Разработка концепции автоматизированной системы "Дополненная реальность" использование моделей и методов систем искусственного интеллекта.

Анализ методов выделения сюжетной части изображения показал, что для решения данной задачи эффективным является использование искусственных нейронных сетей, поскольку они обеспечивают возможность получения классификатора, хорошо моделирующего сложную функцию распределения изображений строений, тем самым увеличивая точность решения по сравнению с решениями, получаемыми другими методами.Преимущество использования нейронных сетей для обнаружения архитектурных объектов — обучаемость системы для выделения ключевых характеристик из учебных наборов.Наиболее часто в задачах распознавания и идентификации изображений используются классические нейросетевые архитектуры (многослойный персептрон, сети с радиально-базисной функцией и др.), но применение классических нейросетевых архитектур в задачах распознавания имеет ряд недостатков, поэтому для решения данной задачи целесообразно использовать рекурсивные нейронные сети (напримерХопфилда), обеспечивающие частичную устойчивость к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям.Архитектура нейронной сети включает большое количество чередующихся слоев двух типов: ассоциативные слои и подвыборочных (рисунок 3.1).Рисунок 3.1 – Принцип использования нейронной сети для распознавания образов:1 — вход; 2, 4, 6 — ассоциативные слои; 3, 5 — подвыборочные слои;7 — слой из обычных нейронов; 8 — выходНейроны в пределах слоя организованы в плоскости. В каждом слое имеется набор из нескольких плоскостей, причем нейроны одной плоскости имеют одинаковые синаптические коэффициенты, ведущие ко всем локальным участкам предыдущего слоя. Каждый нейрон слоя получает входыот некоторой области предыдущего слоя, т. е. входное изображение предыдущего слоя как бы сканируется небольшим окноми пропускается сквозь набор синаптических коэффициентов, а результат отображается на соответствующий нейрон текущего слоя. Набор плоскостей представляет собой карты характеристик, и каждая плоскость находит “свои” участки изображения в любом месте предыдущего слоя. Размер локального рецептивного поля выбирается самостоятельно в процессе разработки нейронной сети.(Рисунок 3.2)ВходКартапризнаковРисунок 3.2 – Результат сканирования изображенияПодвыборочный слой уменьшает масштаб плоскостей путем локального усреднения значений выходов нейронов. Таким образом достигается иерархическая организация. Последующие слои извлекают более общие характеристики, слабее зависящие от искажений изображения. Постепенно нейронная сеть обучается выделять ключевые характеристики лиц в поступающих на вход изображениях; отклики нейронной сети образуют максимумы в местоположениях объектов. Последовательность действий при распознавании в этом случае будет следующей:Провести обесцвечивание изображения с выравниванием тонов к черному или беломуПровести разбиение обесцвеченного изображения на мелкую регулярную сетку, записать значения в массив (черный – 1, белый – 0)Заранее приготовленная и обученная система персептронов обработает массив данных. Для сети следует выбрать наиболее подходящий вид дельта-правило, обеспечивающий корректную работу.Настройкой весовых коэффициентов добиться максимальной точности, провести обучение сети на образцах.Работу данного алгоритма иллюстрирует рисунок 3.3Рисунок 3.3 – Алгоритм распознавания объектаНа рисунке видно, что выбран прямой вид на здание. В общем случае положение камеры может этого не обеспечивать, потому становится понятно не только, почему выше сказано про необходимость предварительной подготовки изображения, это основная сложность по сравнению с распознаванием простых символов. Возможно, целесообразно будет задействовать геолокацию, присутствующую в большинстве современных устройств, для определения угла зрения. Также понятно, что хотя разность углов зрения на объект при движении небольшая, можно как минимум немного «довернуть» трехмерную реконструкцию на нужный угол перед распознаванием. Дополнительное преимущество нейронной сети ещё и в том, что при наличии достаточного количества образцов распознавание будет лучше, чем при других методах – так, каскады Хоара потребуют набора очень большого количества признаков на сложных фотографиях зданий.Перед тем, как дополнительно описать принцип работы перцептронной сети, следует упомянуть, что в отличие от простых символьных образов, могут возникать некоторые сложности с распознаванием снимка здания по признакам, основанным на сетке из обесцвеченного образа, т.к., очевидно, гораздо лучшее распознавание получится при выделении контура здания либо локализации его характерных частей отдельно.Следует упомянуть и традиционное для этого метода трансформирование введенного изображения из графического в матричный вид. При распознавании образов, изображение подают на матрицу рецепторов по аналогии с тем, как изображение попадает на сетчатку человеческого глаза. По аналогии строится модель с полем рецепторов, представляющим собой прямоугольный массив, на котором можно изображать всевозможные конфигурации символов. Ввод информации в устройство, представляет собой процесс сканирования изображения с помощью периферийного устройства – камеры, и сохранения изображения в формате графического файла. Другим способом может служить создание изображения в любой графической программе. Сохраненное изображение представляет собой графический файл, т.е. последовательность кодовых знаков, которые несут в себе информацию о структуре визуального изображения. Однако для использования этой информации в математических целях, необходимо преобразовать этот последовательный зашифрованный код в более доступное матричное представление нулей и единиц (0 – не закрашенные, 1 – закрашенные точки).Будем считать достаточным топологическое описание без дополнительных уточнений, т.к. простые геометрические деформации сохранят подобие с эталоном. Выбор классов (простых образов), для которых верна гипотеза компактности по сути является аналогом отдельного распознавания частей здания, что опять же подтверждает удачный выбор нейронной сети как инструмента в данной задаче.Основная проблема подхода будет связана с выбором удовлетворительных процедур распознавания, этот вопрос отчасти остается открытым. Понятно только, что исходить следует из выделения опорных точек и контуров в силуэте здания, а также к их формализации таким образом, чтобы получившиеся признаки были кластеризуемы. Даже несмотря на присутствие вероятностных описаний в хорошей нейросети, признаки необходимо выделять продуманно. Эти дискриминантные функции пространства признаков можно попытаться изыскать из общих соображений аналитической геометрии.IV. Вывод о возможности использования нейронных сетей для распознавания туристических достопримечательностей.В данной курсовой работе был проведен анализ возможности использования нейронных сетей для разработки автоматизированной системы дополнительной реальности, позволяющей получать пользователю дополнительную информацию о известных туристических объектах.В ходе выполнения работы было произведено рассмотрение концепции автоматизированной системы, описаны как предпочтительные технологические составляющие, так и математические основы наиболее сложной части такой системы. Были освещены существующие аналоги такой системы, возможные проблемы различных подходов к её реализации, а также рассмотрена возможная структура нейронной сети и алгоритм ее функционирования.Список использованной литературыФ.Уоссермен, Нейрокомпьютерная техника, М., Мир, 1992.Кохонен Т. Самоорганизация и ассоциативная память. Springer. 1984. 187 с.Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений. - // Открытые системы, 1998, N1, с. 30-35.Продукты для интеллектуального анализа данных. - программных средств. 1997, N14-15, с.32-39.Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. - Харьков: Телетех, 2004. - 369 с.: ил.Кречетов Н.. Продукты для интеллектуального анализа данных. — Рынок программных средств. № 14-15, 1997. с. 32-39.ОсовскийС. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.: ил.Губарев ВВ., Альсова O.K., Беленький А.И., Гаврилов А.В., Голованскнй А.П., Давыдова Т.Н., Канглер В.М. Управление Новосибирским водохранилищем на основе прогнозирования притока. - // Водное хозяйство России. Проблемы, технологии, управление, Екатеринбург. Изд-во РосНИИВХ, 2000, т. 2, № 5. - С. 484-499.Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2003. - 164 с.Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных. - // Сб. научи, трудов НГТУ. - Новосибирск: Изд-во НГТУ. 1999. - № 3(16). - С. 56-63.Гаврилов А.В.. Губарев В В. Применение модели Хопфилда для решения задачи прогнозирования на примере анализа притока реки Обь. // 2-я Всероссийская научно-техн. конф. "Нейроинформатика-2000", М.,- С. 33-38.