Метод распознавания объектов в системах технического зрения роботов
Научная статья
DOI: 10.21661/r-559453
Open Access
- Опубликовано в:
- Ежемесячный международный научный журнал «Интерактивная наука»
- Авторы:
- Титов А.И. 1 , Корсунов Н.И. 2
- Рубрика:
- Тема номера
- Рейтинг:
- Статья просмотрена:
- 645 раз
- Размещено в:
- eLibrary.ru
1 Единая транспортная компания
2 ФГАОУ ВО «Белгородский государственный национальный исследовательский университет»
2 ФГАОУ ВО «Белгородский государственный национальный исследовательский университет»
- ГОСТ
Для цитирования:
Титов А. И. Метод распознавания объектов в системах технического зрения роботов / А. И. Титов, Н. И. Корсунов // Интерактивная наука. – 2023. – С. 9-11. – ISSN 2414-9411. – DOI 10.21661/r-559453.
- Полный текст
- Метрики
УДК 004.93'11
DOI: 10.21661/r-559453
Аннотация
В статье предлагается метод, обеспечивающий минимизацию затрат ресурсов, имеющий инвариантность к поворотам, так как объекты могут находиться в случайном положении. Для сокращения временных и аппаратных затрат при обеспечении инвариантности к положению объекта прилагается для задания контура использовать особые ключевые точки. Линия, связывающая две соседние особые ключевые точки задает ось автономной декартовой системы координат, в которых определяется точки экстремумов. Количество сегментов, координат и положение в них точек экстремумов представляется решающим правилом распознавания объекта. Эти архитектуры являются универсальными, поэтому их можно использовать для создания ряда модулей для более крупной системы (например, для распознавания объектов, ключевых точек и модулей обнаружения объектов в системе технического зрения роботов). По мере того, как все больше и больше используются мобильные роботы и, как правило, самоуправляемые машины, такие как квадрокоптеры или дроны системы распознавания объектов становятся все более важными.
Ключевые слова
Список литературы
- 1. Jiang X. A review of multimodal image matching: Methods and applications / X. Jiang, J. Ma, G. Xiao [et al.] //Information Fusion. ‒ 2021. ‒ Т. 73. ‒ P. 22–71.
- 2. Leng C. Local feature descriptor for image matching: A survey / C. Leng, H. Zhang, B. Li [et al.] // IEEE Access. ‒ 2018. ‒ Т. 7. ‒ P. 6424–6434.
- 3. Павельева Е.А. Обработка и анализ изображений на основе использования информации о фазе / Е.А. Павельева // Компьютерная оптика. ‒ 2018. ‒ Т. 42. №6. ‒ С. 1022–1034.
- 4. Biryukov A. Neural network clustering methods to evaluate the totality of taxpayers according to their degree of creditworthiness // Artificial societies. – 2017. ‒ V. 12. Issue 1–2 [Electronic resource]. – Access mode: https://artsoc.jes.su/s207751800000103–2-1/ ‒ DOI 10.18254/S0000103-2-1 (accessed 03.04.2023).
- 5. Cui S. A Novel Robust Feature Descriptor for Multi-Source Remote Sensing Image Registration / S. Cui, Y. Zhong, A. Ma [et al.] // IEEE International Geoscience and Remote Sensing Symposium (IGARSS). ‒ 2019. ‒ P. 919–922.
- 6. Barroso-Laguna A. Key.Net: Keypoint detection by handcrafted and learned CNN filters / A. Barroso-Laguna, Riba E., Ponsa D., Mikolajczyk K. // Proceedings of the IEEE/CVF International Conference on Computer Vision. ‒ 2019. ‒ P. 5836–5844.
- 7. Tikhonova V.A. Hybrid Iris Segmentation Method Based on CNN and Principal Curvatures / V.A. Tikhonova, E.A. Pavelyeva // CEUR Workshop Proceedings. ‒ 2020. ‒ Vol. 2744. P. 31. ‒ P. 1–10.
- 8. Protsenko M.А. Iris Image Key Points Descriptors Based on Phase Congruency / M.А. Protsenko, E.A. Pavelyeva // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. ‒ 2019. ‒ Т. 42. №2/W12. ‒ С. 167–171.
- 9. Райченко Б.В. Практическое применение методов ключевых точек на примере сопоставления снимков со спутника «Канопус-В» / Б.В. Райченко, В.В. Некрасов // Геоматика. ‒ 2013. ‒ №2.
- 10. Андреев А.Ю. Сегментация символов в изображении модифицированным методом жука / А.Ю. Андреев, С.П. Бобков // Современные наукоемкие технологии. Региональное приложение. ‒ 2014. ‒ №1 (37).
- 11. Hebb D.O. The Organization of Behavior, Wiley / D.O. Hebb. ‒ New York, 1949.
- 12. Aggarwal C.C. Neural Networks and Deep Learning. A Textbook / C.C. Aggarwal // Springer International Publishing AG. ‒ 2018. ‒ DOI 10.1007/978-3-319-94463-0. ‒ ISBN 978-3-319-94462-3.
- 13. Haykin S. Neural Networks and Learning Machines / S. Haykin. ‒ 3rd Edition. ‒ Pearson, 2018.
- 14. Жээнбеков А.А. Метод распознавания изображений на принципах двунаправленной ассоциативной памяти / А.А. Жээнбеков, А.А. Сарыбаева // Евразийский Союз Ученых (ЕСУ). ‒ 2016. ‒ №1 (22). ‒ С. 148–151.
Комментарии(0)