3.2. Функциональное назначение цифровой модели.

Данный программный продукт создан по заказу кафедры «Информатика и вычислительная техника» Омского Государственного Технического Университета и предназначен для лабораторных работ студентов факультета Автоматизации по курсам «Моделирование», «Прикладная теория информации», «Прикладная математика» и т.п. В ходе лабораторных работ студентом предлагается из набора функций и процедур, составляющих данный дипломный проект, спроектировать цифровую модель для исследования работоспособности алгоритмов распознавания подвижных точечных объектов по видеоинформации дискретного поля наблюдения и провести исследование данных алгоритмов при помощи построенной самостоятельно цифровой модели.

Под точкой здесь принято понимать изображение такого малоразмерного объекта, проекция которого на поле наблюдения занимает не более одного элемента (ячейки, рецептора) его разрешающей способности, в результате чего изображение такого объекта можно считать точечным. Точка считается подвижной и называется далее «объект», если ее траектория пересекает за ограниченное время не менее определенного числа последовательно расположенных элементов дискретного поля наблюдения. Распознавание заданного класса объектов в каждом машинном эксперименте осуществляется системами в соответствии с одним из пяти алгоритмов. Этим реализованным в цифровой модели алгоритмам здесь даны следующие условные названия:

1. детерминированный (Д - алгоритм);

2. вероятностный (В - алгоритм);

3. комбинированный (К - алгоритм);

4. вероятностный с усеченной выборкой признаков (ВУ - алгоритм);

5. комбинированный с усеченной выборкой признаков (КУ - алгоритм).

Цифровая модель позволяет исследовать поведение систем распознавания в отдельных ситуациях, а также оценивать качество работы их алгоритмов методом цифрового статистического моделирования.

Динамические изображения, воспринимаемые системой распознавания и создающие для нее различные ситуации, имитируются здесь последовательностями кадров. Модели таких изображений могут быть сформированы стационарным и нестационарным сложным яркостным фоном, движущимися по нему появляющимися и исчезающими точечными объектами, случайными помехами, зашумляющими изображение. В модели изображения могут отсутствовать одна или две из перечисленных компонент. «Сложность» фона, параметры объекта и помех могут задаваться в широких пределах, что позволяет имитировать близкие к реальным или соответствующие таковым ситуации, в исследовании которых возникает необходимость.

Цифровая модель позволяет работу в диалоге человек-машина. Возможно исследование отдельных актов принятия решения системами распознавания в различных «трудных» (нештатных) ситуациях, на которые данные системы не рассчитывались. Такие ситуации могут создаваться динамическими видеоизображениями, представляющими собой сложный нестационарный фон, который имитирует в поле наблюдения другие неточечные объекты, перемещающиеся со скоростями близкими по порядку к возможным скоростям подвижных точек. Для данных систем распознавания специально не разрабатывались процедуры для выделения точек как таковых, так как эти системы предназначены для функционирования в тех нередко имеющих место ситуациях, когда фон, по которому перемещается точка, неподвижен или возможны лишь относительно медленные перемещения составляющих его частей. В тоже время, неподвижные или медленно "перемещающиеся" точки данные системы правильно идентифицируют как помеху, то есть не относят к классу «подвижная точка». Необходимость в разработке таких процедур не требовалась еще и потому, что в настоящее время известно достаточно соответствующих методов для выделения точек как таковых. Исследование поведения систем распознавания в нештатных ситуациях возможно и в случае зашумленных динамических видеоизображений.

Цифровая модель позволяет осуществлять настройку алгоритма на заданное качество работы путем использования статистического моделирования в диалоговом режиме.

Диалоговый режим позволяет с незначительными изменениями использовать данную цифровую модель для разработки, отладки и исследования новых систем и алгоритмов распознавания подвижных точек аналогичных имеющимся в данной программе.

Цифровая модель позволяет при необходимости облегчить диалог человек-машина путем визуального изучения последовательности кадров, представляющих исходные изображения, а также, их вида на разных этапах обработки, в графическом исполнении. Возможность наблюдения отдельных кадров облегчает работу пользователя при формировании необходимого для исследования динамического изображения. В последнем случае цифровая модель позволяет экономить время путем моделирования только изображения (не осуществляя процесс распознавания).

Цифровая модель позволяет ускорять исследование работоспособности алгоритмов путем моделирования последовательности кадров сразу с «разностным изображением», содержащим информацию только о приращениях яркости в рецепторах за время между соседними кадрами. Необходимость в моделировании кадров с исходными изображениями отпадает в случае, когда фон является стационарным или содержит изображения относительно медленно перемещающихся объектов, которые правильно отсеиваются данными системами распознавания как «помеха». Возможно осуществление искусственных ситуаций, в которых при принятии решений могут иметь место ошибки только одного рода, либо «потеря объекта», либо «ложное обнаружение». Это делает возможным оценивать качество работы алгоритмов в «чистом» виде в двух основных ситуациях: когда в поле наблюдения системы нет подвижных точек (а есть только помехи) и когда имеется точечных подвижный объект. Такая оценка возможна в большинстве реальных ситуаций, для которых появление объекта в поле наблюдения является редким событием. 3аметим, что формально системы распознавания могут при наблюдении изображения с помощью сетчатки с большим числом рецепторов одновременно допускать ошибки обоих родов: и «потерю объекта», и «ложное обнаружение».

Цифровая модель позволяет распространять результаты исследований работы систем алгоритмов распознавания, выполненные на модели сетчатки малого размера (с числом рецепторов порядка 100-2500), на дискретное поле наблюдения любого размера. Это достигается путем устранения влияния на качество работы алгоритмов так называемого «краевого эффекта», имеющего место в модели сетчатки малого размера. Это решает проблему моделирования сетчаток достаточно большого размера (1000000-100000000 рецепторов) и имеющих высокую разрешающую способность. Построение модели с таким числом элементов затруднено из-за ограничений на время обработки информации и объема ОЗУ ЦВМ.

Цифровая модель составлена на языке Turbo Pascal v.7.0. Время генерации-обработки одного кадра порядка секунд. Время моделирования отдельной ситуации в поле наблюдения и ее анализ порядка 20-30 секунд. Время статистического эксперимента от 3 до 10 минут. Подробное содержательное описание данной цифровой модели и входящих в ее состав процедур позволяет без больших затрат составлять их формальное описание на других алгоритмических языках. Более подробно возможности данной цифровой модели раскрыты ниже, где представлено множество процедур, входящих в ее состав, а также при описании этих процедур в пункте 3.6. «Описание процедур и функций, реализующих цифровую модель».