Разработка модели интерактивного описания специализированных  знаков безопасности

Рассмотрим модель системы распознавания одиночного объекта х. Пусть задано множество, содержащее М классов С = { }. В случае распознавания символа множеством классов может выступать какой-либо фиксированный алфавит. Рассматривая задачу типизации страницы документа на изображении после локализации ее границ и проективного исправления, множеством классов может выступать коллекция типов страниц документов, доступных для дальнейшей обработки. Отдельно следует упомянуть, что иногда в задачах распознавания объектов и явлений допускается наличие «пустого класса», который должен быть ответом системы распознавания на входное изображение объекта, о котором системе не известно, либо на изображение, которое не содержит объекта.

Пусть задано изображение объекта  из некоторого множества всевозможных изображений  и в рамках модели взаимодействия системы распознавания с надсистемой или с пользователем/оператором существует класс

С, к которому принадлежит объект х. Задача распознавания изображения одиночного объекта состоит в определении этого класса. Результат работы системы распознавания в общем виде представим как всюду определенное отображение из множества классов С в множество оценок принадлежности: r: C . Учитывая, что множество классов С содержит ровно М элементов:

r (I(x)) = {(, ),(,q₂),…, (, )}, (1)

где  ,   i {1,…, M }- вещественные оценки принадлежности объекта х к классу

C при условии I(x). В качестве окончательного решения классификации принимается класс с* (I (x)) = argmax r (I(x)). Тривиальная схема системы распознавания изображения специализированных знаков безопасности в рамках описанной модели на рис.2

argmax

r(I (x))

argmax

r(I (x))

Классификация одиночного изображения специализированного знака безопасности

Система распознавания специализированных знаков безопасности на одиночном изображении

argmax

c*(I(x))

c*(I(x))

r(I (x))

c*(I(x))

c*(I(x))

 Рис. 2 –Тривиальная схема распознавания знаков безопасности

Если исключить из рассмотрения процесс валидации результатов распознавания и процесс обучения параметров системы распознавания (в случае, если для решения задачи классификации используются методы машинного обучения, к примеру, искусственные нейронные сети), и рассматривать непосредственно процесс распознавания, то такая система распознавания является статической и не предлагает обратных связей.

Рассмотрим теперь задачу распознавания х в видеопотоке. Источником видеопотока является некоторое захватывающее устройство, представляющее последовательность различных кадров, каждый из которых является независимым изображением объекта х. В условиях фиксированного количества кадров можно рассматривать задачу распознавания объекта в видеопотоке как статистическую систему, аналогичную представленной на рис.3, но с более сложной моделью входа. Тогда последовательность из N кадров можно рассматривать как множество изображений объекта х: I (x) = {  (x),  (x),..,  (x)}. При этом модель выхода системы остается неизменной.