10.14489/vkit.2018.07.pp.030-038

DOI: 10.14489/vkit.2018.07.pp.030-038

Кручинин А. Ю., Галимов Р. Р.
ОПТИМИЗАЦИЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ СО СЛОЖНОЙ КОНФИГУРАЦИЕЙ НА ОСНОВЕ ПРИОРИТЕТНОГО ПЛАНИРОВАНИЯ СО СТАРЕНИЕМ
(c. 30-38)

Аннотация. Предложен подход к оптимизации процесса распознавания объектов со сложной конфигурацией в реальном времени. Метод основан на древовидном разделении подзадач распознавания с последующей приоритизацией. Обеспечен высокий уровень достоверности детектирования протяженных объектов за счет исключения подзадач с низкой вероятностью успешного решения. Приведена математическая модель оптимизации распознавания объектов на основе приоритетного планирования. Представлены сравнительные зависимости пропусков и ложных срабатываний исследуемого подхода и метода без оптимизации.

Ключевые слова: распознавание образов; оптимизация процесса распознавания образов; приоритетное планирование; старение; видеонаблюдение; объект со сложной конфигурацией.

Kruchinin A. Yu., Galimov R. R.
OBJECTS WITH COMPLEX CONFIGURATION RECOGNITION OPTIMIZATION ON THE BASIS OF PRIORITY PLANNING WITH AGING
(pp. 30-38)

Abstract. The paper suggests an approach to optimizing the process of recognizing objects with a complex configuration in real time. Object distributed in space and time, is seen as scores of small objects, which need to recognize to get the result. Observation of such objects is often carried out by distributed video surveillance systems with a large number of cameras. A large amount of data leads to the problem of providing a realtime mode due to computing resources lack. The decision of recognition process organization of the distributed objects for high-level veracity maintenance in the time shortage conditions for decision-making and computing resources is offered. The approach is based on dividing the recognition process into subtasks in the form of a tree and then assigning priorities to them. Subtasks can be solved with delay, and priority changes over time, given its obsolescence and the probability of pattern recognition. This will ensure the detection distributed objects high-level veracity by discarding subtasks, the probability of successful solution of which is low. Priority of current tasks takes into account with the previous stages results veracity, the recognition complexity and the waiting time for processing. The resources freed as a result of planning, allows to process the remaining tasks with the optimal settings for resolution and frame rate. The mathematical model of object recognition optimization based on priority planning is presented. Formulas for calculating priorities are determined. The comparative characteristics of the recognition process, the distributed object on the basis of priority planning and without are given. These estimates show the effectiveness of the proposed approach in systems with small computing resources and in recognition time shortage conditions. This approach can be applied not only to the processing of graphic data, but also in automated realtime systems for the adoption of complex management decisions.

Keywords: Pattern recognition; Optimization of image recognition process; Priority planning with aging; Aging; Video surveillance system; Object with complex configuration.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

А. Ю. Кручинин, Р. Р. Галимов (Оренбургский государственный университет, Оренбург, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

A. Yu. Kruchinin, R. R. Galimov (Orenburg State University, Orenburg, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Кручинин А. Ю. Оптимальный подход к распознаванию протяженных объектов в реальном времени. М.: Научное обозрение, 2016. 305 с.
2. Кручинин А. Ю. Управление режимом распознавания протяженного объекта в реальном времени на основе оценки сложности каждого этапа распознавания // Информационно-управляющие системы. 2014. № 1. С. 16 – 22.
3. Горелик А. Л., Скрипкин В. А. Методы распознавания. М.: Высшая школа, 2004. 261 с.
4. Михалевич В. С. Последовательные алгоритмы оптимизации и их применение // Кибернетика. 1965. № 1. С. 45 – 56.
5. Беллман Р. Динамическое программирование. М.: Иностранная литература, 1960. 400 с.
6. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания и классификации. В кн. Проблемы кибернетики. Вып. 33. М.: Наука, 1978. С. 5 – 68.
7. Кручинин А. Ю. Управление процессом распознавания образов в реальном времени // Автоматизация и современные технологии. 2010. № 3. С. 33 – 37.
8. Bow S. T. Pattern Recognition and Image Preprocessing. NY: Marcel Dekker, 2002. 719 p.
9. Федотов Н. Г. Теория признаков распознавания на основе стохастической геометрии и функционального анализа. М.: ФИЗМАТЛИТ, 2010. 304 с.
10. Применение параллельных вычислений при расчете признаков в системах автоматического аннотирования изображений / М. Н. Фаворская и др. // Телекоммуникации. 2015. № 4. С. 41 – 47.
11. Пат. № 8973010B2 США. Int. G09F 9/46 G09F 9/50 G09K 9/00 (2006.01). Scheduling Image Recognition Tasks Based on Task Dependency and Phase / Haas B., Coradi T.; заявитель и правообладатель United States Varian Medical Systems International; опубл. 03.03.2015.
12. iANPR SDK [Электронный ресурс] / IntBuSoft. URL: http:// intbusoft.com/ianpr/ (дата обращения: 03.09.2017).

Eng

1. Kruchinin А. Yu. (2016). Optimum approach for recognition of extended objects in real time. Moscow: Nauchnoe obozrenie. [in Russian language]
2. Kruchinin А. Yu. (2014). Controlling the mode of recognition of an extended object in real time on the basis of an assessment of the complexity of each recognition stage. Informatsionno-upravlyayushhie sistemy, (1), pp. 16-22. [in Russian language]
3. Gorelik A. L., Skripkin V. A. (2004). Recognition methods. Moscow: Vysshaya shkola. [in Russian language]
4. Mihalevich V. S. (1965). Sequential optimization algorithms and its application. Kibernetika, (1), pp. 45-56. [in Russian language]
5. Bellman R. (1960). Dynamic programming. Moscow: Izdatel'stvo inostrannoy literatury.
6. Zhuravlev Yu. I. (1978). Algebraic approach for solving problems of recognition and classification. Problemy kibernetiki, 33, pp. 5-68. [in Russian language]
7. Kruchinin A. Yu. (2010). Managing the process of pattern recognition in real time. Avtomatizatsiya i sovremennye tekhnologii, (3), pp. 33-37. [in Russian language]
8. Bow S. T. (2002). Pattern Recognition and Image Preprocessing. NY: Marcel Dekker.
9. Fedotov N. G. (2010). Theory of recognition features on the basis of stochastic geometry and functional analysis. Moscow: FIZMATLIT. [in Russian language]
10. Favorskaya M. N. et al. (2015). The use of parallel computations in the calculation of characteristics in systems for automatic annotation of the images. Telekommunikatsii, (4), pp. 41-47. [in Russian language]
11. Haas B., Coradi T. (2015). Scheduling Image Recognition Tasks based on task dependency and phase. Patent No. № 8973010B2. USA. Int. G09F 9/46 G09F 9/50 G09K 9/00 (2006.01). United States Varian Medical Systems International.
12. iANPR SDK. Available at: http://intbusoft.com/ianpr/ (Accessed: 03.09.2017).

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

DOI: 10.14489/vkit.2018.07.pp.030-038

Скопируйте DOI статьи и перейдите по ссылке https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

В комментарии к заказу обязательно укажите DOI статьи.

Eng

This article is available in electronic format (PDF).

DOI: 10.14489/vkit.2018.07.pp.030-038

Copy the article DOI and follow the link https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

Please specify the article DOI in the order comments.