ОБЗОР МЕТОДОВ, ПРИМЕНЯЕМЫХ ПРИ РЕШЕНИИ ЗАДАЧ РАСПОЗНАВАНИЯ ОБРАЗОВ | Опубликовать статью ВАК, РИНЦ

Забара В.О.¹, Максимов П.В.²

¹Студент; ²кандидат технических наук, доцент, Пермский национальный исследовательский политехнический университет

ОБЗОР МЕТОДОВ, ПРИМЕНЯЕМЫХ ПРИ РЕШЕНИИ ЗАДАЧ РАСПОЗНАВАНИЯ ОБРАЗОВ

Аннотация

Целью работы является систематизация возможных задач распознавания образов и анализ существующих методов распознавания. Приведен перечень типовых задач. Выполнен анализ и сравнение методов распознавания образов.

Ключевые слова: распознавание образов, автоматизация, нейронные сети.

Zabara V.O.¹, Maksimov P.V.²

¹Student; ²PhD in Technical Science, assosiate professor, Perm National Research Polytechnic University

OVERVIEW OF THE METHODS USED FOR SOLVING THE PROBLEMS OF PATTERN RECOGNITION

Abstract

The aim is to systematize the problems of pattern recognition and performing of analysis of existing methods of recognition. A list of typical tasks is shown. The analysis and comparison of pattern recognition methods are performed.

Keywords: pattern recognition, automation, neural networks.

Ни для кого не секрет, что в мире быстро развивающихся технологий не менее быстро развиваются и информационные ресурсы, причём темпы развития вторых в разы больше темпов первых. Для того, чтобы поддерживать последующее совершенствование этих процессов, человечеству необходима постоянная работа со всеми данными. Такая потребность привела к автоматизации процессов хранения обработки и передачи информации. Ярким примером подобной автоматизации является такой раздел информатики как распознавание образов.

Целью данной работы является систематизация возможных задач распознавания образов и анализ существующих методов распознавания.

Распознавание  образов – это  научная  дисциплина,  целью  которой  является классификация  объектов  по  нескольким  категориям  или  классам [1]. Практичность этого метода очевидна, так как после классификации работа с определённым классом информации требует меньше ресурсов, нежели работа с полным её объёмом.

На практике решение задач, связанных с распознаванием образов, является сложной теоретической и практической задачей. Это связано в первую очередь с тем, что каждый конкретный случай обладает своей спецификой, что не позволяет создать универсального алгоритма работы с информацией [2]. Однако, несмотря на данные трудности, был сформулирован следующий перечень задач распознавания образов:

• первая задача связана с построением набора измерений исходных данных, представленных некоторым образом. Такой набор измерений называется  вектором образа;
• вторая задача распознавания образов связана с выделением характерных признаков или свойств из полученного вектора образа;
• третьей задачей является формулировка алгоритмов, на основе которых объекты будут относиться к определённым классам по полученным признакам. [3].

В случае рассмотрения целой картины объектов следует выделить четвёртую задачу, связанную с решением вопроса разбиения всех исходных данных на отдельные объекты. В итоге получается пространство образов [1].

В ходе независимых рассуждений на эту тему, исследователи в большинстве случаев приходили к выделению основных методов распознавания образов. Конечно, классификации этих методов отличаются друг от друга (в основном различия заключаются в сложности организации классификации, в наличии разного рода групп, подгрупп методов), но всё же в них можно выделить четыре основных метода: метод сопоставления с эталоном, статистический метод, метод, использующий искусственные нейронные сети (ИНС) и структурный метод [2, 4].

В основе метода сопоставления с эталоном лежит набор векторов эталонных образов, описывающих классы. В ходе выполнения метода исходный образ относят к тому классу, чей эталонный вектор имеет наибольший коэффициент схожести с исходным.

Статистический метод основан на построении функции плотности распределения вероятностей образов (с учётом того что решена четвёртая задача) для каждого класса объектов и классификации появления каждого из классов по какому-либо правилу.

Метод, использующий искусственные нейронные сети получает на вход вектор образа, а на выходе выдаёт сигналы, соответствующие заданным образам. Сигнал, имеющий большую амплитуду, определяет класс, к которому относится объект. При этом одновременно выполняются следующие действия: происходит отнесение объекта к классу, а в случае отсутствия такого класса в базе, происходит пополнение базы этим классом.

Структурный метод основывается на анализе самого вектора образа. Основное внимание в этом методе уделяется структурным связям между составляющими вектора образа (измерениями). На основе этих связей производится выделение признаков и отнесение объектов к определённым классам (выполнение второй и третьей задач теории распознавании образов) [3].

Однако, следует отметить, что алгоритм выполнения задач для каждого конкретного случая свой. Так, например, в с структурном методе, может быть сначала построен алгоритм распределения объектов по классам, а затем уже способ выделения признаков, ориентирующийся по набору имеющихся классов.

В силу определения перечисленных методов как основных для них характерен ряд очевидных недостатков.

Метод сопоставления с эталоном сопровождается искажениями рассматриваемых образцов, что требует учета немалого множества случаев небольших отклонений от эталона.

Статистические методы встречаются с рядом трудностей при решении практических задач, так как выборки образцов из каждого класса часто оказываются недостаточно представительными, а функции плотности распределения вероятностей сложны для построения.

Для нейронных сетей характерно длительное обучение, основанное на рассмотрении множества примеров.

Структурные методы чувствительны к искажениям распознаваемых образов и требуют сложной процедуры построения набора признаков. [2].

Такая ситуация приводит к необходимости комбинирования данных методов с целью компенсации недостатков одних подходов преимуществами других, что активно используется в решении практических задач. Так  в том же структурном методе можно сразу после получения векторов имеющихся образов задействовать ИНС, что со временем даст ряд наборов связей, которые можно будет брать в качестве эталона для сравнения с последующими (ещё не рассмотренными) векторами объектов (применение метода сопоставления с эталоном).