1561-5405 10.24151/1561-5405 Proceedings of Universities. Electronics Scientifical and technical journal "Proceedings of Universities. Electronics" Научно-технический журнал «Известия высших учебных заведений. Электроника» 1561-5405 2587-9960 National Research University of Electronic Technology Национальный исследовательский университет "Московский институт электронной техники" 10.24151/1561-5405-2018-23-4-379-388004.93Информационно-коммуникационные технологииMultihypothetical Recognition of Three-Dimensional Objects in Distorted ImagesМногогипотезное распознавание трехмерных объектов на зашумленных изображениях379388http://ivuz-e.ru/en/issues/4-_2018/mnogogipoteznoe_raspoznavanie_trekhmernykh_obektov_na_zashumlennykh_izobrazheniyakh/http://ivuz-e.ru/en/download/4_2018_2240_en.pdf

The existing recognition methods for vision systems are effective only for certain fairly simple objects, which are observed in sufficiently deterministic conditions (certain illumination, background and position of the object relative to the camera). During functioning of robotic complexes on a previously unprepared territory, the listed conditions, as a rule, are not fulfilled. Thus, the prerequisites for the implementation in perspective the robotic complexes of the algorithms for recognizing the three-dimensional objects of various classes in the complex nondeterministic conditions are created. The issues of recognition of three-dimensional objects with an unknown viewing angle from the images of their two-dimensional projections have been considered. The multihypothetical recognition is based on the generalization of a two-alternative decision rule. The questions of using the ROC-analysis for evaluating the effectiveness of the recognition system have been investigated. The formula dependencies to determine the magnitudes of possible errors have been presented. The obtained results can be used in the development of methods and ways for identifying objects in conditions of an inadequately defined environment for vision systems of robotic complexes for various purposes operating outside the factory premises.

Существующие методы распознавания для систем технического зрения эффективны для отдельных несложных объектов, которые должны наблюдаться в достаточно детерминированных условиях (определенное освещение, фон и положение объекта относительно камеры). При функционировании робототехнических комплексов на заранее не подготовленной территории данные условия, как правило, не соблюдаются. В перспективных роботизированных комплексах необходимо решить задачу реализации алгоритмов распознавания трехмерных объектов различных классов в сложных недетерминированных условиях. В работе рассмотрены вопросы распознавания трехмерных объектов с неизвестным ракурсом наблюдения по изображениям их двухмерных проекций. Многогипотезное распознавание построено на базе обобщения двухальтернативного решающего правила. Исследованы вопросы использования ROC-анализа для оценки эффективности системы распознавания. Представлены формульные зависимости для определения величин возможных ошибок. Полученные результаты могут быть применены при разработке методов и способов идентификации объектов в условиях недостаточно определенной среды для систем технического зрения робототехнических комплексов различного назначения, функционирующих вне заводских помещений.

 Тюрин Ю.Н. Многомерная статистика: гауссовские линейные модели. – М.: Изд-во МГУ, 2011. – 136 c.Математическая статистика / В.Б. Горяинов, И.В. Павлов, Г.М. Цветкова и др. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. – 424 с.Епанечников В. А. Непараметрическая оценка многомерной плотности веро-ятности // Теория вероятностей и ее применения. – 1969. – Т. 14. – № 1. – С. 156–161.Бхаттачария Р.Н., Ранга Рао Р. Аппроксимация нормальным распределе-нием и асимтотические разложения. – М.: Наука, 1982. – 288 с.Холлендер М., Вулф Д.А. Непараметрические методы статистики. – М.: Фи-нансы и статистика, 1983. – 518 с.O'Gorman T.W. Applied adaptive statistical methods: tests of significance and confidence intervals. – Philadelphia: SIAM, 2004. – 189 p.Bolstad W.M., Curran J.M. Introduction to bayesian statistics. – 3rd ed. – Hoboken: Wiley, 2016. – 620 p.Вентцель Е.С. Теория вероятностей. – М.: Высшая школа, 2006. – 575 с.Fawcett T. An introduction to ROC analysis. – Palo Alto, USA: Institute for the Study of Learning and Expertise, 2005. – 14 р.Krzanowski W.J., Hand D.J. ROC curves for continuous data // Chapman and Hall/CRC, 2009. – 235 p.Боровков А.А. Математическая статистика. – М.: Наука, 1984. – 472 с.Аляев Ю.А. Дискретная математика и математическая логика. – М.: Финансы и статистика, 2006. – 368 с.