Учебно-тематический план дисциплины

№	Наименование разделов, тем	Кол-во часов по учебному плану
		Макс. нагрузка студ.	Аудиторная нагрузка					Самостоятельная работа
			Всего	В том числе
				Лекции	Практич.	Лабораторные
1	Основные понятия распознавания образов. Постановка задачи распознавания.			6		6	10
2	Статистический подход в распознавании образов			6		6	10
3	Линейные классификаторы и рекуррентные алгоритмы обучения			6		6	10
4	Основы анализа сцен			6		6	10
5	Алгоритмы и программы «Распознавание…»			6		6	10
	Итого	110	60	30		30	50

Объем дисциплины в виде учебной работы

 

Вид занятий	Всего часов
Общая трудоемкость (по ГОС ВПО)	110
Аудиторные занятия	60
Лекции	30
Лабораторные занятия	30
Самостоятельная работа	50
Контрольные работы – 1 (одна)

 

Содержание разделов дисциплины

1. Основные понятия распознавания образов. Постановка задачи распознавания.

Феномен узнавания как свойство живых высокоорганизованных систем. Примеры (узнавание знакомого объекта, понимание речи, чтение текстов, дешифрирование аэро- и космоснимков, распознавание изображения, состояния устройств, систем, экономических объектов и т.д.). Принцип эмпирической индукции Ф. Бэкона. Определение основных понятий: распознавание образов (РО), объекты и образы, признак, классы. Прецедент ‑ образ с известной классификацией. Описание классов зависимостями и прецедентами. Принятие решений на основе моделирования (Model Base Reasoning) и по прецедентной информации (Case Base Reasoning). Классификация и прогнозирование. Этапы развития РО.

Модели описания состояний объектов: модели дискриминантного анализа, таксономии, оценки признаков. (Гренадер У. Т.2. 1979)

2. Статистический подход в распознавании образов.

Распознавание образов как задача статистических решений. Последовательный анализ, байесовские решения. Оптимальность байесовского правила. Разделяющие поверхности в случае нормально распределенных признаков. Основы дискриминационного анализа. Линейный дискриминант Фишера. Иерархическая группировка. Таксонометрия и кластер-анализ. Методы теории графов в кластер-анализе. Применение размытых множеств в распознавании образов.

Методы распознавания образов: дискриминации на основе сведения к линейным неравенствам, линейной коррекции, свертывания, метод комитетов, метод потенциалов, статистической теории решений. (Ярославский Л.П. 1979)

Задача таксономии: метод сфер. (Дуда Р., Харт П. 1976)

3. Линейные классификаторы и рекуррентные алгоритмы обучения.

Детерминированный подход в задаче классификации. Случай линейной разделимости двух классов изображений. Переход в спрямляющее пространство. Алгоритмы построения разделяющей гиперплоскости Розенблатта, релаксации, градиентного типа. Классификация образов. Признаки классов и проблема их выбора, информативность признаков. Теорема Новикова. Алгоритмы обучения классификаторов с учителем. Конечно-сходящиеся алгоритмы обучения. Метод потенциальных функций. Нелинейная разделимость классов. Комитеты голосования и другие нелинейные классификаторы. Задачи самообучения и алгоритмы самообучения. Стохастические аналоги детерминированных алгоритмов обучения и самообучения.

Метод плеяд. (Гренадер У. Т.2. 1979)

Реляционные модели таксономии, метод максимальных совместных подсистем. (Дуда Р., Харт П. 1976)

4. Основы анализа сцен.

Представление изображений и их упрощение. Перспективные преобразования, проективные инварианты. Анализ многогранников.

Задачи выбора информативных признаков, сводимые к двойственным моделям оптимизации. (Гренадер У. Т.1. 1979)

Тупиковые тесты в выборе информативных признаков. (Фомин В.Н. 1976)

5. Алгоритмы и программы «Распознавание…»

Метод линейных многообразий в оценке признаков. (Ту Дж., Гонсалес Р. 1978)

Структурно-лингвистические методы. (Ярославский Л.П. 1979)

Диагностика состояний сложных систем и ситуаций принятия решений, классификация объектов и явлений, моделирование неформализованных закономерностей и зависимостей между факторами, генерирование понятий, описание классов объектов и ситуаций. (Гренадер У. Т.1. 1979)

Применение методов распознавания образов в интеллектуальных пакетах прикладных программ, в алгоритмах для неформализованных задач оптимального выбора решений. (Дуда Р., Харт П. 1976)

Алгоритмы распознавания образов (Письменный Н. 2007)

1. Алгоритм скелетизации - метод распознавания одинарных бинарных образов, основанный на построение скелетов этих образов и выделения из скелетов ребер и узлов. Далее по соотношению ребер, их числу и числу узлов строится таблица соответствия образам. Так, например, скелетом круга будет один узел, скелетом буквы П - три ребра и два узла, причем ребра относятся как 2:2:1.

2. Нейросетевые структуры - направление было очень модным в 1960е-70е годы, в последствии интерес к ним немного поубавился, т.к солидное число нейронов требует солидные вычислительные мощности, которые обычно отсутствуют на простеньких мобильных платформах. Однако надо иметь ввиду, что нейросети иногда дают весьма интересные результаты, за счет своей нелинейной структуры, более того некоторые нейросети способны распознавать образы инвариантные относительно поворота без какой либо внешней предобработки. Так например сети на основе неокогнейтронов способны выделять некоторые характерные черты образов, и распознавать их как бы образы не были повернуты.

3. Инвариантные числа: Из геометрии образов можно выделить некоторые числа, инвариантные относительно размера и поворота образов, далее можно составить таблицу соответствия этих чисел конкретному образу (почти как в алгоритме скелетезации). Примеры инвариантных чисел - число Эйлера, экцентриситет, ориентация (в смысле расположения главной оси инерции относительно чего-нибудь тоже инвариантного).

4. Поточечное процентное сравнение с эталоном: Здесь должна быть некоторая предобработка, для получения инвариантности относительно размера и положения, затем осуществляется сравнение с заготовленной базой эталонов изображений - если совпадение больше чем какая-то отметка, то считаем образ распознанным.