

140. Lowe D. G. Características de imagen distintivas de los puntos clave de escala invariable // International Journal of Computer Vision, vol. 60, no. 2, 2004. págs. 91-110.

141. Lucas B.D., Kanade T. Una técnica de registro de imágenes iterativas con una aplicación a la visión estéreo // Conferencia conjunta internacional sobre inteligencia artificial, 1981. págs. 674-679.

142. Mandelbrot B; B. La geometría fractal de la naturaleza / N.Y.: Freeman ^ 1982.468 p.; Russ, trad .: B. Mandelbrot Fractal, geometría de la naturaleza: Trad. De inglés / M .: Instituto de Investigación en Computación, 202. - 658 p.

143. Mandelbrot B.V., Frame M.L. Educación en Fractales, Gráficos y Matemáticas / N. Y.: Springer-Verlag, 2002 654 p.

144. Mandelbrot B.B. Fractales y caos: el conjunto de Mandelbrot y más allá / N.Y.: Springer-Verlag, 2004.308 p.

145. Memoli F. Sobre el uso de distancias de Gromov-Hausdorff para la comparación de formas // Actas del Simposio Eurographics sobre gráficos basados ​​en puntos. Praga, República Checa, 2007. págs. 81-90.

146. Mercer J. Funciones de tipo positivo y negativo y su conexión con la teoría de ecuaciones integrales // Transactions of the London Philosophical Society (A), vol. 209, 1909. págs. 415-446.

147. Mikolajczyk K. Detección de características locales invariantes a transformaciones afines, tesis de doctorado, Institut National Polytechnique de Grenoble, Francia. 2002.171 p.

148. Mikolajczyk K. y Schmid G. Un detector de puntos de interés invariante afín // Actas de ECCV. Vol. 1. 2002. págs. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Reconocimiento de acciones humanas utilizando una máquina de aprendizaje extrema basada en vocabularios visuales // Neurocomputing, Vol. 73 (10-12), 2010. págs. 1906-1917.

150. Mladenic D., Skowron A., eds.: ECML. Vol. 4701 de Lecture Notes in Computer Science, Springer, 2007. págs. 164-175.

151. Moshe Y., Hel-Or H. Estimación de movimiento de bloques de video basada en núcleos de código gris // Transacciones IEEE sobre procesamiento de imágenes 18 (10), 2009. págs. 22432254.

152. Nakada T., Kagami S;, Mizoguchi H. Detección de peatones usando secuencias de flujo óptico 3D para un robot móvil // sensores IEEE, 2008. pp: 116-119:

153. Needleman, S.B .:,. Wunsch C. D; Un método general aplicable a la búsqueda de similitudes en la secuencia de aminoácidos * de dos proteínas // Journal of Molecular Biology Vol. 48, no: 3, 1970. págs. 443-453.

154. Neuhaus M., Bunke H. Editar funciones del núcleo basadas en la distancia para la clasificación de patrones estructurales // Reconocimiento de patrones. Vol. 39, no. 10, 2006. págs: 1852-1863.

155. Nevatia R., Hobbs J. y Bolles B. Una ontología para la representación de eventos en video // En el taller sobre detección y reconocimiento de eventos. IEEE, Vol. 12, no. 4, 2004. págs. 76-86.

156. Nguyen.N.-T., Laurendeau D:, Branzan-Albu A. Un método robusto para la estimación del movimiento de la cámara en películas basado en el flujo óptico // The 6th International