Материал: Информационная система анализа типоразмерных характеристик объектов на гибридной аппаратной платформе

Для общения с данной СУБД используется язык SQL (Stuctured Query Language - язык структурированных запросов). Он содержит множество операторов, целью которых является взаимодействие с базами данных. MySQL содержит API <https://ru.wikipedia.org/wiki/API> (Application programming interface) - набор готовых классов <https://ru.wikipedia.org/wiki/%D0%9A%D0%BB%D0%B0%D1%81%D1%81_(%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5)>, функций <https://ru.wikipedia.org/wiki/%D0%A4%D1%83%D0%BD%D0%BA%D1%86%D0%B8%D1%8F_(%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5)>, процедур <https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%BE%D1%86%D0%B5%D0%B4%D1%83%D1%80%D0%B0_(%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5)>, структур <https://ru.wikipedia.org/wiki/%D0%A1%D1%82%D1%80%D1%83%D0%BA%D1%82%D1%83%D1%80%D0%B0_(%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5)> и констант <https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D0%BD%D1%81%D1%82%D0%B0%D0%BD%D1%82%D0%B0_(%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5)>, для использования во внешних программных продуктах, для языков Delphi, C, C++, PHP, Ruby, Smaltalk, Python, Лисп, Эйфель, Компонентный паскаль и Tcl, библиотеки для языков платформы .NET.

. ОБЗОР СИСТЕМ РАСПОЗНАВАНИЯ

В настоящее время существует множество примеров систем распознования образов. Большенство из них специализируются в решении задач конкретных областей и направлений.

2.1 Системы технического зрения Omron

Системы технического зрения omron - это системы визуального контроля и идентификации, которые могут применяться во многих областях промышленного производства. В наличие имеется разнообразный выбор моделей систем технического зрения. Все они оснащены сменным или постоянным объективом и легко крепятся на DIN рейку.

Датчик F10, сочетает функции фотодатчика и системы распознавания, и предназначен для идентификации этикеток или небольших рисунков и надписей. Благодаря небольшим размерам, высокому быстродействию и способностям определять правильность геометрического положения этикетки, а также обнаруживать наклоненные или сдвоенные, датчик F10 может быть использован, как простое и экономичное решение для широкого ряда задач идентификации, контроля качества и позиционирования объектов.

Основные преимущества системы Omron:

-   высокое быстродействие- 3,6 мс;

-   сравнение по всей площади;

-   различные модели источников света;

-   функция обучения;

-   модели с RS232C и RS422;

Датчик F400 является более продвинутым решением в данной системе:

-   недорогая цветная видео система;

-   распознает цвет объекта, яркость и контраст цветовой гаммы;

-   до 11 входов и 21 выходов (возможно PNP или NPN);

-   функция обучения.

2.2 Система распознавания лиц VOCORD Face Control

Данная система предназначена для некооперативного распознавания лиц.

Некооперативность означает, что системе не требуется «сотрудничество» человека, чтобы верно его распознать. Поэтому она успешно применяется для распознавания лиц в местах массового скопления людей - на вокзалах, в аэропортах, метро, стадионах, концертных залах и в других публичных местах, где людей нельзя принудить взаимодействовать с системой биометрической идентификации <#"896590.files/image001.gif">

Рисунок 3.1 - Контекстная диаграмма программно-аппаратной платформы анализа бинарных образов объектов распознавания.

3.2 Диаграмма IDEF0

Этапы проектирования платформы: выбор изображения, анализ и обработка образов исследуемых объектов, сравнение образов с эталоном и отображение результатов обработки.

Одним из основных понятий стандарта IDEF0 является декомпозиция. Ее принцип применяется при разбиении сложного процесса на составляющие его функции. Уровень детализации процесса при этом определяется разработчиком модели.

Декомпозиция позволяет структурированно и постепенно представлять модель системы в виде иерархической структуры отдельных диаграмм, это делает ее менее перегруженной и легко усваиваемой.

3.3 Диаграмма IDEF3

- технология сбора данных, необходимых для проведения структурного анализа системы, дополняющая технологию IDEF0. С помощью данной технологии мы можем уточнить картину процесса, привлекая внимание аналитика к очередности выполнения функций и процессов в целом. Логика этой технологии дает возможность анализировать и строить альтернативные сценарии развития изучаемых процессов.

При анализе и обработке объектов рассматриваются значения отношения удвоенного квадрата периметра контура исследуемого объекта к его площади. Это требуется для того, чтобы разрабатываемая система при распознавании не реагировала на перемещения и повороты объекта. Далее все полученные характеристики сравниваются со значениями эталонов, и принимается решение о причислении исследуемого объекта к определенному классу или о невозможности причисления объекта к какому - либо классу.

На диаграмме, отображенной на рисунке ниже, представлен процесс анализа и обработки образа.

Рисунок 3.3 - Диаграмма IDEF3

. АЛГОРИТМЫ И СТРУКТУРА ФУНКЦИОНИРОВАНИЯ ПРОГРАММНО - АППАРАТНОЙ ПЛАТФОРМЫ

Для правильного функционирования программно-аппаратной платформы требуются некоторые алгоритмы и методы распознавания образов исследуемых объектов с дальнейшей их обработкой и выводом информации понятной пользователю.

4.1 Распознавание изображений

Все объекты, биологические или технические, представляют собой сложные системы. Они подвергаются воздействию внешней среды и реагируют на определенные виды воздействия: освещенность, температуру, давление. Уровень воздействия регистрируется имеющимися у объекта датчиками. Результат работы датчика, функционально зависящий от изменения воздействия, называется сигналом. Последовательность сигналов определяет изменение некоторого воздействия во времени и пространстве. Примерами таких последовательностей являются звуковые волны, регистрируемые микрофоном или электромагнитное излучение, фиксируемое в виде изображения[3].

Изображение представляет собой один из наиболее сложных сигналов. Временной поток изображений позволяет получить информацию о расположении в пространстве окружающих объектов и их характеристиках, таких как размер, форма, поверхность, а так же их взаимное перемещение.

Для любого распознавания изображения необходимы эталоны или модели классов объектов распознавания. Классификация методов возможна по типам используемых эталонов или по способу представления объектов на входе системы распознавания. Большинство систем распознавания применяют растровый, структурный или признаковый методы[6].

Растровому подходу соответствуют эталоны, которые являются изображениями либо какими-либо препаратами изображений. При признаковом подходе эталоны строятся с использованием выделяемых на изображении признаков. В качестве признаков может рассматриваться все что угодно, любые характеристики объектов распознавания. Структурному подходу соответствуют эталонные описания, строящиеся в терминах структурных частей объектов распознавания и пространственных отношений между ними.

Каждый пиксель бинарного изображения определяется значением 0 или 1. Классический способ распознавания объектов состоит из трёх частей:

-   преобразование входного изображения в первоначальное представление (включает в себя предобработку и математические преобразования);

-   выделение главных характеристик распознаваемого объекта;

-   построение алгоритма классификации объекта.

Создание способа распознавания строится на информации о предметной области и корректируется экспериментальной информацией, которая появляется в ходе разработки метода распознавания изображений.

4.2 Алгоритмы и методы, применяемые в программе

Что бы улучшить результаты распознавания приведем все символы к единому стандарту. Уменьшим размер символов до 64х64 пикселей и за счет этого уменьшим время обработки и, тем самым, увеличим скорость работы всей системы в целом. По завершении всех этапов обработки изображений сравним все изображения с загруженным ранее множеством эталонов. Далее мы получим предполагаемый объект на выходе и данные по его размерности.

4.2.1 Нахождение границ объекта

Одной из основных и важнейших целей цифровой обработки изображений является распознавание присутствующих на них объектов [4]. Для распознавания и анализа объектов на изображении более информативными являются характеристики их границ - контуров. То есть, основная информация заключена не в яркости отдельных областей, а в их очертаниях. По этому, задача выделения контуров объектов состоит в построении изображения их границ и очертаний однотипных областей.

Входящие изображения, поступающие на обработку, содержат много ненужных сведений (шум). Они занимают много памяти и затрачивают большое количество вычислительной мощи при попытке использовать их при распознавании. Существуют методы распознавания образов, которые позволяют выяснить, насколько полезна информация различных признаков. Однако эти методы не нашли широкого применения в распознавании изображений.

Наиболее часто применяются методы сокращения избыточности. Они опираются на различные специфичные особенности зрительного восприятия изображений. Субъективное восприятие рассматриваемого изображения происходит через представление его в виде отдельных областей и выделение контурных линий. Контурные линии делят изображение на участки с различными свойствами, в счет этого выделение контуров может рассматривается как предварительная обработка, направленная на дальнейшее выполнение сегментации[6,7]. Препарат, образующийся в некоторых случаях, может самостоятельно использоваться для распознавания изображений, так как информация, содержащаяся в нем с позиции зрительного восприятия, вполне достаточна для решения многих задач.

Обычно граница предмета на фотографии отображается перепадом яркости между двумя сравнительно однотонными областями. Но такой перепад может быть вызван текстурой предмета, бликами, тенями, перепадами освещенности и многим другим.

Контуром изображения является совокупность его пикселов, в окрестностях которых наблюдается скачкообразное изменение яркости. При цифровой обработке изображения контуры представляются линиями шириной, как минимум, в один пиксел. Если исходное изображение, кроме областей постоянной яркости, включает участки с плавно меняющейся яркостью, то непрерывность контура не гарантируется. Кроме того, если на изображении присутствует шум, то могут появиться “лишние” контуры, которые не будут являться границами областей.

Построение границ бинарного изображения объектов складывается из двух последовательных операций: выделения контуров и их пороговой обработки.

Исходное изображение подвергается линейной или нелинейной обработке, с реакцией на перепады яркости. В результате формируется изображение, яркость которого существенно отличается от нуля в областях резких перепадов яркости. Пороговой обработкой из данного изображения формируется контурный объект. Выбор порога должен производиться по следующим соображениям: при слишком высоком пороге могут появиться разрывы контуров, в то же время слабые перепады не будут обнаружены. При очень низком пороге, из-за шумов и неоднородности областей, могут появиться ложные контуры.

Применение фильтра выделения границ к конкретному изображению может значительно уменьшить количество обрабатываемых данных, так как отфильтрованная часть изображения относится к менее значимым, а более важные структурные свойства изображения сохраняются [5].

4.2.2 Выявление признаков объектов

Выявление признаков дает возможность упростить распознавание и идентификацию объекта. При выборе признаков являющихся более информативными нужно учитывать свойства этих объектов, а так же возможности разрешающей способности первичных формирователей сигнала изображения. Предпочтительными признаками при обработке объектов являются:

-   периметр и площадь изображения;

-   число и взаимное расположение углов;

-   размеры вписанных простейших геометрических фигур

-   моменты инерции изображений исследуемых объектов.

Важной особенностью множества геометрических признаков является инвариантность относительно разворота изображения объекта. Кроме того при нормировании геометрических признаков относительно друг друга достигается неизменность относительно масштаба изображения. [8].

Нахождение периметра и площади изображения объекта. Площадь вычисляется с помощью подсчёта числа элементов, относящихся к данному объекту:

; ,                 (4.1)

где L - множество координат массива , относящихся к выбранному объекту.

Далее находим периметр изображения объекта «Р». Он вычисляется после нахождения границ объекта суммированием контурных точек изображения:

; ,  (4.2)

где  - множество граничных контурных точек изображения объекта.

На основе выделенных признаков нормированный признак, инвариантный к масштабу изображения

 , либо                                         (4.3)

 (4.4)

где P - периметр изображения объекта,

A - площадь изображения объекта.

Нахождение числа и взаимного положения углов можно осуществить классическим способом. Он заключается в анализе малого фрагмента контура в окрестностях определенной точки и в нахождении ее радиуса кривизны. Если радиус будет меньше установленного порога, то это угловой элемент, если радиус больше, то нет.

Более простой алгоритм, с практической точки зрения, является более предпочтительным. Он основывается на оценке расстояний между начальной и конечной точками части контура. К примеру, между частями контура с порядковыми номерами k - 2 и k + 2.

Абсциссой и ординатой контурных элементов являются x(k) и y(k). Решающее правило в таком случае будет выглядеть следующим образом:

,              (4.5)

где H - пороговое значение, которое выбирается с учётом свойств исследуемых объектов.

В случае выполнения условий, расчетная точка контура принадлежит множеству угловых точек L.

При определении сторон описанного прямоугольника вначале находятся минимальные и максимальные значения абсцисс и ординат входящего изображения объекта, далее необходимо найти высоту (H) и основание прямоугольника (L):

, (4.6)

,                             (4.7)

где - максимальное значение абсциссы,

- минимальное значение абсциссы,

- максимальное значение ординаты,

 - минимальное значение ординаты.

Данный признак не инвариантен к развороту изображения объекта, то есть он может измениться.

Нахождение радиусов вписанных и описанных окружностей осуществляются следующим образом:

В начале находят координаты геометрического центра изображения:

 , (4.8)

 (4.9)