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