39Поэтому для разработки приложения был выбран фреймворк Nuxt.js, этот фреймворк позволяет писать приложение с строгой архитектурой и использовать такие технологии как SSR (server side rendering) и PWA (progressive web app). При этом будет задействовано минимальное количество ресурсов. Всё приложение будет написано на языке JavaScript поэтому можно избежать все проблемы с совместимостью.
Библиографический список
1. progressive web app [Электронный ресурс]. URL: https://www.degdigital.com/insights/progressive-web-apps/ (дата обращения 17 апреля 2020).
2. Статистика пользователей [Электронный ресурс]. URL: https://www.web-canape.ru/business/internet-2020-globalnaya-statistika-i-trendy/ (дата обращения 17 апреля 2020).
АЛГОРИТМ ОПРЕДЕЛЕНИЯ ЦВЕТА АВТОМОБИЛЯ С ИСПОЛЬЗОВАНИЕМ МЕТОДА К-СРЕДНИХ
Д.В. Кубатин, К.А. Рябинова, М.А. Страхов, Р.Ю. Вишняков
Кубанский государственный университет ул. Ставропольская 149, 350040, г. Краснодар, Россия
Ключевые слова: методы определения цвета, кластерный анализ, ^ means, цветовые пространства, определение цвета, распознавание цвета.
Аннотация
В данной статье представляется алгоритм определения цвета автомобиля с использованием метода кластеризации К-средних.
Цвет является одним из важных свойств транспортного средства (ТС). Определение цвета автомобиля осложнено такими факторами, как различные погодные условия, изменение температуры, мощности освещения, степени и характера загрязненности транспортного средства и т. д. В данной статье описывается способ классификации цвета ТС с помощью метода К-средних. Основные этапы представляемого метода изображены на рис. 1.
Предобработка Определение цвета Конвертация Идентификация
изображения к-теапг цвета
Рисунок 1. Основные этапы метода определения цвета Как правило, изображение с ТС содержит объекты сцены, не относящиеся к самому ТС, и различного рода визуальные артефакты, такие как солнечные блики, тени и пр. (рис. 2). Из -за этого для более стабильной работы алгоритма необходимо применять предобработку изображения до применения алгоритма К-средних. Работа алгоритма предполагает строго фиксированный ракурс обзора на ТС, схема которого представлена на рис. 3.
Рисунок 2. Проблемы определения цвета автомобиля
Рисунок 3. Ракурсы обзора
Предобработка изображения заключается в следующих действиях:
- изображение нормализуется по размеру;
- производится центрирование автомобиля; извлекаются части изображения, содержащие капот и
крышу ТС, после чего они склеиваются в одно изображение;
- применяется фильтр Гаусса с размером ядра, равным 5, после чего производится сжатие изображения в два раза.
Графическая схема предобработки изображения
представлена на рис. 4.
Всякий пиксель представляется трехмерным вектором в RGB пространстве, а значит можно воспользоваться методом К-средних [2] с к = \ дЛя получения доминирующего цвета на изображении. Однако, из-за высокой коррелированности цветовых каналов использование RGB пространства не позволит получить правильный кластер. Для устранения данных недостатков было использовано цветовое пространство LAB [3].
__L_____
I GaussianBlur 'f radius-5
resize
image.size // 2
Рисунок 4. Предобработка изображения
Идентифицируемые цвета и их разбиение внутри пространства LAB изображены на рис. 5.
White
Рисунок 5. Девять классов цветов в пространстве LAB
Пусть С = {с1,...,с9] - множество определяемых цветов. Эмпирическим путем была определена матрица:
А А А cw ~
х = l2 д в2 С2, ,
4 4, в»
где л;. = А", ={1,пАпВпс11) - / -ая опорная точка для цвета с,еС. Из расширенной матрицы X конструируется следующая матрица:
(2)
"А А В1
х = L} Аг в2
А Лг Вп_
где х = 1 = (4,4, д.). С помощью этой матрицы решается задача:
q = argmin(|i- -^||2) (3)
где s - вектор, полученный на предыдущем шаге. В результате решения задачи (3) будет получена метка qe[l,ri\, после чего необходимо выполнить обратное преобразование xq=(Lq,Aq,Bq)^ xq=(Lq,Aq,Bq,cq j)^cq j=>Cj. Для тестирования были отобраны 100
изображений для каждого из девяти классов цветов с фронтальным расположением автомобиля из набора данных Chen [1]. В табл. 1 представлена матрица ошибок, полученная в результате работы описанного алгоритма.
Таблица 1 — Матрица ошибок
Black Blue Cyan Gray Green Orange Red White Yellow
Black 85 8 0 7 0 0 0 0 0
Blue 3 47 39 11 0 0 0 0 0
Cyan 0 0 98 1 0 0 0 1 0
Gray 4 14 2 74 0 0 0 6 0
Green 0 0 2 4 92 0 0 2 0
Orange 0 0 0 1 0 62 8 0 29
Red 0 0 0 1 0 47 52 0 0
White 0 0 0 5 0 0 0 95 0
Yellow 0 0 0 0 4 2 0 0 94
Анализ матрицы ошибок показывает, что данный алгоритм позволяет достичь 77% точности. Это говорит о целесообразности применения данного алгоритма для задачи распознавания цвета автомобиля. Повысить качество предлагаемого алгоритма определения цвета можно с помощью детального подбора цветовых координат в цветовом пространстве LAB и методов предобработки изображений.
Библиографический список
1. P. Chen, X. Bai and W. Liu, Vehicle Color Recognition on an Urban Road by Feature Context, IEEE Transactions on Intelligent Transportation Systems (TITS), 2014, Issue: 99, pp: 1-7.
2. X. Wu and V. Kumar. The Top Ten Algorithms in Data Mining. Chapman & Hall/CRC, 2009.
3. Домасев М. В., Гнатюк С. П. Цвет. Управление цветом, цветовые расчеты и измерения. - СПб.: Питер-Пресс, 209. - 219 с.
СПЕЦИАЛИЗИРОВАННАЯ СИСТЕМА РАСПОЗНАВАНИЯ
СКАНОВ ДОКУМЕНТОВ
И.А. Малахов
Научный руководитель: Ю.М. Вишняков Кубанский государственный университет ул. Ставропольская 149, 350040, Краснодар, Россия
Ключевые слова: распознавание, шум изображения, выравнивание изображения, нормализация изображений, выделение объектов на изображении, сверточная нейронная сеть, обучающая выборка.
Аннотация
В представленной работе рассматривается проблема автоматического распознавание текста на базе нейронных сетей в документах организации. В основе распознавания лежат символьные шаблоны, на которых осуществляется предварительное обучение нейронной сети. В работе приводятся и обсуждаются результаты экспериментов.
Сегодня распознавание текстов на имиджах документов является важной частью работы практически любого специализированного учреждения. Существует много коммерческих программ по распознаванию документов, но качество распознавания зачастую у них не высокое, вследствие чего в результатах присутствуют ошибки. Однако организации очень важно, чтобы системы обеспечивали качественное распознавание документов и показывали хорошие результаты при потоковой обработке.
Рассмотрим некоторые особенности в распознавании
