CC BY
40
УДК 681.518
Разработка комплекса программ для обнаружения нарушителя с использованием новых методов распознавания образов
Е.С. Карнаухова Elena.karn1990@mail.ru Ставропольский государственный университет
На данном этапе развития информационных технологий не вызывает сомнений важная роль подсистемы распознавания образов в кибернетических системах следующих поколений, а также роботов, самостоятельно ориентирующихся в пространстве и осваивающих его. За прошедшие 30-40 лет методы распознавания образов уже выделились во вполне самостоятельное направление, относящееся к проблематике искусственного интеллекта [1]. Вместе с тем в значительной мере оно основывается на исследованиях в области цифровой обработки сигналов, методах принятия решений, нейроинформатике и других инженерных дисциплинах [2, 3].
Применение вейвлет-преобразования и системы остаточных классов в распознавании образов. Одним из путей повышения эффективности выполнения операции экстракции классообразующих признаков в системах распознавания и классификации образов является использование методов частотного анализа, основанных на кратномасштабном вейвлет-преобразовании. С его помощью может быть решён широкий круг задач синтеза, анализа и обработки изображений. Кроме того, кратномасштабное представление обеспечивает сокращение объёмов обрабатываемых изображений за счёт удаления избыточной информации, тем самым снижая вычислительные затраты на последующую обработку. До недавней поры получение вейвлет-коэффициентов было затруднительно, т.к. было связано с необходимостью вычисления большого количества интегралов с необходимой точностью и работой с очень малыми величинами. Быстрое вейвлет-преобразование, предложенное Малла в 1989 году, позволило вычислять коэффициенты вейвлет-разложения без интегрирования, используя алгебраические операции на основе свёртки (рисунок) [4].
Рисунок - Каскадный набор фильтров дискретного вейвлет-преобразования.
Изображенный на рисунке 1 набор фильтров дискретного вейвлет-преобразования сигнала х|~ содержит высокочастотные н\\ и низкочастотные gY_ анализирующие фильтры, а также операторы децимации 12, удаляющие нечетные отсчеты сигнала. В результате
получается набор аппроксимирующих и детализирующих коэффициентов сигнала, позволяющих осуществить его точное восстановление. Вычисление коэффициентов дискретного вейвлет-преобразования по схеме, изображенной на рисунке 1, требует интенсивных вычислений. Для решения многих задач, особенно функционирующих в режиме реального времени, требуется разработка максимально эффективных алгоритмов для программных или аппаратных вычислений. Развитие высокопроизводительных и надежных систем цифровой обработки сигналов, обладающих свойством отказоустойчивости, базируется на идеях создания вычислительных средств с параллельной структурой, использующих параллельное представление и обработку данных [0]. К их числу относятся непозиционные коды - коды, основанные на модулярной арифметике, то есть коды, в которых данные представляются в системе остаточных классов (СОК). Поскольку свёртка осуществляется только операциями умножения и сложения, открывается возможность применения модулярных вычислений в системе остаточных классов, где эти операции могут быть реализованы крайне эффективно.
Далее приведены формулы, по которым осуществляется прямое и обратное дискретное вейвлет-преобразование в СОК:
а
^ Л?-1 .
п\ = НЫр Ы ’ * = ]’2’ ' ' ' ^
\Р) ^ 1^1 \р,
N-1
к=о' Р]
' N
\ап] = \Хп\р I I р, '
а
<- а
т \р
к=0
§ 2к
р)
а.
т , --к
N
-1
к=0
к
2к
р)
р1
3 °
т ,
--к
N
2_
X
к= о
§ 2к+1
р)
а
т—1
N
к=0
к
2к+1
р)
р)
3 я
т—1
-к
т — четно
т-нечетно
Каждая из формул задает преобразование для отдельно взятого модуля, число модулей берется таким, чтобы покрыть требуемый диапазон вычислений; формулы для каждого из модулей аналогичны приведенным.
Усовершенствованные технологии обработки информации являются весьма востребованными в настоящее время. В настоящей работе исследована возможность реализации процесса распознавания нарушителя на базе непозиционной арифметики - системы остаточных классов. Система остаточных классов позволяет значительно ускорить работу приложений, основная доля вычислений в которых приходится на
2
2
1
к
2
2
сложения и умножения. Распознавание образов является именно таким приложением, так как математической основой цифровой обработки сигналов является вычисление сверток - сумм произведений.
Литература:
1. Червяков Н.И., Дьяченко И.В. Применение вейвлет-анализа в задачах распознавания и классификации изображений // Инфокоммуникационные технологии, г. Самара, № 4, 2005. С. 6-12.
2. Нейрокомпьютеры в остаточных классах. // Червяков Н.И., Сахнюк П.А., Шапошников А.В., Макоха А.Н. Под ред. А.И.Галушкина. Учеб. пособие для вузов. -М.: Радиотехника, 2003. - 272 с.
3. Модулярные параллельные вычислительные структуры нейропроцессорных систем / Н.И.Червяков, П.А.Сахнюк, А.В.Шапошников, С.А.Ряднов; Под ред. Н.И.Червякова. -М.: Физматлит, 2003. - 288 с.
4. Добеши И. Десять лекций по вейвлетам. -М.: Ижевск: РХД, 2001. Червяков Н.И., Тынчеров К.Т., Велигоша А.В. Высокоскоростная обработка сигналов с использованием непозиционной арифметики // Радиотехника. - 1997. № 10. -С.23-27.
